前言 

      在化工研發(fā)領(lǐng)域，為制造某種物質(zhì)或材料，通常需要進(jìn)行大量的化學(xué)實(shí)驗(yàn)去以尋找一種合理高效的最佳合成路徑，而這些實(shí)驗(yàn)中又涉及到多種實(shí)驗(yàn)因素和工藝參數(shù)，如溫度、溶劑、催化劑種類、底物濃度等，由于進(jìn)行實(shí)際化學(xué)實(shí)驗(yàn)的成本極高（expensive to evaluate），需要消耗大量的實(shí)驗(yàn)材料和資源，因此在巨大的搜索空間中對(duì)全量的實(shí)驗(yàn)參數(shù)組合一一進(jìn)行嘗試在經(jīng)濟(jì)上是不切實(shí)際的。顯然，如何有效減少實(shí)驗(yàn)嘗試次數(shù)，快速高效地得到可使指標(biāo)達(dá)到理想范圍的實(shí)驗(yàn)因素組合，成為化工行業(yè)從業(yè)人員日益關(guān)注的重要問題。

     在該問題上，貝葉斯優(yōu)化（Bayesian Optimization）就是一種相對(duì)較好的解決方案，其是一種用于超參數(shù)搜索的方法，已在多個(gè)領(lǐng)域表現(xiàn)卓越。如圖1所示，當(dāng)我們想要最大化某個(gè)指標(biāo)時(shí)，隨著貝葉斯優(yōu)化方法的多輪迭代，其指標(biāo)值整體呈現(xiàn)上升的趨勢(shì)，證明了算法的有效性。

圖1 單指標(biāo)貝葉斯優(yōu)化算法效果展示

     對(duì)于化學(xué)實(shí)驗(yàn)優(yōu)化問題，貝葉斯優(yōu)化算法也可有效地縮短找到較優(yōu)實(shí)驗(yàn)因素組合的進(jìn)程。

     但實(shí)際上，一方面，一個(gè)實(shí)驗(yàn)需要優(yōu)化的并不僅僅是單個(gè)指標(biāo)，而是會(huì)同時(shí)存在兩個(gè)或兩個(gè)以上的多指標(biāo)（multi-objective），比如不僅要關(guān)注產(chǎn)物的收率，還要在此過程中盡可能地控制成本和預(yù)算，且很多時(shí)候指標(biāo)之間甚至可以是相互矛盾的，這對(duì)于傳統(tǒng)的貝葉斯優(yōu)化來說是一個(gè)巨大的挑戰(zhàn)，因其往往局限在對(duì)單個(gè)指標(biāo)的優(yōu)化上，在指標(biāo)數(shù)增多的情況下適用性降低；另一方面，不同領(lǐng)域不同行業(yè)之間的知識(shí)背景相差很大，因此照搬經(jīng)典貝葉斯范式難以取得較好的效果，通常需要結(jié)合一定的專業(yè)領(lǐng)域內(nèi)知識(shí)和方法，才能更好地發(fā)揮出貝葉斯優(yōu)化的優(yōu)勢(shì)。

   綜上，現(xiàn)實(shí)情況的復(fù)雜性使得常規(guī)的貝葉斯優(yōu)化算法難以有效地實(shí)現(xiàn)需求。

國(guó)工算法優(yōu)勢(shì)

     近期，國(guó)工智能基于當(dāng)下前沿算法，并結(jié)合化工領(lǐng)域?qū)嶋H業(yè)務(wù)背景，將化學(xué)科學(xué)與人工智能技術(shù)深度融合創(chuàng)新（AI for Science），使用計(jì)算化學(xué)方法和人工智能優(yōu)化算法相結(jié)合的方式，自主研發(fā)出了一套針對(duì)化學(xué)實(shí)驗(yàn)的多指標(biāo)貝葉斯優(yōu)化算法。該算法構(gòu)建概率代理模型（Probabilistic Surrogate Model），通過高斯過程回歸（Gaussian Process Regression）對(duì)當(dāng)前歷史數(shù)據(jù)進(jìn)行擬合，并創(chuàng)新性地采用一種更加高效的采集函數(shù)，取出使得下一輪對(duì)指標(biāo)改進(jìn)程度最大的實(shí)驗(yàn)參數(shù)組合作為候選樣本。該方法可為用戶快速推薦出合理有效的實(shí)驗(yàn)因素組合。

