当前位置：首页 > 科研成果库

优化算法应用：从实验室黑盒到加速器调束，科研里它到底怎么落地

2026-11-15 21:23:55小研科研成果库8

上周和一位做催化剂的朋友吃饭。我问，你们组现在发论文，参数还靠手调吗？

他愣了两秒。

“早就不是了。”

行吧。那今天就聊聊优化算法在科研里到底怎么用——不是教科书上那种，是真刀真枪跑在实验室和超算上的那种。

先掰扯清楚：优化算法到底在解什么问题

说白了，大部分科研场景可以抽象成一句话：有一个函数 f(x)，你给它一个输入 x，它吐一个数出来。你想要那个数尽量小，或者尽量大。麻烦在于——这个 f 你写不出解析式，而且每算一次都得花你半天、半个月，或者三万块钱。

这就是所谓的黑盒优化。x 是实验条件：温度、配比、pH、退火时间、激光功率。f 是产率、强度、选择性、能量密度。计算一次，可能是一轮 DFT，也可能是一次真实的合成。

优化的全部意义，就是用尽量少的评估次数，找到尽量好的 x。

注意“尽量少”这三个字。它才是关键。如果 f 便宜得像查表，你直接穷举就完了，根本轮不到什么高级算法登场。

自动化材料实验室机器人高通量合成实验平台

贝叶斯优化这几年在科研圈火得离谱，不是没道理的。

思路其实特别朴素：既然每次实验都很贵，那我先用已有的实验点，拟合一个“大概长什么样”的代理模型——一般用高斯过程。然后别急着做实验。先让模型自己“幻想”哪里可能出好结果，哪里是它自己最没把握的地方。这两个愿望合起来，就是采集函数。经典的叫 EI（期望改进），还有 UCB、PI 这些版本。

挑采集函数最大的那个点，去做实验，拿到结果，更新模型。循环。

就这么点东西。

但它真的管用。伯克利那个 A-Lab 就是典型。机械臂加主动学习，17 天连续自主运行，跑了几百次实验，从几十个候选里成功合成出四十多种新材料。人类研究员干嘛去了？睡觉去了。

不过我得说句公道的——高斯过程这东西，维度一高就露怯。

x 只有五六维，它好使得很。到了二三十维，GP 就开始吃力，核函数选得不对还会给你演一出“过拟合噪声”。这时候换 TPE（树状 Parzen 估计），或者拿随机森林当代理，往往更稳。Optuna 里默认就是 TPE，这不是随便定的。

贝叶斯优化代理模型采集函数迭代采样示意图

有意思的是，另一条技术路线在完全不同的场景里跑得更猛——强化学习。

它的逻辑和贝叶斯优化不太一样。贝叶斯是“我挑最值得试的那个点”，强化学习是“我学一个策略，看到当前状态就知道下一步该动哪个旋钮”。前者像谨慎的实验员，后者像练出来的老师傅。

粒子加速器调束是个绝佳例子。几百个磁铁参数，彼此耦合，人调起来要几个小时甚至几天。SLAC、CERN 都做过用强化学习或者贝叶斯方法自动调束的工作，目标是把束流损失、发射度这些指标压下去。效果？调出来的束流品质，有时候比人调的还稳，而且快得多。

还有芯片布局。Google 2021 年那篇 Nature，把宏单元摆放当成一个带约束的优化问题，用强化学习去摆，顺手把布局过程本身做成了“边”的图结构——这招很聪明，因为电路的拓扑关系本来就在连线上，不在节点上。

说实话，这类工作最打动我的不是算法多玄乎，而是它们把人的经验编码进了搜索空间。人还是重要的。只是从“我来调”变成了“我来规定哪些能调”。

好了，泼冷水时间。

第一，目标函数写错，算法只会更勤快地把你想沟里带。 优化器是个没有常识的执行者。你告诉它产率越高越好，它就真敢给你找出一堆产率 99% 但全是杂质的条件。纯度不加约束？它不管。

第二，噪声。 生物实验、催化实验的方差大得吓人。同一批条件重做，结果差 20% 很常见。高斯过程默认观测带噪声，但你得把噪声水平估对，不然它会把随机波动当成真实信号，越优化越离谱。这种情况要做重复实验，或者换对噪声更鲁棒的方法。

第三，维度。 超过二十维就别硬上 GP 了。真到了几百维，学不动就是学不动，别跟它较劲。

第四，很多人忘了设 baseline。 2012 年 Bergstra 和 Bengio 那篇论文早就讲过，随机搜索在很多场景下能打赢网格搜索，成本还低得多。可直到今天，仍有人一上来就贝叶斯、遗传、粒子群轮着上一遍，结果连随机搜索那条线都没画。这就很尴尬了。

第五，可复现性。 随机种子、初始点、早停策略，都得写进论文。优化算法本身也是实验，也要报告配置。不然别人复现不出来，前面那些努力就白搭。

几句实在话。

先跑随机搜索。真的，先跑。花不了多少成本，还能给你一条参照线。之后的每一次算法改进，都拿它来比。

再就是，把每一次实验都记下来，失败的也算。优化算法吃的是数据。你那些“没成功”的点，对代理模型来说全是信息，扔掉太可惜。

还有一点我想强调：别把先验当作弊。划定搜索边界、排除掉明显不合理的区域、告诉算法某些参数必须成对变化——这些都是科研人员该做的事。纯黑盒、零先验的优化，在真实实验里往往又慢又蠢。

最后。

我见过最漂亮的一个用法，是在一个做电解质的组里。他们没把优化器当成“帮我们找最优配方”的机器，而是把它当成一个爱挑刺的合作者：每次它推荐的条件，都跟人的直觉对着干，然后逼着人去想“为什么它选了这个”。

结果有几次，真被问出了新东西。

这个价值，比省下来的那几十次实验，大得多。

没有最新的文章了…