港科大等聯合發布讓實驗室變身"智能偵探"的貝葉斯優化教程

想象一下，如果有一位超級聰明的偵探助手，能夠記住你做過的每一次實驗、分析每一個結果的規律，然后準確告訴你下一步最應該嘗試什么——這聽起來像科幻小說，但實際上已經成為現實。來自香港科技大學（廣州）、華為諾亞方舟實驗室、中國科技大學、清華大學、香港大學以及倫敦大學學院的研究團隊，在2026年4月發表了一篇詳盡的教程論文，系統性地介紹了如何用"貝葉斯優化"這一數學工具，讓科學發現過程變得像擁有智能助手一樣高效準確。這篇發表在arXiv預印本平臺的論文編號為arXiv:2604.01328v1，為廣大科研工作者提供了從理論到實踐的完整指導。

從古希臘的亞里士多德開始，科學家們一直在尋找更好的發現真理的方法。就像偵探破案一樣，科學家需要觀察現象、提出假設、設計實驗、分析結果，然后修正理論。這個過程看似簡單，但在實際操作中往往充滿隨意性和低效率。許多科學家就像沒有經驗的偵探，完全憑直覺和運氣來決定下一步調查方向，結果往往浪費大量時間和資源，甚至錯過重要線索。

研究團隊指出，現代科學面臨的搜索空間往往龐大得令人咋舌。比如在設計一個催化劑時，需要考慮的參數可能有數十個，每個參數又有不同的取值范圍，所有可能的組合數量甚至超過了可觀測宇宙中原子的數量。如果用傳統的試錯方法，就算科學家們干上幾輩子也探索不完。更要命的是，每次實驗都需要消耗大量時間、金錢和材料，容不得太多無效嘗試。

這就是"貝葉斯優化"大顯身手的地方。簡單來說，貝葉斯優化就像給科學家配了一個超級智能的實驗助手。這個助手有兩項核心技能：第一，它會建立一個"數字雙胞胎"模型來模擬實驗對象，就像偵探在腦海中構建案件的全貌一樣。這個模型不僅會預測實驗結果，還會老實地告訴你它對哪些地方有把握，對哪些地方還很困惑。第二，基于這個模型，助手會精心設計下一個最有價值的實驗，既不會浪費時間重復已知的結果，也不會盲目地在黑暗中摸索。

為了讓讀者更好地理解這個過程，研究團隊用了一個生動的故事來比喻。想象科學家就像在尋找傳說中的"永明催化劑"一樣。面對實驗室墻上密密麻麻的化學元素周期表，科學家Leo感到無從下手，因為可能的組合實在太多了。資深研究員Aris教授提醒他，傳統的做法是"再試一次"，但這樣很容易陷入局部最優的陷阱。研究工程師Sarah則提出了一個關鍵問題：如何把不確定性轉換成具體的實驗指導？最終，他們通過貝葉斯優化找到了答案：用"代理模型"來量化不確定性，用"獲取函數"來平衡探索和開發，讓自動化實驗室能夠高效地在搜索空間中導航。

研究團隊特別以抗體發現為例，展示了貝葉斯優化的實際應用?？贵w設計面臨的挑戰相當于在天文數字般的序列組合中找到能夠強力結合特定抗原的"鑰匙"。傳統方法就像大海撈針，而貝葉斯優化則像擁有了磁鐵，能夠智能地縮小搜索范圍。在一個名為AntBO的框架中，系統首先建立一個高斯過程模型來理解序列與結合能力的關系，然后在"信任區域"內進行獲取，避免建議那些在數學上最優但生物學上不可行的序列。實驗結果顯示，AntBO在評估不到50個序列后就能找到高親和力的候選抗體，這在數十億種可能性中簡直是奇跡般的效率。

整個貝葉斯優化的工作流程可以總結為六個關鍵步驟，就像一套標準的偵探破案程序。首先是把科學挑戰轉化為優化問題，明確定義設計空間、約束條件和目標函數。這就像案件開始時，偵探需要明確案情范圍、調查邊界和破案目標。接著建立目標評估過程，確定如何衡量成功程度。如果真實實驗成本太高，可以先用現有數據訓練一個"虛擬陪練"來模擬真實實驗的結果。

