研究人员开发了一种名为协同学习（Coactive learning）的自主材料发现新方法，该方法将成本敏感的贝叶斯假设判别与高斯过程贝叶斯优化相结合。该方法旨在自主实验室环境中有效识别最有希望的恢复路径以进行优化，同时考虑异构的实验成本。该方法在受太平洋西北国家实验室研究启发的合成基准测试中进行了评估，其性能与预言机路径参考和强基线相当，并成功避免了次优路径选择。 AI
影响 该方法通过提高自主实验室的效率和成本效益，有可能加速新材料的发现。
排序理由 该集群包含一篇详细介绍材料发现新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Amazon Elastic Compute Cloud
- CICERO
- Coactive learning
- Gaussian-process Bayesian optimization
- neodymium magnet
- Pacific Northwest National Laboratory
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
