在本文中，我们通过建立基于现有晶体结构数据库的晶体形成能量的代理模型，并对其参数进行优化的方法，提出了一种替代的数据驱动晶体结构预测方法。通过在晶体结构的非欧几里得空间中进行优化，我们展示了该方法在结构预测成功率方面与最佳现有方法相当，并大幅度减少了计算成本。

Oct, 2023

使用机器学习生成模型生成具有所需性质（如化学稳定性和指定化学组成）的新晶体结构，并展示其在不同化学体系和晶体群中生成新候选结构的功能。

Oct, 2023

本文提出一种将自动化化学设计概括为使用贝叶斯优化过程，其中包含使用变分自动编码器的潜在空间；进一步将搜索过程转化为约束贝叶斯优化问题，以解决一些根据潜在空间的变分自动编码器所引起的路径问题并且表明其可以在众多生成任务中使用。

Sep, 2017

这篇论文介绍了一种名为 Hidden-Constrained Latent Space Bayesian Optimization (HC-LSBO) 的新型贝叶斯优化方法，它集成了潜在决策模型，并利用可变自编码器学习可行决策的分布，从而实现原始决策空间与较低维潜在空间的双向映射。通过这种方式，HC-LSBO 捕捉了公共政策制定中固有的隐藏约束的微妙差别，允许在潜在空间进行优化，同时在原始空间中评估目标。我们通过在合成和真实数据集上进行数字实验验证了这种方法，具体关注了乔治亚州亚特兰大的大规模警区划问题。我们的结果显示，与基线相比，HC-LSBO 在性能和效率方面均有显著改进。

Oct, 2023

本文提出了一种基于结构耦合核的 BO 方法 LADDER，使用深度生成模型的潜在表示来优化组合空间，解决了传统 BO 方法中代理模型只利用深度生成模型学习的信息对黑盒函数进行近似的缺陷，并通过实验验证表现优越。

Nov, 2021

LaMBO 是一种新的 Bayesian optimization 方法，采用了联合训练的方法，结合 Denoising Autoencoder 和多任务 Gaussian Process Head 进行多目标优化，以实现在离散高维空间中进行生物序列设计。

Mar, 2022

通过引入 Lipschitz 正则化和损失加权等方法，我们提出了一种相关的潜空间贝叶斯优化（CoBO）方法，用于优化黑盒函数中的离散数据。在分子设计和算术表达式拟合等离散数据的多个优化任务中，我们的方法在较小的资源预算下取得了高性能。

Oct, 2023

机器人技术和自动化为解决材料发现等难以处理的多变量科学问题提供了巨大的加速，而巨大的搜索空间可能令人望而生畏。贝叶斯优化（BO）已成为一种流行的高效样本优化引擎，在目标函数 / 属性没有已知的解析形式的任务中蓬勃发展。本文利用专家人类假设的形式来更快地将贝叶斯搜索定向到化学空间的有前途的区域。我们提出的方法称为 HypBO，利用专家人类假设生成改进的样本种子。不太有希望的种子被自动折扣，而有希望的种子被用于增加代理模型数据，从而实现更有信息的抽样。这个过程在一个全局与局部搜索的框架中继续进行。我们在一系列合成函数上验证了我们方法的性能，并在一个真实的化学设计任务上展示了其实用性，其中使用专家假设显著加速了搜索性能。

Aug, 2023

本文介绍了 ChemBO，一种用于生成和优化有机分子的贝叶斯优化框架，该方法探索合成图以高效生成可合成的有机分子，并通过实验证明了其高效性。

Aug, 2019

本篇论文中提出了一种新的 LOL-BO 方法，通过重新解释 DAE 的编码器功能，称其为 “trust regions”，将局部优化与输入空间中的局部优化更好地对齐，实现了对六个真实世界基准的 20 倍性能提升。

Jan, 2022