KolTa：一种用于有限数据下配方发现的物理信息主动学习框架
KolTa: A Physics-Informed Active Learning Framework for Formulation Discovery with Limited Data
精选理由
在实验数据稀缺时，KolTa 能更高效地筛选高性能配方，助力研究者以有限实验预算加速配方发现。
AI 摘要
arXiv:2611.06394v1 公告类型：新论文 摘要：当已测量的配方数量较少且实验预算有限时，寻找高性能配方十分困难。我们提出 KolTa，这是一种主动学习框架，通过批量选择，在固定查询预算下发现目标温度下性能位列前 5% 的配方。KolTa 将涵盖组分贡献、角色条件化相互作用和锚定温度响应的三阶段预测器，与任务特定的软物理约束相结合。其物理残差校准上置信界（PRC-UCB）采集规则结合了预测效用、集成模型分歧和目标温度下的物理残差，并利用折外有符号误差拟合非负探索权重。我们在三个实测任务和一个模拟任务上评估了该框架，涵盖二元混合物黏度、药物溶解度、离子液体黏度和电解液电导率。在每个任务上，KolTa 的平均学习曲线下面积（AULC）均排名第一或第二，并在配对检验中优于八种对比策略中的七种；在跨任务和随机种子与这七种策略进行的 78 次配对比较中，KolTa 赢得了 75 次。在三个实测任务中，其与最佳平均 AULC 的最大差距为 0.032，而每种对比策略的这一差距均至少为 0.056。在 Drug 任务上，要使各药物剩余目标的平均找回率达到 80%，估计所需的额外配方查询次数中位数为 348 次，比最快的对比策略少约 18%。研究人员可通过组分角色和物理约束，将该框架适配于多种配方问题。