.png){kind=icon}
返回
OFAT-BO: A one-factor-at-a-time Bayesian optimization method for continuous-flow experiment optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ces.2026.124607.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
贝叶斯优化在反应优化中具有吸引力，但许多实验室实现假设实验与模型更新之间存在快速反馈。在依赖离线表征的连续流动研究中，每决策周期一次点的贝叶斯优化可能因每次分析周期产生固定的设置和完成开销而变得操作低效。本文提出OFAT-BO，一种受工作流约束的批量贝叶斯优化策略，在每决策周期选择五个候选条件，同时每个批次内仅改变一个因素。该设计旨在减少离线分析下的表征周期和条件切换开销，同时保留贝叶斯模型更新。基准研究和光化学流动案例研究表明，OFAT-BO可实现比顺序贝叶斯优化基线更高的经验成功率。在光催化C-N交叉偶联案例研究中，OFAT-BO识别出高收率条件（91.34%），并揭示了与耦合催化剂浓度和光衰减效应一致的趋势。这些结果支持OFAT-BO作为一种适用于依赖离线表征的连续流动实验的实用优化策略。
Keyword:
Bayesian optimization
Continuous-flow experiment
Offline characterization
Photochemistry
C -N cross-coupling
