通过高斯过程回归和贝叶斯优化技术，针对材料设计和发现等高维复杂问题，提出一种基于价值信息分析的预期改进和知识梯度方法，以最少的实验找到优良的材料设计方案。

Jun, 2015

介绍了数据驱动设计范例这一概念，并将现有的研究分为数据获取、基于机器学习的单元格设计、数据驱动的多尺度优化三个模块进行了综述，分析比较了各个模块的优势和适用性，并探讨了模块之间的联系。

Jul, 2023

提出了一种新的统计假设检验方法来利用数据设计鲁棒优化的不确定集合，该方法灵活适用于各种领域，并且计算复杂度可行，理论和实践上都具有可靠性。操作研究领域的计算实验证明，当数据可用时，与传统的鲁棒优化技术相比，我们的数据驱动集合显著优于传统技术。

Dec, 2013

本文介绍了一种用于判断计算化学中基于代理模型的不确定性估计质量的方法，利用机器学习中的数字度量指标、模型准确性及校准性检测等，通过各种性能指标来评估模型的质量，及一个使用卷积神经网络和高斯过程回归器的模型对吸附能的预测和不确定性的估计得到了最好的表现。

Dec, 2019

提出了一种基于数据驱动的贝叶斯优化框架，利用顺序学习来有效优化具有多个相互冲突目标的复杂系统，其中使用一种新的度量来评估多目标数据驱动优化方法的质量和生成所需的数据量，并在制造数据集上进行了评估，结果表明，该算法可以在处理更少的数据的情况下实现实际 Pareto 前沿，从而可以降低成本和时间。

Apr, 2023

利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。

Apr, 2023

数据驱动设计正在广泛应用于蛋白质、小分子和材料工程等领域。然而，设计目标需要进入超出模型训练范围的设计空间， 因此需要针对式样寻找新的候选设计。本文提出了一种自动对焦方法来调整回归模型，以适应训练范围之外的新式样，从而更好地实现数据驱动设计目标。

Jun, 2020

通过统计性属性模型驱动的材料发现是一个迭代决策过程，在此过程中，初始数据集会根据模型所提出的新数据进行扩展，目标是随时间最大化某种 “奖励”，例如迄今为止发现的最大属性值。我们证明了此问题，并提出了一种新颖的性能估计方法，即与基于预计算数据集的 “期望改善” 收购函数预测高斯过程，在双钙钛矿氧化物的示例研究中表现最佳。

Nov, 2023

数据驱动的机器学习模型通常基于灵活而非物理函数，可以将原子排列的微妙方面与能量和力的预测联系起来。我们的研究挑战在于化学环境描述符通常是稀疏的高维对象，缺乏明确定义的连续度量。我们通过经典的统计实验规划和最优设计方法来解决这个问题，以减轻狭窄和偏见采样的陷阱，并评估数据的信息量，确保训练集是否可行。这种方法易于实施，不需要复杂的框架或高性能计算。

May, 2024

该研究旨在避免使用大型实验计划来优化材料挤出中的表面粗糙度。通过使用机器学习模型，该研究提供了一种数据驱动的预测建模方法来自动预测基于文献和实验数据的表面粗糙度。研究结果表明，该方法在预测挤出式打印的表面粗糙度方面具有竞争力的结果。

Jun, 2024