[论文解读] 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 0

一句话总结

Bgolearn 提供一个用于材料发现的生产就绪贝叶斯优化工具包，支持单目标和多目标优化，具有多种代理模型和采集函数，以及一个 GUI，减少实验需求约 40–60%。

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.

研究动机与目标

• 通过贝叶斯优化降低发现高性能材料所需的实验次数。
• 提供对材料友好的界面和工作流，降低研究人员的实现门槛。
• 实现单目标与多目标优化，以处理材料性质之间的权衡。
• 提供可扩展的代理模型与不确定性量化，适用于高维设计空间。
• 提供图形用户界面（BgoFace）和开源工具，推动材料科学中的 BO 普及。

提出的方法

• 提出一个统一的、以材料为导向的 API，使 BO 简化为 3–5 行代码而不牺牲定制化。
• 支持多目标贝叶斯优化，采集函数包括 EHVI、qNEHVI、MO-PI 与 MO-UCB。
• 提供灵活的代理模型，包括高斯过程、随机森林、梯度提升、SVR 和神经网络，并进行交叉验证以进行模型选择。
• 对于非 GP 代理，结合基于自举的、不确定性量化，以实现可扩展的 MOBO。
• 包括 BgoFace，一个 GUI，可生成等效的 Python 代码以实现可重复性并降低编程门槛。

实验结果

研究问题

• RQ1 Bgolearn 在高维问题上能否与随机搜索和 LHS 等基线相比，实现数据高效的单目标优化？
• RQ2 在多目标优化中，相对于 NSGA-II 和随机基线，Bgolearn 在帕累托前沿质量（如超体积）方面的表现如何？
• RQ3 Bgolearn 的多样化代理模型和采集函数是否为不同材料设计问题提供稳健的性能？
• RQ4 Bgolearn 的基于自举的不确定性量化是否能够在非 GP 代理下实现可扩展的 MOBO，同时保持解的质量？
• RQ5 图形用户界面（BgoFace）对材料研究人员在编程经验有限的情况下采用速度和用户体验的实际影响如何？

主要发现

• 与随机搜索、网格搜索和遗传算法相比，Bgolearn 将所需实验数量大幅降低约 40–60%，同时保持相当或更优的解质量。
• 在单目标基准测试中，Bgolearn-GP 结合 EI 以显著更少的迭代达到最优解的 90%，如 Hartmann-6D 与 Ackley-5D 等基线。
• 对于多目标问题，Bgolearn 采用 EHVI 在 ZDT1 与 DTLZ2 基准上实现高于随机搜索和 NSGA-II 的超体积。
• Bgolearn-RF 以显著更低的计算时间实现具有竞争力的表现，适用于高通量任务。
• 实际应用表明，Bgolearn 能识别出高性能的 TPMS 结构、超高硬度的 HEAs，以及强/韧性并存的中等 Mn 合金钢，体现了在金属、功能材料与工程系统中的实际影响。
• BgoFace GUI 能实现快速任务完成（新用户 10–15 分钟内）并自动生成可重复的 Python 代码。