腾讯会议ID：847-524-491

会议密码：1015

主持人：蔡云麒 副研究员

联系人：傅琦 (fuqi@iphy.ac.cn)

摘要：
自驱动实验室的核心是“设计—实验—观测—更新—决策”的闭环，决策算法能否高效地选择下一步实验是影响闭环运行效率的重要因素。在实验成本高、数据有限且存在操作约束的条件下，如何选择有价值的实验，并有效利用专家知识，是构建自动化实验闭环的关键问题。本报告围绕数据高效的序贯决策，介绍连接数据、模型与专家的研究探索。首先，介绍受约束贝叶斯实验设计方法，通过结合离线学习与在线多步规划，在预算与操作约束下提高信息获取效率。其次，以化学合成路线评价为例，展示如何结合大规模文献数据与少量专家标注，改善模型与专家可行性判断的一致性。随后，简要介绍人机共适应辅助决策的进展，探讨如何从交互反馈中理解专家的目标与认知，把科学家建模为一个自适应的参与者，使自动化系统与人类判断相互补充。最后，讨论如何整合上述模块，形成面向自驱动实验室的闭环验证路径，展望一个科学发现日益闭环化、自动化、AI 与科学家高效协同的未来。

报告人简介：
郭语佳，芬兰阿尔托大学（Aalto University）计算机科学系概率机器学习组博士研究生，芬兰 ELLIS 研究所（ELLIS Institute Finland）成员，导师为 Samuel Kaski 教授，预计 2027 年初毕业。本科毕业于东北大学计算机科学专业，硕士毕业于阿尔托大学计算机科学专业。研究方向为贝叶斯实验设计、摊销推断、序贯决策与主动学习，以及不确定性感知的AI系统，应用领域以药物发现与逆合成规划为主，与阿斯利康（AstraZeneca）Molecular AI部门合作。研究成果以第一作者发表于 ICML，并有合作工作发表于 NeurIPS。