[论文解读] Bayesian Design of Experiments: Implementation, Validation and Application to Chemical Kinetics

Eric A. Walker, Kishore Ravisankar|arXiv (Cornell University)|Sep 9, 2019

Advanced Multi-Objective Optimization Algorithms参考文献 46被引用 4

一句话总结

本文提出了一种贝叶斯实验设计（BED）框架，用于优化化学动力学中的实验，利用期望信息增益来指导温度和反应器体积等实验变量的选择。通过三个案例研究——线性回归、反应吉布斯能模型和催化膜反应器——验证了该方法，采用数值和解析基准进行验证，并通过网格搜索初始化的差分进化和最速上升算法实现设计优化。

ABSTRACT

Bayesian experimental design (BED) is a tool for guiding experiments founded on the principle of expected information gain. I.e., which experiment design will inform the most about the model can be predicted before experiments in a laboratory are conducted. BED is also useful when specific physical questions arise from the model which are answered from certain experiments but not from other experiments. BED can take two forms, and these two forms are expressed in three example models in this work. The first example takes the form of a Bayesian linear regression, but also this example is a benchmark for checking numerical and analytical solutions. One of two parameters is an estimator of the synthetic experimental data, and the BED task is choosing among which of the two parameters to inform (limited experimental observability). The second example is a chemical reaction model with a parameter space of informed reaction free energy and temperature. The temperature is an independent experimental design variable explored for information gain. The second and third examples are of the form of adjusting an independent variable in the experimental setup. The third example is a catalytic membrane reactor similar to a plug-flow reactor. For this example, a grid search over the independent variables, temperature and volume, for the greatest information gain is conducted. Also, maximum information gain is conducted is optimized with two algorithms: the differential evolution algorithm and steepest ascent, both of which benefitted in terms of initial guess from the grid search.

研究动机与目标

• 开发并验证一种用于化学动力学的贝叶斯实验设计（BED）框架，以在实际实验前最大化信息增益。
• 通过选择测量哪些参数来应对实验可观测性有限的问题，使用期望信息增益作为优化标准。
• 将BED应用于真实化学系统，包括反应吉布斯能模型和催化膜反应器，以指导最优实验设置。
• 通过对比和验证线性回归模型中的数值解与解析解，确保方法的准确性。
• 使用全局和局部优化算法优化实验设计变量（如温度、体积），并以网格搜索初始化作为引导。

提出的方法

• 将BED公式化为以期望信息增益作为目标函数，量化每种实验设计在多大程度上减少模型参数的不确定性。
• 采用贝叶斯线性回归作为基准模型，将数值解与解析结果进行对比以验证其准确性。
• 使用包含吉布斯能和温度作为参数的化学反应模型，将温度视为可调节的实验设计变量。
• 在温度和反应器体积上进行网格搜索，以识别信息增益最大的潜在区域。
• 采用差分进化和最速上升算法优化实验设计，初始猜测由网格搜索提供。
• 通过线性回归案例中的解析解对比和化学动力学模型中的仿真评估来验证结果。

实验结果

研究问题

• RQ1 在贝叶斯框架下，哪种实验设计能为估计未知参数提供最高的期望信息增益？
• RQ2 如何通过基于信息增益的选择来应对实验可观测性有限的问题，即选择测量哪些参数？
• RQ3 像差分进化和最速上升这样的数值优化方法在多大程度上能改善化学动力学中的实验设计？
• RQ4 网格搜索初始化在多大程度上提升了BED中优化算法的收敛性和性能？
• RQ5 该BED框架能否通过解析基准可靠地验证，并成功应用于真实的化学系统？

主要发现

• 贝叶斯实验设计框架成功在实际实验前识别出最优实验条件，最大限度减少资源浪费。
• 基准线性回归模型通过数值解与解析结果的紧密匹配，证实了数值解的准确性。
• 在反应吉布斯能模型中，温度被识别为显著影响信息增益的关键设计变量。
• 对于催化膜反应器，最优设计出现在特定的温度与体积组合下，通过优化使信息增益达到最大。
• 差分进化和最速上升算法均有效定位到高信息增益的设计，且网格搜索提供了稳健的初始猜测。
• 该方法在多种化学动力学问题中表现出良好的可扩展性和鲁棒性，支持其在实际实验规划中的应用。