第三步是構建初始知識庫和更新機制。這個知識庫就是我們的"代理模型"，它像一個會學習的助手，從少量初始實驗中獲取基礎知識，然后隨著新數據的加入不斷更新自己的理解。第四步定義選擇下一個實驗的策略，也就是"獲取函數"。這個函數需要在兩個目標間取得平衡：探索那些還沒充分研究的區域（避免錯過突破性發現），以及開發那些代理模型認為最有前景的區域（優化已知的最佳候選）。

第五步是執行迭代優化循環。這個循環完美地模仿了經典的科學方法：用代理模型預測潛在實驗的結果，通過獲取函數選擇最有價值的實驗，實際進行實驗或查詢預設的評估函數，然后將新結果反饋給代理模型進行更新。這個過程會重復進行，直到達到目標或用盡資源。最后一步是綜合知識和可操作結果，從代理模型中提取基于模型的見解，比如溫度如何影響產量，同時確定最優的實驗條件。

貝葉斯優化之所以如此強大，關鍵在于它將科學發現的哲學本質進行了數學化表達。從歷史角度看，科學方法經歷了四個主要發展階段，就像偵探技術的演進過程。最初的"演繹發現"就像古代的占卜師，完全依靠邏輯推理從已知原理推導新知識，不需要實際觀察。后來的"歸納發現"像現代的數據分析師，通過系統收集經驗數據來發現模式和規律。然后發展出"假設-演繹發現"，這就像現代偵探的標準程序：提出假設、推導可測試的預測、用實證數據驗證、根據一致性檢查來改進或否定假設。

而"貝葉斯假設-演繹發現"則代表了最新的科學方法論，它像擁有人工智能輔助的超級偵探。這種方法不再把信念看作非黑即白的確定性判斷，而是在整個假設空間中量化信念的程度，并通過貝葉斯推理來不斷更新這些信念。結果得到的后驗分布既提供了穩健知識的總結，也為決策制定提供了指導。

在技術實現層面，貝葉斯優化的核心在于兩個關鍵組件的協作。代理模型充當"數字雙胞胎"的角色，通常采用高斯過程來實現。高斯過程可以想象成一個非常謙虛但博學的專家，它不僅會給出預測結果，還會誠實地告知自己的不確定程度。在數據稀少的區域，模型會坦承自己知識有限，通過高方差來表達這種認知不確定性。這種誠實的態度正是貝葉斯認識論的核心特征。

獲取函數則執行"演繹"步驟，將當前信念轉化為具體行動。它像一個策略規劃師，需要在兩種基本的科學驅動力之間取得平衡：開發（測試模型預測最可能成功的假設）和探索（在未知區域測試假設以挑戰和完善當前范式）。這個平衡行為確保每個昂貴的實驗都經過精心選擇，以提供最大可能的價值，從而以數據高效的方式加速目標導向的科學發現。

研究團隊通過五個不同領域的案例研究來展示貝葉斯優化的廣泛適用性。第一個案例是光催化制氫催化劑設計，這就像在十維空間中尋找完美的化學配方。設計空間包含十種不同材料的濃度參數，每個參數在0到5之間連續變化。即使粗略地將每個參數以1為步長離散化，候選組合數量也達到6的10次方，這是一個天文數字般的搜索空間。研究團隊用隨機森林模型從經驗數據集構建了模擬評估器，使得可以在不進行實際昂貴實驗的情況下測試優化效果。

第二個案例聚焦高熵合金納米酶的配方優化。這類材料由五種不同金屬元素組成，面臨的挑戰是優化元素配比以最大化催化效率。由于決策變量代表組成比例，它們受到所有比例之和必須等于1的約束條件限制。此外，為確保形成真正的五組分高熵合金，每個元素都被限制在0.05到0.35的范圍內。這種有界單純形設計空間對大多數軟件來說都不是直接支持的，需要通過可逆的重新參數化變換將其映射到超矩形空間。

第三個案例是電解水分解的電催化劑設計，這代表了混合變量優化的典型挑戰。設計空間同時包含分類變量（如金屬類型、載體材料）和連續變量（如退火溫度、催化劑負載量），創建了一個高度非平穩的性能景觀，在分類配置之間存在離散跳躍。這種異質參數空間為標準的、為連續平穩目標函數優化的貝葉斯優化實現帶來了顯著挑戰。

第四個案例展示了高維有機合成的優化問題。基于Buchwald-Hartwig高通量實驗數據集，研究團隊將原本530維的DFT衍生特征空間簡化為20個最重要的特征，然后在這個降維空間中進行優化。雖然聯合優化530個特征對于沒有潛在結構先驗知識或梯度信息的黑盒目標來說是不現實的，但通過特征選擇和降維，這個問題變得可以處理。

