Deep Gaussian Process-based Cost-Aware Batch Bayesian Optimization for Complex Materials Design Campaigns

材料发现的速度不断加快、范围持续扩大，这就需要优化框架能够高效地探索庞大且非线性的设计空间，同时合理分配有限的评估资源。我们提出了一种考虑成本的批量贝叶斯优化方法，该方法以深度高斯过程（DGP）代理模型和异源查询策略为核心。我们的DGP代理模型通过堆叠高斯过程层构建而成，能够刻画高维成分特征之间复杂的层次关系，并捕捉多个目标性能之间的相关性，同时将不确定性逐层传递。我们将评估成本纳入上置信界获取函数的扩展形式中，结合异源查询策略，可并行提出小批量候选材料，在探索表征不足区域与利用高均值、低方差预测结果之间实现平衡，而这些预测结果来自相互关联的性能指标。在面向高温应用的难熔高熵合金设计中，相较于传统的基于高斯过程的贝叶斯优化方法，本框架以更少的迭代次数和兼顾成本的查询方式收敛至最优组分，凸显了深层结构、考虑不确定性以及对成本敏感的优化策略在材料研究中的重要价值。

材料发现过程面临设计空间庞大、非线性复杂以及评估资源昂贵的挑战，传统优化方法效率低下。论文旨在解决如何在有限实验预算下高效探索高维、多属性材料空间并加速最优材料配方收敛的问题。这是一个具有现实紧迫性的新问题，尤其在高温难熔高熵合金等复杂体系中。

提出一种成本感知的批量贝叶斯优化框架，采用深度高斯过程（DGP）作为代理模型，通过堆叠高斯过程层建模高维成分特征间的复杂层次关系，并捕捉多个目标属性之间的相关性；引入异拓扑查询策略和融合评估成本的置信上界扩展采集函数，在每次迭代中并行推荐小批量候选材料，平衡探索与利用的同时优化资源分配。相比传统基于标准GP的贝叶斯优化，该方法在结构表达能力和不确定性传播方面更具优势，且显式考虑实验成本。

框架在真实难熔高熵合金数据上验证，相比传统方法以更少迭代次数收敛至最优配方，显著提升搜索效率。实验设计合理，结合多目标属性与成本敏感机制；使用实际材料科学数据集，但未提及是否开源代码。值得深入的方向包括：将DGP扩展到更大规模材料系统、结合主动学习进行动态成本估计、以及在其他多属性材料设计任务（如电池材料、催化剂）中推广应用。

1. Multi-fidelity Bayesian Optimization for Materials Design 2. High-Entropy Alloys: A Critical Review of Machine Learning Approaches 3. Batch Bayesian Optimization with Deep Gaussian Processes 4. Cost-Aware Bayesian Optimization for Experimental Sciences 5. Efficient Multi-Objective Optimization in Materials Discovery using Gaussian Process Models