研究背景
研究内容
图 1. 吡啶基苯甲酰胺流动合成实验 (A) 平台配置 (B) 连续流反应路径和优化变量 (C) 贝叶斯优化合成工艺流程
该算法以高斯过程回归作为代理模型，并在模型训练过程中采用自适应策略，以此提升模型的训练效果。在模型的训练过程中通过引入正则化参数来减少过拟合的影响，同时为了避免模型训练时陷入局部极值陷阱采用了重启机制。内核函数作为高斯过程模型的核心对模型的预测起决定作用，该算法通过迭代径向基函数内核、马氏内核、有理二次内核、点乘内核并选取最佳内核进行最终的预测，显著地提升了算法的性能。在以往的案例中使用贝叶斯算法往往依赖于特定的采样方式来获得分布均匀的先验数据以及精准的实验结果，然而使用 SOBayesian 算法无需采用特定设计先验数据。同时在面对具有 5% 实验误差的先验数据时利用该算法进行优化不会改变最终优化结果。在一个标准的基础化学反应模型上进行测试，SOBayesian 的可重复性、准确性以及优化效率均高于目前连续流优化领域的主流算法。
论文信息
Self-optimizing Bayesian for continuous flow synthesis process
Runzhe Liu, Zihao Wang, Wenbo Yang*, Jinzhe Cao* and Shengyang Tao*（陶胜洋，大连理工大学）
Digital Discovery, 2024, 3, 1958-1966
https://doi.org/10.1039/D4DD00223G
作者简介
大连理工大学
本文第一作者，大连理工大学化学学院博士研究生，研究方向为机器学习辅助化学合成，连续流合成。
大连理工大学
本文通讯作者，大连理工大学化学学院，教授，院长。长期从事微流体、连续化反应、智能化学等化学化工与信息技术交叉的科学研究；在国际知名期刊发表学术论文 100 余篇，主编、参编各类教材与学术著作七部；主持国家自然科学基金、国家重点领域科研项目及企业合作项目 20 余项。获评国家级青年人才，担任大连市智能化学重点实验室主任；担任中国化学会胶体与界面化学专业委员会青年委员会副主任；中国化工学会微化工技术、智能制造两个专业委员会委员；中国化学会会员期刊《化学通讯》首届科普教育类编委、辽宁省石油石化学会副理事长。
相关期刊
rsc.li/digitaldiscovery
Digital Discovery
| 2-年影响因子* | 6.2分 |
| 5-年影响因子* | 6.2分 |
| JCR 分区* | Q1 化学-多学科 Q1 计算机-跨学科应用 |
| CiteScore 分† | 2.8分 |
| 中位一审周期‡ | 43.5 天 |
Digital Discovery 的重点是数字化技术和自动化工具与基础科学的相互结合，将囊括人工智能、实验自动化、机器人技术、数据库以及先进数据分析等领域的创新成果。本刊发表的研究工作范围广阔，但需有坚实的化学基础。作为一本金色开放获取的期刊，读者可免费获取论文的全文，同时从该刊发布起到 2024 年年中免收论文发表费用。
Editor-in-Chief
Alán Aspuru-Guzik
🇨🇦 多伦多大学
Associate editors
|
|
Editorial board members
|
|
† CiteScore 2023 by Elsevier
‡ 中位数，仅统计进入同行评审阶段的稿件
📧 RSCChina@rsc.org
