返回
Bayesian optimization for chemical reactions
DOI:10.1039/D5CS00962F.png)
摘要
En 中文
贝叶斯优化(BO)通过在大规模混合变量参数空间中平衡探索与利用,实现复杂化学反应的数据高效优化。本文为希望采用BO的化学家提供了易于理解的介绍,概述了代理模型、采集函数和关键数学概念的基本原理。强调实用性考虑,包括核设计、分类变量表示以及多目标与批优化的策略。应用全面综述了从高通量平台到自动化流反应器及更大规模工艺的实验尺度。最后,讨论了迁移学习和数据复用等新兴方向,以加速优化任务并促进化学领域更具通用性的数据驱动策略。
Keyword:
Bayesian optimization
chemical reactions
surrogate models
acquisition functions
multi-objective optimization
期刊
C
IF:
0
论文数:
125
被引数:
0
机构
引用论文
Predicting reaction performance in C–N cross-coupling using machine learning使用机器学习预测c-n交叉耦合中的反应性能
Science
IF0
Automated Optimization of a Multistep, Multiphase Continuous Flow Process for Pharmaceutical Synthesis用于药物合成的多步骤,多相连续流过程的自动优化
Autonomous Online Optimization in Flash Chemistry Using Online Mass Spectrometry使用在线质谱在快速化学中进行自主在线优化

