[论文解读] BoFire: Bayesian Optimization Framework Intended for Real Experiments

Johannes P. Dürholt, Thomas S. Asche+16 more|arXiv (Cornell University)|Aug 9, 2024

Advanced Multi-Objective Optimization Algorithms被引用 5

一句话总结

BoFire 是一个开源的 Python 包，将贝叶斯优化与设计实验（DoE）结合用于真实世界的化学研究，强调工业部署、序列化，以及与 RESTful API 的简易集成。

ABSTRACT

Our open-source Python package BoFire combines Bayesian Optimization (BO) with other design of experiments (DoE) strategies focusing on developing and optimizing new chemistry. Previous BO implementations, for example as they exist in the literature or software, require substantial adaptation for effective real-world deployment in chemical industry. BoFire provides a rich feature-set with extensive configurability and realizes our vision of fast-tracking research contributions into industrial use via maintainable open-source software. Owing to quality-of-life features like JSON-serializability of problem formulations, BoFire enables seamless integration of BO into RESTful APIs, a common architecture component for both self-driving laboratories and human-in-the-loop setups. This paper discusses the differences between BoFire and other BO implementations and outlines ways that BO research needs to be adapted for real-world use in a chemistry setting.

研究动机与目标

• 提供一个用于化学及相关工艺的工业可用的 BO 与 DoE 工具包。
• 实现将 BO 无缝集成到实验室管线中，支持 RESTful API 和 JSON 可序列化的问题定义。
• 在真实世界的实验中支持受限的、混合类型输入空间和多目标优化。
• 允许策略、代理和问题定义之间的模块化、即插即用协作。

提出的方法

• 用输入、输出和可选约束来定义域以捕捉真实实验设置。
• 支持包含连续、离散、分子和分类特征的受限混合类型输入。
• 提供基于 BoTorch 的经典 DoE 设计和 BO 预测策略，具有可扩展的获取函数。
• 通过 qParEGO 和 q(log)(N)EHVI 提供真正的多目标优化，含先验和后验两种方法。
• 通过 Pydantic 实现完整序列化，以便实现 RESTful API 集成和便捷数据互换。
• 采用模块化架构，使问题定义、策略和代理解耦，便于即插即用使用。

实验结果

研究问题

• RQ1 如何在工业化学实验室中对贝叶斯优化进行适配和打包以实现可靠部署？
• RQ2 在建模真实世界化学问题时需要哪些 DoE 功能与约束？
• RQ3 BoFire 如何在实际实验室环境中支持多目标优化？
• RQ4 BoFire 如何通过 API 与数据序列化与现有实验室基础设施实现集成？
• RQ5 在工业化学场景下，BoFire 与现有 BO 工具相比有哪些独特之处？

主要发现

• BoFire 提供一个完整的实验室优化问题定义与求解接口，具备所有组件的完全可序列化。
• 它支持受限的混合类型输入空间和多种约束类型，如非线性不等式、NChooseK 和点间等式。
• BoFire 将经典 DoE 设计与基于 BoTorch 的预测性 BO 策略相结合，，并提供可扩展的代理模型与获取函数。
• 该框架通过 qParEGO 和 q(log)(N)EHVI 等策略实现真正的多目标优化。
• BoFire 着重于工业就绪，提供 RESTful API 集成与数据模型分离，便于在自驱动实验室和人机协作场景中部署。