摘要
自主实验室通过自动化实验执行来加速研究，但在优化过程中需决定哪些恢复路径值得关注。我们将此问题形式化为一个顺序决策问题，包含离散的路径识别阶段和在异质实验成本下的连续优化阶段。
我们的实现方法称为Coactive learning，它结合了基于成本的贝叶斯假设辨别策略，受到EC2（Golovin et al., 2010）的启发，以及高斯过程贝叶斯优化（Srinivas et al., 2010）。在明确的假设下，固定预算的单次实验期望支出被限制在期望的路径识别成本与限定的路径内优化预算之和。
我们在合成基准上评估该方法，受PNNL的CICERO选择性沉淀研究（Ritchhart et al., 2026）报告的结果约束。该方法的表现与一类理想路径贝叶斯优化参考相当，并且与一个强大的分裂板基线相似，该基线在首次实验中辨别路径，而未获得正确路径的理想标签。给定候选假设空间和诊断似然模型，在一个NdFeB启发的实例中，该方法避免了初次选择一个可能但劣质的氢氧化物路径所带来的模拟惩罚。
这种假设性的错误优先选择情境是基于CICERO报告的氢氧化物与草酸盐表现对比而产生的。我们还描述了这些结论对假设成本模型的敏感性。相关代码和基准数据均为开源。
博主点评： 该研究通过结合成本意识的决策理论与贝叶斯优化，为材料发现提供了一种高效且经济的路径识别方法，展示了在复杂实验环境中如何有效利用资源以获取最佳结果。其方法的开源特性也为后续研究提供了良好基础。