抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Bayes最適化のような機械学習によって駆動される最適化戦略は,従来の実験設計に対する効率的な代替として,実験科学を通して探索されている。自動実験室ハードウェアと高性能コンピューティングと組み合わせると,これらの戦略は自律実験のための次世代プラットフォームを可能にする。しかし,これらのアプローチの実用化は,化学研究のユニークな要求に合わせた柔軟なソフトウェアとアルゴリズムの欠如によって妨げられる。1つの側面は,化学プロセスまたはプロトコルを最適化するとき,実験条件における制約の広範な存在であり,機能的分子または材料を設計する際にアクセス可能な化学空間において,その側面である。これらの制約の多くは先験的に知られているが,それらは相互依存,非線形であり,非コンパクト最適化領域をもたらす。本研究では,直感的で柔軟なインタフェイスを介して任意の既知の制約を扱うことができるように,著者らの実験計画アルゴリズムPhoenicsとGryffinを拡張した。多様な制約のある連続および離散試験関数でこれらの拡張アルゴリズムをベンチマークし,それらの柔軟性とロバスト性を実証した。さらに,著者らは,2つの模擬化学研究シナリオ,即ち,制約された流れ条件下でのo-キシレニルBuckminsterフラーレン付加物の合成の最適化,および合成アクセシビリティ制約下でのフロー電池のためのレドックス活性分子の設計,のそれらの実用的有用性を説明した。開発したツールは,既知の実験制約によるモデルベース最適化を可能にする簡単で,汎用性の高い戦略を構成し,科学的発見のための自律プラットフォームのコア成分としてのその適用性に寄与する。【JST・京大機械翻訳】