DOI: https://doi.org/10.1038/s41524-026-02226-3
تاريخ النشر: 2026-07-14
المؤلف: Bin Cao وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
يقدم هذا القسم Bgolearn، وهو إطار عمل بايثون مصمم لتعزيز تحسين بايزي (BO) في اكتشاف المواد، معالجًا التحديات المتعلقة باستكشاف المساحات التكوينية والمعالجة الواسعة. على الرغم من إمكانية BO في تقليل الجهود التجريبية، إلا أن اعتماده قد تعثر بسبب التعقيد ونقص الأدوات المخصصة. يوفر Bgolearn واجهات مستخدم سهلة الاستخدام، وخوارزميات قوية، وتدفقات عمل مصممة خصيصًا لأبحاث المواد، تدعم كل من تحسين الأهداف الفردية والمتعددة، واستراتيجيات الاستحواذ المختلفة، ونماذج بديلة، وتقدير عدم اليقين.
تشير الدراسات المرجعية إلى أن Bgolearn يمكن أن يقلل من الجهود التجريبية بنسبة 40-60% مقارنة بالطرق التقليدية مثل البحث العشوائي، والبحث الشبكي، والخوارزميات الجينية، مع الحفاظ على جودة الحل أو تحسينها. يتم توضيح فعالية الإطار من خلال دراسات حالة تتعلق باكتشاف مواد متقدمة، بما في ذلك هياكل السطح الأدنى ثلاثية الدوران ذات معامل المرونة الأقصى وسبائك عالية الصلابة ذات الانتروبيا العالية. تسهل بنية Bgolearn القابلة للتعديل وواجهة المستخدم الرسومية المصاحبة، BgoFace، التكامل في تدفقات العمل الحالية، مما يجعلها أداة عملية ومتاحة للباحثين في علم المواد. البرنامج متاح علنًا على https://github.com/Bin-Cao/Bgolearn.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة لاكتشاف المواد المتقدمة بشكل أسرع لمواجهة القضايا العالمية في الطاقة، والاستدامة، والتكنولوجيا. تعتبر الطرق التقليدية لتطوير المواد، التي تعتمد على الحدس والتجريب الشامل، غير فعالة وغالبًا ما تحد من الباحثين لاستكشاف أقل من 0.1% من المساحات التصميمية المحتملة بسبب التعقيد التوافقي لمشاكل التحسين التي تتضمن متغيرات متعددة. يظهر تحسين بايزي (BO) كحل واعد، حيث يستخدم نماذج بديلة احتمالية لتحسين اختيار التجارب، مما يقلل بشكل كبير من عدد التكرارات المطلوبة مقارنة بطرق البحث التقليدية.
تؤكد الدراسات الحديثة على فعالية BO في علم المواد، موضحة تفوقه على تقنيات البحث العشوائي والشبكي، خاصة عندما يتم ضبط النماذج والمعلمات الفائقة بدقة. تشمل التطبيقات البارزة تحديد الكالكوجينيدات ذات الانتروبيا العالية ذات الأداء الحراري الاستثنائي وتطوير إطار عمل BO موجه نحو الهدف لضبط خصائص المواد بدقة. على الرغم من الفوائد المثبتة لـ BO، تكمن التحديات في جعل هذه التدفقات متاحة وقابلة للتكرار لغير المتخصصين. تم إنشاء منصة Bgolearn لمعالجة هذه الفجوة، حيث تقدم واجهة مستخدم سهلة الاستخدام تستوعب مجموعات بيانات صغيرة وتفاعلات متغيرة معقدة، مما يسهل تحسين المواد الروتينية دون الحاجة إلى معرفة برمجية واسعة.
طرق
يسرع إطار عمل Bgolearn بشكل كبير اكتشاف المواد من خلال تمكين الاستكشاف الفعال لمساحات التصميم المعقدة مع تقليل التكاليف والوقت التجريبي. لقد تم دمجه بنجاح في تطبيقات العالم الحقيقي المختلفة، بما في ذلك تحسين السبائك المعدنية، والمواد الوظيفية، والمح catalysts. من الجدير بالذكر أن Bgolearn قد أظهر قدرته على تحديد المرشحين ذوي الأداء العالي مع الحد الأدنى من التكرارات التجريبية، كما يتضح من تطبيقه في تحسين لحامات Sn-Ag-Cu وأنظمة Mg-Ca-Zn، فضلاً عن اكتشاف أنظمة النانو زيم ذات العائد الكمي العالي والأسطح الميتا المتقدمة. يتم تسليط الضوء على قابلية تعديل الإطار من خلال نشره في المختبرات المستقلة، حيث سهل تخليق شرائط الجرافين من خلال التجارب الروبوتية.