最后一個案例涉及分子發現，這需要在非傳統空間（如用SMILES字符串表示的分子）上進行優化。由于經典的代理模型和獲取函數主要為連續向量空間設計，難以處理具有復雜結構約束的大型組合離散空間，研究團隊采用了領域特定的特征提取方法，將復雜的科學對象映射到適合代理建模的向量空間。

在理論基礎方面，研究團隊詳細闡述了如何將科學發現框架化為優化問題?？茖W實驗本質上涉及選擇行動或設計，然后觀察結果。這個過程可以用數學語言精確描述：未知機制產生觀察結果，科學探究旨在發現三個層次的知識。首先是假設層面的知識，即識別支配所研究系統的可能假設類別。其次是解釋性知識，確定哪個假設最好地解釋了我們的經驗。最后是可操作知識，決定如何在未知機制下選擇行動以優化獎勵函數。

聚焦于可操作發現的最終目標，科學過程可以正式化為一個優化問題：在給定約束條件下，最大化關于設計-結果對的獎勵函數。這種表述突出了貝葉斯優化如何擴展超越純粹的解釋驅動發現，不僅解決"是什么"和"為什么"的問題，還指導"如何行動"。

在代理模型的構建方面，高斯過程成為貝葉斯優化中最廣泛采用的選擇。高斯過程可以想象成一個誠實的預言家，它不僅會告訴你未來可能發生什么，還會坦率地承認自己在哪些方面缺乏把握。從技術角度來看，高斯過程是函數上的概率分布，其中核函數編碼了關于函數性質（如平滑性、周期性）的假設。對于任何有限的輸入子集，相應的函數值遵循多元高斯分布，這使得高斯過程能夠為未知函數提供不確定性量化的預測。

核函數的選擇至關重要，它決定了高斯過程如何理解輸入之間的相似性。常用的選擇包括徑向基函數核（假設函數無限可微且非常平滑）、馬特恩核（允許控制平滑程度）、線性核（適用于近似線性的底層函數）和周期核（適合建模季節性效應等周期函數）。對于結構化或離散對象，還可以定義專門的核函數，如字符串核（通過計算共享子串或模序來衡量序列相似性）和費雪核（利用生成概率模型來定義相似性）。

在獲取函數的設計上，研究團隊介紹了幾種經典策略。期望改進函數衡量的是在當前最佳觀察基礎上的預期改進幅度，它會同時考慮改進的概率和改進的幅度。改進概率函數則專注于超越當前最佳結果的可能性，雖然直觀但可能過度開發，除非引入改進閾值。上置信界函數通過將后驗均值和標準差的加權組合來明確權衡探索和開發，其中權重參數控制探索-開發的平衡。湯普森采樣采用了另一種策略，直接從后驗代理模型中采樣函數，然后選擇該函數的最大值點。

在算法的實際實現中，研究團隊提供了詳盡的編程指導。他們使用HEBO庫來演示如何定義支持多種變量類型的設計空間。數值變量適用于可以連續控制的參數，如化學實驗中的反應溫度。對于跨越多個數量級的參數，如濃度或速率常數，對數尺度變量更為有效，確保在不同尺度間平衡探索。整數變量表示必須是整數的離散數值，如催化劑層數。分類變量代表無序的離散選項，如溶劑選擇，與整數不同，分類變量之間沒有固有的數值排序。

目標函數的定義和評估是實現的核心環節。由于目標函數涉及真實世界的評估，評估函數的實現取決于具體的實驗或仿真設置。在HEBO中，目標函數被實現為接受一批設計點并返回相應標量值的Python函數。這種批處理接口支持高效的并行評估，這在現代科學工作流程中很常見。對于開發和測試階段，研究團隊建議使用模擬評估器，這是一個模仿真實黑盒函數行為的代理函數，通常實現為簡單的解析表達式或擬合模型。

在處理復雜實驗設計時，貝葉斯優化面臨幾個獨特的挑戰。批量決策制定對高通量實驗平臺特別重要，因為在許多科學應用中，并行評估多個候選設計是可行且理想的。核心挑戰是選擇一組候選點，這些點能夠最大化優化目標的集體價值。理想的批次應該在開發當前代理模型采樣有前景的候選點和探索不確定區域以改進全局模型之間取得平衡，同時避免冗余或高度相關的點。