國(guó)工自研實(shí)驗(yàn)優(yōu)化算法具備以下特點(diǎn)和優(yōu)勢(shì)：

• 多指標(biāo)綜合優(yōu)化：傳統(tǒng)貝葉斯優(yōu)化往往局限在優(yōu)化單個(gè)指標(biāo)，不適用于同時(shí)含有多個(gè)待優(yōu)化指標(biāo)的復(fù)雜現(xiàn)實(shí)情境，國(guó)工自研算法在傳統(tǒng)貝葉斯優(yōu)化的基礎(chǔ)之上，緊跟國(guó)內(nèi)外研究前沿，擴(kuò)展了貝葉斯優(yōu)化的適用場(chǎng)景，能夠有效地支持多指標(biāo)優(yōu)化任務(wù)。另外考慮到用戶對(duì)多個(gè)指標(biāo)可能有著不盡相同的關(guān)注程度，因此算法也支持為各個(gè)指標(biāo)分配不同的優(yōu)化權(quán)重，實(shí)現(xiàn)實(shí)驗(yàn)信息個(gè)性化靈活配置；

• 支持離散實(shí)現(xiàn)數(shù)據(jù)：貝葉斯優(yōu)化通常在連續(xù)空間中表現(xiàn)良好，但離散或混合空間中欠佳，國(guó)工自研算法可以接受實(shí)驗(yàn)因素的不同類型取值，連續(xù)型和離散型均可進(jìn)行處理；

• 極值判斷：包括貝葉斯在內(nèi)的許多優(yōu)化算法，常常存在著固有的對(duì)極值判斷的局限性，國(guó)工考慮結(jié)合計(jì)算化學(xué)領(lǐng)域的專業(yè)知識(shí)和方法（如勢(shì)能面構(gòu)建）等，對(duì)合理的極值判斷加以支持。例如，當(dāng)進(jìn)行了200次或更多次的實(shí)驗(yàn)后，發(fā)現(xiàn)其實(shí)在第100次時(shí)已然達(dá)到了最優(yōu)結(jié)果，但單純靠算法本身是無法知曉的，因此我們可以通過勢(shì)能面構(gòu)建、能壘計(jì)算等計(jì)算化學(xué)的方法，與貝葉斯優(yōu)化算法相結(jié)合，更加高效地判斷到達(dá)極值的時(shí)點(diǎn)，從而將所需的嘗試次數(shù)進(jìn)一步降低；

• 自動(dòng)擬合修正：隨著實(shí)驗(yàn)數(shù)據(jù)不斷積累，模型對(duì)于真實(shí)的概率分布也將擬合得越來越好，通過不斷修正更新先前的概率代理模型及采集函數(shù)，我們的算法將會(huì)推薦出更加合理有效的候選方案供用戶選擇；

   

     總結(jié)：綜上所述，國(guó)工自研多指標(biāo)實(shí)驗(yàn)優(yōu)化算法能夠適用于多種復(fù)雜應(yīng)用場(chǎng)景，顯著減少實(shí)驗(yàn)人員進(jìn)行嘗試的次數(shù)，節(jié)約時(shí)間和成本。

案例分析

    下面將結(jié)合一個(gè)具體的案例來對(duì)該算法進(jìn)行說明。需要指出的是，這里我們以三因素雙指標(biāo)為例進(jìn)行演示，但算法本身并不局限于待優(yōu)化指標(biāo)數(shù)以及各因素的取值個(gè)數(shù)。

