ベイズ最適化による効率的かつ原理的な科学的発見：チュートリアル

要旨

従来の科学の発見は、数世紀にわたって進歩を牽引してきた仮説立案・実験・精緻化の反復的サイクルに依存してきた。しかし、この直感的でアドホックな実装は、往々にして資源の浪費、非効率な設計、重要な知見の見落としを招く。本チュートリアルでは、この科学の核心的サイクルを形式化し自動化する、確率論に基づく体系的なフレームワークであるベイズ最適化（BO）を紹介する。BOは、経験的観測を発展する仮説としてモデル化するための代理モデル（ガウス過程など）と、実験選択を導く獲得関数を用いる。これにより、既知の知見の活用と未開拓領域の探索のバランスを取り、推測や手動の試行錯誤を排除する。まず科学の発見を最適化問題として位置づけ、次にBOの核心的構成要素、エンドツーエンドのワークフロー、触媒・材料科学・有機合成・分子発見におけるケーススタディを通じた実世界での有効性について解説する。さらに、科学応用における重要な技術的拡張（バッチ実験、不均一分散性、文脈依存最適化、人間-in-the-loop統合）も扱う。広範な読者層を想定した本チュートリアルは、BOにおけるAIの進歩と実践的な自然科学への応用を橋渡しし、段階的な内容構成により、学際的研究者がより効率的な実験を設計し、体系的な科学の発見を加速するための手引きを提供する。

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.

ベイズ最適化による効率的かつ原理的な科学的発見：チュートリアル

Efficient and Principled Scientific Discovery through Bayesian Optimization: A Tutorial

要旨

Support