異方差性和非平穩性是真實科學實驗中經常遇到的問題。傳統貝葉斯優化通常假設簡單的獨立同分布高斯噪聲和平穩協方差來進行不確定性估計。然而，在實際科學實驗中，這些假設經常被違反。測量噪聲可能在儀器范圍的邊界處增加，或者取決于所測量樣品的質量。當底層系統在輸入空間的不同區域表現出不同行為時，非平穩性經常出現，如材料中的相變或生物反應中的突然變化。

上下文決策制定在許多真實科學實驗中也很重要，因為不是所有影響結果的因素都能被實驗者直接控制。一些變量，如環境條件、操作員效應或批次間變異性，可能是可觀察但不可操作的。在材料科學中，環境溫度或濕度可能會波動并影響測量結果，但只有合成參數可以設置。在生物學中，患者特異性因素或細胞系差異可能是可觀察但不可控制的。

將人類專業知識整合到優化循環中是另一個重要考慮。在許多科學領域，專家知識對于指導實驗設計和解釋至關重要。雖然原則上可以將這種專家知識編碼到貝葉斯優化框架中，但實際實現可能極其困難。專家直覺往往是隱性的、上下文相關的，或者難以數學化。因此，完全自動化的貝葉斯優化可能無法充分利用寶貴的人類見解，或者可能做出領域專家認為不合理或不可信的決策。

研究團隊通過五個案例的實驗驗證了貝葉斯優化的效果。在所有測試的科學發現任務中，貝葉斯優化方法始終優于隨機搜索，在相同的固定實驗預算下獲得了更優的目標值。具體來說，在光催化制氫催化劑設計任務中，經過200次試驗后，隨機搜索的最終悔恨值為21.8，而貝葉斯優化達到了9.2。在高熵合金納米酶配方任務中，隨機搜索的悔恨值為244，貝葉斯優化為153。在氧析出電催化劑設計中，隨機搜索的過電位為245毫伏，貝葉斯優化為219毫伏。在Buchwald-Hartwig反應中，隨機搜索的悔恨值為47，貝葉斯優化為9.9。在分子QED優化中，隨機搜索的QED分數為0.881，貝葉斯優化達到了0.918。

實驗結果揭示了幾個重要模式。首先，狀態最先進的HEBO框架在所有場景中都一致優于隨機搜索。標準的貝葉斯優化在連續、約束和高維連續任務中相對隨機搜索提供了穩健的改進，但在混合變量的氧析出電催化劑設計任務中未能優于隨機搜索。對于所有基于貝葉斯優化的方法優于隨機搜索的任務，性能差距在后期迭代中特別明顯，其中自適應策略繼續識別改進的解決方案，而隨機搜索則停滯不前。

HEBO在所有情況下都能在相同迭代次數后獲得比標準貝葉斯優化更低的悔恨值（或更低的過電位），并且在早期迭代中也表現出更快的收斂速度。這種性能改進可以歸因于HEBO的核心設計特征：支持非平穩目標函數，穩健處理異方差噪聲，以及通過動態權衡期望改進、改進概率和下置信界標準來平衡探索和開發的多目標獲取函數。這種早期階段的效率對科學實驗特別有價值，因為每次迭代都會產生顯著的實驗成本，早期收斂可以在時間和資源方面帶來實質性節約。

在分子優化任務中，基于描述符的貝葉斯優化展現出了處理離散結構空間的能力。通過將離散的SMILES字符串映射到化學上有意義的連續空間，使高斯過程代理模型能夠從已知的高QED分子泛化到有前景的未測試結構，而不是在可能分子配置的龐大離散空間中進行盲目采樣。這突出了貝葉斯優化框架適應多樣科學問題類型的靈活性，當與適當的領域知識預處理相結合時。

研究的理論貢獻同樣重要。通過GP-UCB算法，研究團隊提供了嚴格的遺憾界限分析。對于有限設計空間，在高概率下，GP-UCB的累積遺憾最多以O(√T βT γT )的速度增長，其中γT 是最大信息增益項。對于緊致連續空間，在函數具有連續四階導數的條件下，類似的界限成立。這些理論保證表明，隨著更多函數評估的進行，GP-UCB的平均遺憾趨于零，建立了該算法最終能識別近最優解決方案，搜索效率隨時間增長。

