问题:工艺窗口靠人肉试错,成本高周期长
化工研发里,一个缩合或催化反应往往要同时调温度、配比、催化剂用量、停留时间四五个连续变量。组合爆炸让网格搜索不可行,老师傅凭经验单因素轮换又慢又容易陷入局部最优。贝叶斯优化的思路是:把每次实验当作带噪声的观测,用代理模型(高斯过程 / TPE)预测哪组参数最有可能刷新产率,主动挑选信息量最大的下一组去试,用更少的实验找到工艺窗口。
第一步:把实验目标定义为可最小化的黑箱
Optuna 把找最优抽象成 study 加 trial。我们定义目标函数,输入 trial 建议的参数,返回负产率(Optuna 默认最小化)。下面用一个两变量(温度 60 至 120℃、主辅料摩尔比 0.8 至 1.6)的示意反应建模:
import optuna
def objective(trial):
temp = trial.suggest_float('temp', 60, 120) # 反应温度 ℃
ratio = trial.suggest_float('ratio', 0.8, 1.6) # 主辅料摩尔比
# 这里用经验曲面代替真实实验;上线应替换为真实小试 / 中试产率回报
yield_rate = -((temp - 95) ** 2) / 400 - ((ratio - 1.2) ** 2) / 0.5
return -yield_rate # Optuna 最小化,故取负产率
study = optuna.create_study(direction='minimize')
study.optimize(objective, n_trials=40)
print('最优参数:', study.best_params)
print('最高产率: %.1f%%' % (-study.best_value * 100))
提醒:生产环境切勿用经验曲面直接决策,objective 内部必须接真实实验回报(小试 / 在线分析仪 / 色谱产率)。贝叶斯优化只负责建议下一组该试什么,样本依旧来自真实反应。
第二步:加约束与早停,避免建议出不可行参数
实际反应有安全与设备边界:温度不能超过反应釜耐温、配比受加料精度限制。可用约束或剪枝剔除明显不可行区域;对早期明显低产的分支,启用 MedianPruner 提前终止,节省实验批次:
import optuna
def objective(trial):
temp = trial.suggest_float('temp', 60, 120)
ratio = trial.suggest_float('ratio', 0.8, 1.6)
yield_rate = -((temp - 95) ** 2) / 400 - ((ratio - 1.2) ** 2) / 0.5
# 约束:温度超过 110℃ 视为接近设备上限,回报大幅压低
if temp > 110:
yield_rate -= 5
return -yield_rate
study = optuna.create_study(
direction='minimize',
pruner=optuna.pruners.MedianPruner(n_startup_trials=5)
)
study.optimize(objective, n_trials=60)
第三步:并行与可视化,把优化搬进研发例程
当多条反应线并行时,可用 Optuna 的持久化(SQLite / Journal)让多次实验共享同一份寻优历史;Optuna 自带的 plot_contour、plot_optimization_history 能直观看到工艺窗口收敛过程,便于向研发负责人汇报。对更大规模,可切换到多进程或 CmaEsSampler 配合并行实验排程。
把这套方法嵌进小试、中试、放大的研发闭环,企业可以把原本靠经验拍脑袋的工艺摸索,变成有记录、可复现、能持续累积数据的工程流程。上邦在化工研发数据治理与私有化 AI 平台上有配套实践,若团队希望把实验记录、配方版本与优化结果统一管理,可对照其方案核对自身清单。
参考来源
Optuna 官方文档(采样器与剪枝器) - optuna.readthedocs.io;scikit-learn 官方文档(高斯过程回归作为代理模型) - scikit-learn.org。