综述：贝叶斯优化在聚合物建模中的应用：从粗粒化基础到自主逆向设计

《Macromolecular Theory and Simulations》：Bayesian Optimization in Polymer Modeling: From Coarse-Graining Foundations to Autonomous Inverse Design

粗粒化（CG）力场参数化是聚合物大尺度模拟的关键，但面临高维参数、多目标优化和噪声干扰等挑战。贝叶斯优化（BO）通过高斯过程建模和采集函数高效探索参数空间，可量化不确定性并降低计算成本。该框架已成功应用于电解质、嵌段共聚物和环氧树脂的CG模型开发，并整合机器学习方法提升转移性。自主管道如SPACIER、RAPSIDY等进一步优化流程。未来需解决代理模型可扩展性、非稳态适应及多尺度/反应性系统扩展问题，BO有望成为自动化材料发现的核心工具。

　　

摘要

粗粒化（CG）对于在较大尺度上模拟聚合物至关重要，它解决了原子级分子动力学在计算上的局限性。然而，由于参数空间维度高、目标相互冲突以及固有的噪声问题，开发准确且可移植的CG力场仍然是一个巨大的挑战。本文强调了贝叶斯优化（BO）作为一种变革性的、数据驱动的框架，可以自动化CG力场的参数化过程。BO利用概率高斯过程代理和采集函数来高效地处理复杂的参数空间，减少昂贵的模拟次数，同时量化不确定性。我们综述了BO在CG模型开发中的应用，从单目标优化到多目标优化，以实现结构、热力学和动态特性的精确模拟，并提高在不同条件下的可移植性。关键应用实例包括电解质、嵌段共聚物和环氧树脂的CG模型，这些模型通常结合先进的机器学习技术来学习势能、最优映射和主动数据采集。我们还讨论了诸如SPACIER、RAPSIDY、CAMELOT和PAL 2.0等新兴的自动化流程，这些流程简化了逆向设计过程。最后，我们指出了一些持续存在的挑战，如代理模型的可扩展性、非平稳性问题的处理以及扩展到反应性/多尺度系统的问题，并将BO视为未来自动化材料发现的基石，加速新型聚合物材料的设计过程。

利益冲突

作者声明没有利益冲突。