從實際應用的角度來看，這項研究為科研工作者提供了完整的實施指南。無論是實驗化學家希望加速工作的實用編程示例，開發領域特定貝葉斯優化方法的研究人員需要的數學基礎，還是普通讀者對不確定性感知決策制定的原理性見解，這個教程都提供了分層次的內容。通過橋接人工智能中的貝葉斯優化進展與自然科學的實際實施，該研究最終賦予跨學科研究人員更高效地設計實驗的能力，從而實現更有原則、更快速的科學發現。

研究團隊特別強調了貝葉斯優化與傳統科學方法的深層聯系。這種聯系不僅僅是表面的類比，而是一種根本的哲學一致性。正如科學家通過假設檢驗來更新對自然規律的理解一樣，貝葉斯優化通過實驗數據來更新對目標函數的信念。代理模型就像科學理論一樣，提供了對現象的當前最佳解釋，而獲取函數則像實驗設計原則一樣，指導如何收集最有價值的新證據。

這種深層聯系意味著貝葉斯優化不僅是一個實用工具，更是科學方法在數字時代的自然延伸。它將人類科學家數千年來積累的探索智慧編碼成算法，使得機器能夠像經驗豐富的科學家一樣思考和決策。更重要的是，這個過程是透明和可解釋的——科學家可以隨時檢查代理模型的"思考過程"，理解為什么系統建議某個特定的實驗，這種透明性對于建立科學信任和確保結果的可重現性至關重要。

研究團隊的實驗設計體現了嚴格的科學標準。為了確保結果的可比性和可靠性，所有實驗都遵循一致的協議。每個案例都使用模擬評估器作為目標函數，這些評估器基于真實的經驗數據集訓練而成，既避免了真實實驗的成本，又保持了問題的現實性。每種策略都進行200次迭代，使用20個初始隨機樣本來初始化代理模型，并用16個不同的隨機種子重復實驗以確保統計穩健性。

實驗結果的一致性特別值得注意。在所有測試案例中，先進的貝葉斯優化框架都表現出了對隨機搜索的一致性能優勢，而標準貝葉斯優化實現則顯示出任務依賴的性能：它們在大多數場景中提供穩健改進，但在更具挑戰性的混合變量設置中表現不佳。這種模式揭示了一個重要見解：雖然貝葉斯優化的理論框架廣泛適用于科學發現，但在軟件和實現層面的實際應用確實面臨一些重要限制。

HEBO框架的優異表現可以歸因于其針對真實科學優化問題的專門設計。它原生支持混合變量設計空間，對不同類型變量使用適當的核函數，能夠高效建模不同類型實驗參數之間的復雜關系。它使用先進技術處理異方差噪聲和非平穩協方差函數，包括輸入和輸出變換，使其對真實實驗室實驗中經常遇到的非理想條件更加穩健。它還使用MACE獲取函數，這是幾個規范獲取函數的多目標綜合，比任何單一獲取函數更穩健地平衡探索和開發。

從更廣闊的視角來看，這項研究標志著科學研究方法論的一個重要轉折點。傳統的科學發現往往依賴于科學家的直覺、經驗和試錯，這種方法雖然推動了幾個世紀的科學進步，但在面對現代科學的復雜性時顯得越來越力不從心。現代材料科學、化學合成、藥物發現等領域面臨的參數空間往往具有極高的維度和復雜性，傳統方法的效率已經無法滿足快速發展的需求。

貝葉斯優化的出現改變了這一局面。它不是要取代人類科學家，而是要增強他們的能力，讓他們能夠從繁瑣的參數調試和重復實驗中解放出來，專注于更高層次的科學思考和創新。這種人機協作的新模式有可能極大地加速科學發現的步伐，特別是在那些對快速發現需求迫切的領域，如可持續能源、生物醫學和氣候科學。

研究團隊也誠實地承認了當前方法的局限性。雖然貝葉斯優化的理論框架廣泛適用于科學發現，但在軟件和實現層面確實存在一些重要的實際限制。許多真實世界的科學問題需要非平凡的步驟，如設計空間變換、維度降低或領域特定的特征工程，才能用現有的貝葉斯優化工具有效優化。這些步驟通常需要機器學習或優化方面的強背景，而許多實驗科學家并不具備這種背景。

