[論文レビュー] Bgolearn: a Unified Bayesian Optimization Framework for Accelerating Materials Discovery

Bin Cao, Jie Xiong+11 more|arXiv (Cornell University)|Jan 11, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

Bgolearnは材料 discoveryのための実務運用可能なベイズ最適化ツールキットを提供し、シングル/マルチ目的最適化を多様な代理モデルと取得関数で実現するとともにGUIを備え、実験要件を40–60%削減します。

ABSTRACT

Efficient exploration of vast compositional and processing spaces is essential for accelerated materials discovery. Bayesian optimization (BO) provides a principled strategy for identifying optimal materials with minimal experiments, yet its adoption in materials science is hindered by implementation complexity and limited domain-specific tools. Here, we present Bgolearn, a comprehensive Python framework that makes BO accessible and practical for materials research through an intuitive interface, robust algorithms, and materials-oriented workflows. Bgolearn supports both single-objective and multi-objective Bayesian optimization with multiple acquisition functions (e.g., expected improvement, upper confidence bound, probability of improvement, and expected hypervolume improvement etc.), diverse surrogate models (including Gaussian processes, random forests, and gradient boosting etc.), and bootstrap-based uncertainty quantification. Benchmark studies show that Bgolearn reduces the number of required experiments by 40-60% compared with random search, grid search, and genetic algorithms, while maintaining comparable or superior solution quality. Its effectiveness is demonstrated not only through the studies presented in this paper, such as the identification of maximum-elastic-modulus triply periodic minimal surface structures, ultra-high-hardness high-entropy alloys, and high-strength, high-ductility medium-Mn steels, but also by numerous publications that have proven its impact in material discovery. With a modular architecture that integrates seamlessly into existing materials workflows and a graphical user interface (BgoFace) that removes programming barriers, Bgolearn establishes a practical and reliable platform for Bayesian optimization in materials science, and is openly available at https://github.com/Bin-Cao/Bgolearn.

研究の動機と目的

• ベイズ最適化を用いて高性能材料の発見にかかる実験数を削減する。
• 研究者の実装障壁を低減する材料に優しいインターフェースとワークフローを提供する。
• 材料特性間のトレードオフを扱うための単一目的および多目的最適化の両方を可能にする。
• 高次元設計空間に適したスケーラブルな代理モデルと不確実性定量化を提供する。
• グラフィカルユーザーインターフェース（BgoFace）とオープンソースツールを提供し、材料科学におけるBOの普及を促進する。

提案手法

• BOを3–5行のコードに簡略化する統一的で材料指向のAPIを導入する。
• EHVI、qNEHVI、MO-PI、MO-UCBなどの取得関数を用いた多目的ベイズ最適化をサポートする。
• Gaussianプロセス、ランダムフォレスト、勾配ブースティング、SVR、ニューラルネットワークを含む柔軟な代理モデルを提供し、モデル選択のためのクロスバリデーションを行う。
• GP以外の代理モデルに対してもスケーラブルなMOBOを実現するためのブートストラップベースの不確実性推定を組み込む。
• 再現性の確保のため同等のPythonコードを生成するGUIであるBgoFaceを含み、プログラミングの障壁を低減する。

実験結果

リサーチクエスチョン

• RQ1 Bgolearnはランダム探索やLHSなどのベースラインと比較して高次元問題に対してデータ効率の高い単一目的最適化を達成できるか。
• RQ2 Paretoフロントの品質（例：ハイパーボリューム）という観点で、NSGA-IIやランダムベースラインと比較して多目的最適化の性能はどうか。
• RQ3 Bgolearnの多様な代理モデルと取得関数は異なる材料設計問題で堅牢な性能を提供するか。
• RQ4 ブートストラップベースの不確実性推定により、GP以外の代理モデルとともにスケーラブルなMOBOを実現しつつ解の品質を維持できるか。
• RQ5 GUI（BgoFace）の実用的影響は、プログラミング経験が限られる材料研究者の採用速度とユーザー体験にどう影響するか。

主な発見

• Bgolearnは、ランダム探索、グリッド探索、遺伝的アルゴリズムと比較して必要実験数を約40–60%削減しつつ、解の品質は同等またはそれを上回る。
• 単一目的ベンチマークで、Bgolearn-GPはEIを用いて最適解の90%に到達するが、ベースラインよりかなり少ない反復回数で達成する（例：Hartmann-6DおよびAckley-5D）。
• 多目的問題では、Bgolearn with EHVI が ZDT1 および DTLZ2 のベンチマークでランダム探索および NSGA-II より高いハイパーボリュームを達成する。
• Bgolearn-RFは計算時間が substantially 低く競争力のある性能を示し、高スループットのキャンペーンに適している。
• 実世界の応用では、Bgolearnが高性能TPMS構造、極超硬度HEAs、強靭/延性を持つ中-Mn鋼を同定するなど、金属、機能材料、およびエンジニアリングシステム全体にわたる実用的影響を示している。
• BgoFace GUIは初回ユーザーでのタスク完了を10–15分で実現し、再現可能なPythonコードを自動生成することを可能にする。