贝叶斯优化，一种基于响应面的迭代全局优化算法，已经在机器学习模型的调优中表现出卓越的性能。贝叶斯优化最近也应用于化学，然而，它在合成化学反应优化中的应用和评价尚未得到研究。有鉴于此，美国普林斯顿大学的Abigail G. Doyle等研究人员，研究出作为化学合成工具的贝叶斯反应优化。

本文要点

1）研究人员报告了贝叶斯反应优化框架和开源软件工具的开发，该工具可让化学家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。

2）研究人员收集了钯催化的直接芳基化反应的大型基准数据集，将贝叶斯优化与人为决策相比对，对优化反应进行了系统的研究，并将贝叶斯优化应用于两个现实世界中的优化工作（Mitsunobu和脱氧氟化反应）。

3）基准测试是通过一款在线游戏完成的，该游戏将专业化学家和工程师所做的决定与实验室中的真实实验联系起来。研究人员的发现表明，贝叶斯优化在平均优化效率（实验数量）和一致性（结果与初始可用数据的差异）方面均优于人类决策。

本文研究表明，在日常实验室实践中采用贝叶斯优化方法，可以通过对运行的实验进行更明智的、数据驱动的决策，从而促进功能化学品的更有效合成。

参考文献：

Benjamin J. Shields, et al. Bayesian reaction optimization as a tool for chemical synthesis. Nature, 2021.

DOI：10.1038/s41586-021-03213-y

https://www.nature.com/articles/s41586-021-03213-y