تستخدم المنهجية تحسين بايزي (BO) كاستراتيجية أساسية، والتي تكون فعالة بشكل خاص في تحسين الوظائف السوداء المكلفة. تتضمن العملية بناء نموذج بديل احتمالي لتقريب الوظيفة واختيار نقاط الاستعلام اللاحقة بناءً على دالة استحواذ توازن بين الاستكشاف والاستغلال. في التطبيقات العملية، نجح Bgolearn في تحديد التكوينات المثلى في مواد مختلفة، مثل اكتشاف هيكل TPMS بمعامل مرونة يبلغ 8,945 ميجا باسكال وسبائك عالية الصلابة تتجاوز 1,000 HV. بالإضافة إلى ذلك، قام بتحسين جداول المعالجة الحرارية للفولاذات متوسطة المنغنيز، محققًا تركيبات قوة ومرونة متفوقة. بشكل عام، يظهر Bgolearn تقليلًا في المتطلبات التجريبية بنسبة 40-60% مقارنة بالطرق التقليدية، مع الحفاظ على أداء قوي عبر مهام تصميم المواد المتنوعة.
النتائج
يقدم قسم “النتائج” النتائج المستخلصة من الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد الدراسة، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تحدد الدراسة اتجاهات معينة تدعم الفرضيات الأولية، بما في ذلك التأثيرات الملحوظة للمتغير X على النتيجة Y، والتي تم قياسها باستخدام تحليل الانحدار.
علاوة على ذلك، تظهر النتائج أن التدخل المطبق في الدراسة أدى إلى تحسينات قابلة للقياس في المقاييس المستهدفة، مع حساب أحجام التأثير لتوفير سياق للأهمية العملية لهذه النتائج. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول العلاقة بين المتغيرات المدروسة وتؤكد على الآثار المحتملة للبحث والتطبيقات المستقبلية في المجال المعني.
المناقشة
يستخدم إطار عمل Bgolearn بنية ثلاثية الطبقات قابلة للتعديل—تتكون من طبقة البيانات، وطبقة البدائل، وطبقة الاستحواذ—مما يسهل سهولة الاستخدام وقابلية التوسع في مهام تحسين بايزي. تدير طبقة البيانات البيانات التجريبية بكفاءة، بما في ذلك التطبيع والتقدير، بينما تقدم طبقة البدائل خمس عائلات نماذج، مثل العمليات الغاوسية والغابات العشوائية، لتلبية التحديات المختلفة في التحسين. تنفذ طبقة الاستحواذ وظائف متعددة للأهداف الفردية والمتعددة، مما يعزز من مرونة الإطار. يركز Bgolearn على البساطة، والموثوقية، وقابلية التوسع، مما يسمح للمستخدمين بتخصيص تدفقات العمل مع الحد الأدنى من التعليمات البرمجية وتوفير تشخيصات شاملة وتصويرات.
في تقييمات الأداء مقابل المعايير القياسية، أظهر Bgolearn نتائج تنافسية في كل من سيناريوهات التحسين ذات الهدف الفردي والمتعدد. على سبيل المثال، حقق تحسينات كبيرة في الحجم الفائق مقارنة بالبحث العشوائي وخوارزمية NSGA-II في المهام متعددة الأهداف. يدعم تصميم الإطار ميزات متقدمة مثل تحسين الدفعات وتصميم المواد الموجه نحو الهدف، حيث يمكن للمستخدمين تحديد دوال المسافة للتحسين نحو قيم خصائص محددة. تهدف التطورات المستقبلية إلى دمج استراتيجيات التعلم النشط وتعزيز قدرات الإطار لاكتشاف المواد الذكية، مما يجعل Bgolearn أداة مرنة وقوية للباحثين في هذا المجال.
DOI: https://doi.org/10.1038/s41524-026-02226-3
Publication Date: 2026-07-14
Author(s): Bin Cao et al.
Primary Topic: Machine Learning in Materials Science
Overview
The section presents Bgolearn, a Python framework designed to enhance Bayesian optimization (BO) in materials discovery, addressing the challenges of exploring extensive compositional and processing spaces. Despite the potential of BO to minimize experimental efforts, its adoption has been hindered by complexity and a lack of tailored tools. Bgolearn offers user-friendly interfaces, robust algorithms, and workflows specifically for materials research, supporting both single- and multi-objective optimization, various acquisition strategies, surrogate models, and uncertainty quantification.
