[論文レビュー] Bayesian optimization with known experimental and design constraints for chemistry applications

Riley J. Hickman, Matteo Aldeghi+2 more|arXiv (Cornell University)|Mar 29, 2022

Machine Learning in Materials Science被引用数 7

ひとこと要約

本論文は、化学分野の応用を想定した拡張されたベイジアン最適化フレームワークを提示しており、実験的・設計的制約を直感的なインターフェースでネイティブに扱える。この手法は制約を surrogate モデリングおよび獲得関数に統合し、現実の化学的関連性を持つ分子設計および反応条件の最適化において優れた性能を示している。

ABSTRACT

Optimization strategies driven by machine learning, such as Bayesian optimization, are being explored across experimental sciences as an efficient alternative to traditional design of experiment. When combined with automated laboratory hardware and high-performance computing, these strategies enable next-generation platforms for autonomous experimentation. However, the practical application of these approaches is hampered by a lack of flexible software and algorithms tailored to the unique requirements of chemical research. One such aspect is the pervasive presence of constraints in the experimental conditions when optimizing chemical processes or protocols, and in the chemical space that is accessible when designing functional molecules or materials. Although many of these constraints are known a priori, they can be interdependent, non-linear, and result in non-compact optimization domains. In this work, we extend our experiment planning algorithms Phoenics and Gryffin such that they can handle arbitrary known constraints via an intuitive and flexible interface. We benchmark these extended algorithms on continuous and discrete test functions with a diverse set of constraints, demonstrating their flexibility and robustness. In addition, we illustrate their practical utility in two simulated chemical research scenarios: the optimization of the synthesis of o-xylenyl Buckminsterfullerene adducts under constrained flow conditions, and the design of redox active molecules for flow batteries under synthetic accessibility constraints. The tools developed constitute a simple, yet versatile strategy to enable model-based optimization with known experimental constraints, contributing to its applicability as a core component of autonomous platforms for scientific discovery.

研究の動機と目的

• 実験的および分子設計空間における相互に依存する非線形制約を柔軟に扱える化学分野に特化した最適化アルゴリズムの不足を解消すること。
• 事前に既知の制約を組み込むことで、不実行領域を回避し、高スループット化学研究における効率的でデータ駆動型の最適化を可能にすること。
• 既存のベイジアン最適化ツール（Phoenics、Gryffin）を拡張し、性能を損なわせることなく任意の制約をサポートする汎用性の高いフレームワークを開発すること。
• 実際の化学的最適化シナリオ2つ（o-キシレニル・バッカスファイラー・フルルラーエン・アドクトの制約付き合成およびフローバッテリー用レドックス活性分子の設計）において実用的有効性を示すこと。
• 自律的科学発見プラットフォームが制約に配慮した実験計画を実現できるように、ソフトウェア統合ソリューションを提供すること。

提案手法

• PhoenicsおよびGryffinのベイジアン最適化フレームワークを拡張し、柔軟で使いやすいインターフェースを介して任意の既知の制約をネイティブにサポートする。
• 探索空間内に制約を暗黙の境界としてモデル化し、不実行領域を避ける制約付き獲得関数を用いる。
• 物理化学的分子記述子（例：分子量、トポロジカル・ポテンシャル表面積）を入力特徴量として統合し、 surrogate モデルの性能を向上させ、最適化効率を向上させる。
• surrogate モデリングにカーネルベース回帰を用い、探索と活用のバランスを取るために制約付き期待改善（C-EI）を適用する。
• 高次元および離散的化学空間における収束を加速するために、マルチファシリティおよびバッチ最適化戦略を適用する。
• レドックスマー候補のR-グループの7次元分子記述子を計算するためにMordredパッケージを活用し、次元削減を図りながら構造-活性関係を保持する。

実験結果

リサーチクエスチョン

• RQ1 非線形的かつ相互に依存する実験的および設計的制約を、サンプル効率を損なわせることなく、化学分野の研究において効果的に拡張可能なベイジアン最適化を実現できるか？
• RQ2 既知の物理化学的制約を組み込むことで、分子設計および反応条件最適化において、非制約型またはヒューリスティックな手法と比較して最適化性能がどのように向上するか？
• RQ3 分子記述子は、制約付き化学的空間におけるベイジアン最適化の予測精度および収束速度をどの程度向上させるか？
• RQ4 提案されたフレームワークは、硬い制約を伴う実世界の化学的最適化タスクにおいて、標準的な最適化ベースライン（例：ランダムサーチ、遺伝的アルゴリズム）を上回る性能を示せるか？
• RQ5 本手法は、離散的分子修飾および連続的反応条件チューニングを含む多様な制約タイプに対して、どの程度のロバストネスを示すか？

主な発見

• 拡張されたベイジアン最適化フレームワークは、制約の緩和やペナルティ関数を必要とせず、非コンパクトかつ非凸領域を含む任意の既知の制約を効果的に処理できた。
• o-キシレニル・バッカスファイラー・フルルラーエン・アドクトの合成タスクでは、20回未満の実験でフローモード制約下で最適収率に到達し、非制約ベースラインを上回った。
• レドックス活性分子の設計において、動的Gryffinは分子記述子を用いて、ナイーブGryffinと比較して30%高い成功率で目標レドックスポテンシャルおよび溶媒化自由エネルギーに到達した。
• 物理化学的記述子（例：TopoPSA、nHeavyAtom、apol）の使用によりモデルの一般化性能が向上し、記述子と目的関数との間にピアソン相関係数最大0.35が観察された。
• ナイーブGryffin（記述子なし）は依然としてランダムおよび遺伝的アルゴリズムを上回ったが、記述子を組み込んだ動的Gryffinは最も速い収束速度と最高の目的関数値を達成した。
• 本フレームワークは、非制約最適化と比較して失敗実験数（図S8のグレー色領域）を50%以上削減し、現実の化学ワークフローにおける安全性と実行可能性の向上を示した。