Effiziente und prinzipielle wissenschaftliche Entdeckung durch Bayes'sche Optimierung: Ein Tutorial
Efficient and Principled Scientific Discovery through Bayesian Optimization: A Tutorial
April 1, 2026
Autoren: Zhongwei Yu, Rasul Tutunov, Alexandre Max Maraval, Zikai Xie, Zhenzhi Tan, Jiankang Wang, Zijing Li, Liangliang Xu, Qi Yang, Jun Jiang, Sanzhong Luo, Zhenxiao Guo, Haitham Bou-Ammar, Jun Wang
cs.AI
Zusammenfassung
Die traditionelle wissenschaftliche Entdeckung beruht auf einem iterativen Hypothesen-Experiment-Verbesserungs-Zyklus, der seit Jahrhunderten den Fortschritt vorantreibt. Dessen intuitive, ad-hoc-Umsetzung führt jedoch häufig zu Ressourcenverschwendung, ineffizienten Designs und dem Verfehlen kritischer Erkenntnisse. Dieses Tutorial stellt Bayes'sche Optimierung (BO) vor – einen prinzipienbasierten, wahrscheinlichkeitsgestützten Rahmen, der diesen zentralen wissenschaftlichen Zyklus formalisiert und automatisiert. BO nutzt Surrogatmodelle (z.B. Gauß-Prozesse), um empirische Beobachtungen als sich entwickelnde Hypothesen zu modellieren, und Akquisitionsfunktionen, um die Experimentauswahl zu steuern. Dabei wird ein Gleichgewicht zwischen der Nutzung bekannten Wissens und der Erschließung unbekannter Bereiche geschaffen, um Rätselraten und manuelles Trial-and-Error zu eliminieren. Wir fassen wissenschaftliche Entdeckung zunächst als Optimierungsproblem auf, erläutern dann die Kernkomponenten von BO, End-to-End-Arbeitsabläufe und deren praktische Wirksamkeit anhand von Fallstudien aus den Bereichen Katalyse, Materialwissenschaften, organische Synthese und Molekülentdeckung. Darüber hinaus behandeln wir kritische technische Erweiterungen für wissenschaftliche Anwendungen, darunter Batch-Experimentierung, Heteroskedastizität, kontextbezogene Optimierung und die Integration des Menschen in den Prozess (Human-in-the-Loop). Dieses Tutorial richtet sich an ein breites Publikum und überbrückt die Lücke zwischen KI-Fortschritten in der BO und praktischen Anwendungen in den Naturwissenschaften. Durch abgestufte Inhalte befähigt es interdisziplinäre Forscher dazu, effizientere Experimente zu entwerfen und eine prinzipiengeleitete wissenschaftliche Entdeckung zu beschleunigen.
English
Traditional scientific discovery relies on an iterative hypothesise-experiment-refine cycle that has driven progress for centuries, but its intuitive, ad-hoc implementation often wastes resources, yields inefficient designs, and misses critical insights. This tutorial presents Bayesian Optimisation (BO), a principled probability-driven framework that formalises and automates this core scientific cycle. BO uses surrogate models (e.g., Gaussian processes) to model empirical observations as evolving hypotheses, and acquisition functions to guide experiment selection, balancing exploitation of known knowledge and exploration of uncharted domains to eliminate guesswork and manual trial-and-error. We first frame scientific discovery as an optimisation problem, then unpack BO's core components, end-to-end workflows, and real-world efficacy via case studies in catalysis, materials science, organic synthesis, and molecule discovery. We also cover critical technical extensions for scientific applications, including batched experimentation, heteroscedasticity, contextual optimisation, and human-in-the-loop integration. Tailored for a broad audience, this tutorial bridges AI advances in BO with practical natural science applications, offering tiered content to empower cross-disciplinary researchers to design more efficient experiments and accelerate principled scientific discovery.