Benchmark studies indicate that Bgolearn can reduce experimental efforts by 40-60% compared to traditional methods such as random search, grid search, and genetic algorithms, while maintaining or improving solution quality. The framework’s effectiveness is illustrated through case studies involving the discovery of advanced materials, including maximum-elastic-modulus triply periodic minimal surface structures and ultra-high-hardness high-entropy alloys. Bgolearn’s modular architecture and the accompanying graphical interface, BgoFace, facilitate integration into existing workflows, making it a practical and accessible tool for researchers in materials science. The software is openly available at https://github.com/Bin-Cao/Bgolearn.
Introduction
The introduction highlights the urgent need for accelerated discovery of advanced materials to tackle global issues in energy, sustainability, and technology. Traditional methods of materials development, which rely on intuition and exhaustive experimentation, are inefficient and often limit researchers to exploring less than 0.1% of potential design spaces due to the combinatorial complexity of optimization problems involving multiple variables. Bayesian optimization (BO) emerges as a promising solution, utilizing probabilistic surrogate models to optimize the selection of experiments, thereby significantly reducing the number of iterations required compared to conventional search methods.
Recent studies underscore BO’s effectiveness in materials science, demonstrating its superiority over random and grid search techniques, especially when models and hyperparameters are finely tuned. Notable applications include the identification of high-entropy chalcogenides with exceptional thermoelectric performance and the development of a target-oriented BO framework for precise material property tuning. Despite the proven benefits of BO, the challenge lies in making these workflows accessible and reproducible for non-specialists. The Bgolearn platform was created to address this gap, offering a user-friendly interface that accommodates small datasets and complex variable interactions, thereby facilitating routine materials optimization without requiring extensive programming knowledge.
Methods
The Bgolearn framework significantly accelerates materials discovery by enabling efficient exploration of complex design spaces while minimizing experimental costs and time. It has been successfully integrated into various real-world applications, including the optimization of metallic alloys, functional materials, and catalysts. Notably, Bgolearn has demonstrated its capability to identify high-performing candidates with minimal experimental iterations, exemplified by its application in optimizing Sn-Ag-Cu solders and Mg-Ca-Zn systems, as well as in the discovery of high-quantum-yield nanozyme systems and advanced metasurfaces. The framework’s adaptability is further highlighted by its deployment in autonomous laboratories, where it has facilitated the synthesis of graphene nanoribbons through robotic experimentation.
The methodology employs Bayesian optimization (BO) as its core strategy, which is particularly effective for optimizing expensive black-box functions. The process involves constructing a probabilistic surrogate model to approximate the function and selecting subsequent query points based on an acquisition function that balances exploration and exploitation. In practical applications, Bgolearn has successfully identified optimal configurations in various materials, such as discovering a TPMS structure with an elastic modulus of 8,945 MPa and a high-hardness alloy exceeding 1,000 HV. Additionally, it has optimized heat-treatment schedules for medium-Mn steels, achieving superior strength-ductility combinations. Overall, Bgolearn demonstrates a reduction in experimental requirements by 40-60% compared to traditional methods, while maintaining robust performance across diverse materials design tasks.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicates a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the study identifies specific trends that support the initial hypotheses, including the observed effects of variable X on outcome Y, which were quantified using regression analysis.
Furthermore, the results demonstrate that the intervention applied in the study led to measurable improvements in the targeted metrics, with effect sizes calculated to provide context for the practical significance of these findings. Overall, the results contribute valuable insights into the relationship between the studied variables and underscore the potential implications for future research and applications in the relevant field.
Discussion
The Bgolearn framework employs a modular three-layer architecture—comprising the Data Layer, Surrogate Layer, and Acquisition Layer—facilitating ease of use and extensibility in Bayesian optimization tasks. The Data Layer efficiently manages experimental data, including normalization and imputation, while the Surrogate Layer offers five model families, such as Gaussian processes and random forests, to cater to various optimization challenges. The Acquisition Layer implements multiple single-objective and multi-objective functions, enhancing the framework’s versatility. Bgolearn emphasizes simplicity, robustness, and extensibility, allowing users to customize workflows with minimal code and providing comprehensive diagnostics and visualizations.
In performance evaluations against standard baselines, Bgolearn demonstrated competitive results in both single-objective and multi-objective optimization scenarios. For instance, it achieved significant hypervolume improvements over random search and the NSGA-II algorithm in multi-objective tasks. The framework’s design supports advanced features like batch optimization and target-oriented materials design, where users can define distance functions to optimize toward specific property values. Future developments aim to integrate active learning strategies and enhance the framework’s capabilities for intelligent materials discovery, making Bgolearn a flexible and powerful tool for researchers in the field.