Agentic-MatriBO: Capability-Compiled Agentic Bayesian Optimization for Materials and Chemical Design

📄 arXiv: 2610.17832v1 📥 PDF

作者: Yu Zeng, Yuchuan Chen, Ziyue Zhang, Zijian Wei, Yanyi Su, Guojiang Zhao, Hongshuai Wang, Zhifeng Gao

分类: cs.LG, cs.AI

发布日期: 2026-10-13

备注: 28 pages, 9 figures, supplementary information included

💡 一句话要点

提出Agentic-MatriBO以解决材料与化学设计中的优化问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 贝叶斯优化 材料设计 化学优化 能力编译 机器学习 实验设计 高保真模拟

📋 核心要点

  1. 现有的材料和化学优化方法在有限预算下选择合成和表征方案时面临兼容性和参数依赖性等挑战。
  2. 本文提出的Agentic-MatriBO框架通过将贝叶斯优化组件表示为可组合的能力，提升了优化过程的灵活性和效率。
  3. 实验结果显示，Agentic-MatriBO在四个任务中均表现最佳，尤其在COF数据集上实现了所有种子的最佳终点质量。

📝 摘要（中文）

材料和化学优化需要在有限预算下，从顺序观察中选择下一个合成、表征或高保真模拟。现有的大型语言模型虽然能够利用任务知识提出调整方案，但在构建代理、获取函数和搜索策略时受到兼容性、参数依赖性和证据要求的限制。本文提出了Agentic-MatriBO，一个能力编译的代理贝叶斯优化框架，将贝叶斯优化组件和选择条件表示为可组合的能力。该框架通过语言策略提出优化方案和候选计划，编译器检查提案与注册能力目录的匹配，确定性执行层验证并提交候选方案。研究内存中存储的Oracle观察结果为后续轮次提供信息。实验结果表明，Agentic-MatriBO在多个任务中表现优异，尤其在COF数据集上达到了最佳效果。

🔬 方法详解

问题定义：本文旨在解决材料和化学设计中的贝叶斯优化问题，现有方法在选择合成和表征方案时受到兼容性和参数依赖性的限制，导致优化效率低下。

核心思路：Agentic-MatriBO框架通过将贝叶斯优化的各个组件和选择条件表示为可组合的能力，允许灵活的优化策略生成和执行，从而克服现有方法的局限性。

技术框架：该框架主要包括三个模块：语言策略模块用于提出优化方案和候选计划，编译器模块用于检查提案与能力目录的匹配，执行层模块用于验证和提交候选方案。

关键创新：最重要的创新在于能力编译器的引入，使得优化过程中的各个组件能够灵活组合，显著提升了优化的适应性和效率。

关键设计：框架中关键的设计包括能力编译器的实现、确定性执行层的构建，以及研究内存的使用，以存储和利用Oracle观察结果来指导后续优化轮次。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在与八个基线模型的比较中，Agentic-MatriBO在四个离线有限候选池上表现最佳，尤其在COF数据集上实现了所有五个种子的最佳终点质量，并在累计质量上保持优势。其在BO阶段的最佳质量曲线下的标准化面积（nAUC-BO）在COF上显著高于其他方法。

🎯 应用场景

该研究的潜在应用领域包括新材料的开发、化学反应的优化以及高效的实验设计。通过提升材料和化学设计过程中的优化效率，Agentic-MatriBO有望在材料科学、化学工程等领域产生深远影响，推动新材料的快速发现与应用。

📄 摘要（原文）

Materials and chemical optimization must choose the next synthesis, characterization, or high-fidelity simulation from sequential observations under a limited budget. Large language models can use task knowledge to propose adjustments, but composing surrogates, acquisition functions, and search strategies is constrained by compatibility, parameter dependencies, and evidence requirements. We present Agentic-MatriBO, a capability-compiled agentic Bayesian optimization (BO) framework that represents BO components and selection conditions as composable capabilities. A language policy proposes BO recipes and candidate plans; a compiler checks proposals against the registered capability catalog; and a deterministic execution layer validates and commits candidates. Oracle observations are stored in research memory and inform later rounds. We compare Agentic-MatriBO with eight baselines on four offline finite candidate pools---COF, PCE10, Buchwald--Hartwig (BH), and Suzuki--Miyaura---using five seeds per condition; results are reported descriptively. Across the four tasks, Agentic-MatriBO has the best mean endpoint quality after orienting each objective so that higher is better. On COF, it reaches the tabulated optimum in all five seeds both in the end-to-end comparison and after shared initialization, where it also retains an advantage in cumulative quality. Its normalized area under the best-so-far quality curve during the BO stage (nAUC-BO) is substantially higher on COF, near parity with the best baseline on PCE10 and BH, and lower on Suzuki. COF ablations show that removing the capability compiler or evidence gate coincides with lower cumulative quality and fewer exact-optimum hits. The framework provides an inspectable interface for evidence-conditioned BO adaptation.