     首先，打開國(guó)工智能數(shù)據(jù)大腦平臺(tái)，進(jìn)入實(shí)驗(yàn)優(yōu)化界面，對(duì)實(shí)驗(yàn)信息進(jìn)行配置。使用的指標(biāo)分別是收率和成本，要求收率最大化及成本最小化，并可分配指標(biāo)的權(quán)重，如圖2。

圖2 實(shí)驗(yàn)指標(biāo)配置

     此外，還需對(duì)實(shí)驗(yàn)因素進(jìn)行配置，這里我們利用溫度、壓強(qiáng)、催化劑這三個(gè)因素，配置好各自可取的因素值以及單位，對(duì)于連續(xù)型值，用戶還可以按照范圍進(jìn)行輸入。配置完因素后點(diǎn)擊完成配置按鈕即可，也可導(dǎo)入已有實(shí)驗(yàn)配置信息。

     其次，實(shí)驗(yàn)信息配置完成后，即可開始進(jìn)行算法優(yōu)化。在首輪沒有歷史數(shù)據(jù)的情況下，需要隨機(jī)從搜索空間中生成用戶指定個(gè)數(shù)的初始樣本，這里以5個(gè)為例，如圖3為輪次1的信息，這里的收率及成本實(shí)際值需要做實(shí)驗(yàn)進(jìn)行回填，用戶也可以根據(jù)自己的需求刪除一些樣本。

圖3 初始化歷史數(shù)據(jù)

     將各方案指標(biāo)值填充后，點(diǎn)擊方案推薦按鈕，算法會(huì)讀入輪次1的數(shù)據(jù)并推薦出用戶指定個(gè)數(shù)的方案，這里仍以推薦5個(gè)為例，如圖4，在輪次2中，算法提供了5組實(shí)驗(yàn)因素組合，同樣的，用戶可做實(shí)驗(yàn)對(duì)指標(biāo)值進(jìn)行回填。

圖4 算法推薦方案

     最后，按照上述流程，將算法循環(huán)迭代多輪，對(duì)每輪推薦出的方案進(jìn)行實(shí)驗(yàn)回填，直至兩個(gè)指標(biāo)均達(dá)到理想范圍或者已經(jīng)枚舉出了所有的組合方案為止。為符合業(yè)務(wù)場(chǎng)景，我們還在算法內(nèi)部增添了去重的功能，因此不會(huì)推薦出與歷史數(shù)據(jù)重復(fù)的方案，且每輪推薦完成后，還可以點(diǎn)擊實(shí)驗(yàn)分析對(duì)推薦效果進(jìn)行可視化，也可將方案導(dǎo)出為excel文件作其他用途。

    下圖為本示例最終推薦效果的可視化展示，取出每輪推薦方案中指標(biāo)值較優(yōu)的點(diǎn)繪制折線圖，雖有所波動(dòng)，但收率整體上朝著最大化的方向進(jìn)行優(yōu)化，同時(shí)成本也在逐漸最小化，并在第5輪推薦方案中二者均達(dá)到了可以接受的水平，證實(shí)了該算法的有效性。

圖5 多指標(biāo)優(yōu)化算法效果

適用場(chǎng)景

 

• 1.化工、材料、醫(yī)藥等領(lǐng)域需要進(jìn)行大量實(shí)驗(yàn)的工廠實(shí)驗(yàn)室以及各大高校配備的實(shí)驗(yàn)室等；

• 2.目前國(guó)工智能催化劑智能研發(fā)平臺(tái)GoCatal®已集成部署了多個(gè)功能模塊，可便捷地處理很多化工場(chǎng)景下的特定問題，該多指標(biāo)貝葉斯實(shí)驗(yàn)優(yōu)化算法可與其他組件協(xié)同，更好地實(shí)現(xiàn)客戶的需求。

   

 

專利證書

---