emdgroup/baybe

解决的问题

BayBE（Bayesian Back End）旨在复杂搜索空间中寻找最优参数配置。它对于实验成本高昂或耗时的真实世界优化问题特别有用，例如化学反应优化、材料配方、3D 形状优化，以及虚拟模拟的超参数调优。

工作原理

BayBE 使用贝叶斯实验设计来平衡参数空间中未知区域的探索与已知高性能区域的利用。其工作流程遵循推荐循环：用户定义搜索空间和目标，BayBE 推荐下一组要测试的配置。一旦用户提供结果（测量值），BayBE 就会更新其模型以优化未来的推荐。

适用对象

适用于工业界和学术界中需要优化物理或虚拟实验的研究人员和工程师，特别是那些处理化学物质或复杂混合搜索空间的人员。

亮点

• 混合搜索空间：在单一空间中同时支持连续和离散参数。
• 化学编码：通过 SubstanceParameter 内置对化学指纹（例如 MORDRED）的支持，以提高相较于简单独热编码的优化效率。
• 灵活优化：提供多种策略，包括主动学习、用于 AB 测试的强盗模型，以及针对多个冲突目标的帕累托优化。
• 高级工作流程：支持异步活动、从先前活动进行迁移学习，以及用于性能评估的回测。