edbo

反应优化是合成化学的基础，从优化工业过程的产量到选择药物候选物的制备条件1。同样，参数优化在人工智能中无处不在，从调整虚拟个人助理到训练社交媒体和产品推荐系统2。由于进行实验的成本高昂，这两个领域的科学家通过仅评估可能配置的一小部分来设置许多（超）参数值。贝叶斯优化是一种基于迭代响应面的全局优化算法，在机器学习模型的调整中表现出色3。贝叶斯优化最近也已应用于化学4、5、6、7、8、9；然而，其在合成化学反应优化中的应用和评估尚未得到研究。在这里，我们报告了贝叶斯反应优化框架和开源软件工具的开发，使化学家能够轻松地将最先进的优化算法集成到他们的日常实验室实践中。我们收集了钯催化直接芳基化反应的大型基准数据集，对反应优化中贝叶斯优化与人类决策进行了系统研究，并将贝叶斯优化应用于两个现实世界的优化工作（Mitsunobu 和脱氧氟化反应）。基准测试是通过一个在线游戏完成的，该游戏将专业化学家和工程师的决策与实验室中进行的实际实验联系起来。我们的研究结果表明，贝叶斯优化在平均优化效率（实验次数）和一致性（结果与最初可用数据的差异）方面都优于人类决策。总体而言，我们的研究表明，将贝叶斯优化方法应用到日常实验室实践中可以促进更高效的功能性化学品合成，因为它可以让人们做出更明智、数据驱动的实验决策。