標準高斯過程的立方時間復雜度也限制了其在大規模、數據豐富的科學場景中的應用。雖然存在稀疏高斯過程近似、變分推理或可擴展的非高斯過程代理模型等高級緩解策略，但這些高級技術對于擴展貝葉斯優化到高數據體系至關重要，在本教程中沒有詳細覆蓋。

展望未來，研究團隊設想了一個貝葉斯優化在科學研究中發展和采用的路線圖。近期的緊急優先事項是降低實驗科學家采用貝葉斯優化的門檻，通過開發具有內置領域知識的專門貝葉斯優化工具包，消除手動特征工程的需要，并通過與常見實驗室自動化工具的原生集成，實現實驗設計、執行、數據分析和迭代優化的完全閉環。

中期而言，研究團隊看到了方法論創新的重要機遇，以解決當前貝葉斯優化方法在復雜科學環境中的局限性。這包括將第一原理領域知識深度整合到代理模型中，開發穩健的人在環路貝葉斯優化框架，以及設計能夠原生處理非理想實驗場景的貝葉斯優化方法。

長期來看，研究團隊相信貝葉斯優化將成為開放、協作和自主科學發現新范式的基礎組件。結合用于文獻挖掘和知識推理的大型語言模型，以及用于實驗執行的機器人系統，貝葉斯優化將充當端到端科學AI代理的"實驗設計大腦"。這些代理將能夠自主地制定科學假設、設計和執行實驗來測試它們、分析結果并完善假設，以人類單獨研究無法實現的方式加速發現的步伐。

這項研究的科學意義遠遠超出了其作為優化工具的實用性。從根本上說，貝葉斯優化代表了科學發現方法的范式轉變：從直覺驅動的手動試錯轉向概率性的、系統性的，以及日益自動化的龐大科學搜索空間探索。迭代的貝葉斯優化工作流程不僅僅是一個算法，而是科學方法本身的計算結晶。代理模型充當實驗系統的概率"數字雙胞胎"，編碼我們對底層自然規律的演變信念狀態；獲取函數正式化下一個實驗的設計，平衡現有知識的開發與未知領域的探索；新實驗數據更新我們的信念，完善模型并指導下一次迭代。

這種一致性意味著貝葉斯優化不會取代人類科學家的作用，而是增強他們的直覺和專業知識，讓他們能夠專注于高層次的科學思考，而不是實驗設計和試錯的繁瑣機制。由貝葉斯優化實現的發現過程自動化有潛力極大地加速科學進步的步伐，特別是在可持續能源、生物醫學和氣候科學等快速發現需求迫切的領域。

通過彌合AI方法論進展與自然科學應用之間的差距，這項研究旨在讓有原則的、高效的實驗設計對每個科學研究者都變得可及。對于化學、材料科學和相關領域的實驗科學家，它提供了一個可以用最少編程經驗集成到現有實驗室工作流程中的易用工具，消除了直覺試錯的低效率，確保每個昂貴的實驗都能提供最大信息和價值。對于機器學習方法開發者，它突出了科學發現的獨特、未充分探索的挑戰，代表了未來方法論創新的高影響方向。對于普通讀者，它提供了一個窗口，讓人看到科學研究的新范式，其中概率推理和系統自動化正在改變我們探索自然世界的方式。

Q&A

Q1：貝葉斯優化到底是什么東西？

A：貝葉斯優化就像給科學家配了一個超級智能的實驗助手。這個助手會記住你做過的每次實驗結果，分析其中的規律，然后準確告訴你下一步最應該嘗試什么。它的特別之處在于既會預測結果，還會誠實地告訴你哪些地方它還不確定，從而幫你在"開發已知好方法"和"探索未知新可能"之間找到最佳平衡。

Q2：為什么貝葉斯優化比傳統試錯方法效果好？

A：傳統方法就像沒有經驗的偵探，完全憑直覺和運氣決定調查方向。而貝葉斯優化像經驗豐富的老偵探，每次實驗都會更新對整個"案件"的理解，然后基于這種理解來設計最有價值的下一個實驗。實驗結果顯示，它能將所需實驗數量減少60%到85%，這在科研成本高昂的今天意義重大。

Q3：普通科研工作者能用貝葉斯優化嗎？

A：完全可以。研究團隊提供了詳細的編程教程和現成的軟件工具如HEBO，即使編程經驗有限的研究者也能快速上手。關鍵是要學會把自己的科學問題轉化為優化問題，明確定義實驗參數空間、約束條件和優化目標，然后按照標準流程執行就行了。