1. 实验优化工程的问题定义与机器学习角色

实验优化工程的核心任务，是在有限的实验预算下，找到一组决策变量取值，使目标变量尽可能接近期望，同时满足工艺、设备、安全与成本约束。它与传统“做几次实验看结果”最大的区别在于：每一次实验都被视为一次有代价的信息采集，优化过程既要追求性能提升，也要控制不确定性。机器学习在这里不是替代实验，而是把实验数据变成可预测、可搜索、可量化的决策依据。

一、把实验问题写成可计算的优化问题

任何实验优化问题都可以先抽象为四个要素：决策变量、目标变量、约束条件和噪声来源。决策变量是实验者可以主动设定的量，例如反应温度、催化剂配比、进料速率、pH值、保温时间；目标变量是希望最大化或最小化的量，例如产率、纯度、能耗、缺陷率、平均粒径。约束条件分为硬约束与软约束：硬约束如温度不得超过设备上限、配比总和必须为100%、某原料库存有限；软约束如成本尽量低、实验次数尽量少。噪声来源则包括测量误差、原料批次差异、环境波动、操作者差异以及未观测到的隐变量。

以某催化反应为例，设决策变量为温度 T（60～120 ℃）、催化剂负载量 L（1～5 wt%）、反应时间 t（30～180 min），目标为产率 Y（%），约束为 T ≤ 120 ℃ 且 L + 助剂比例 = 5 wt%。若直接采用网格搜索，每个变量取5个水平就需要125次实验；若每个水平取10个点，则达到1000次。实验预算通常只有20～50次，因此必须用更聪明的采样与建模策略。

二、机器学习在实验优化中的三个定位

代理建模：用高斯过程、随机森林、梯度提升树或神经网络，从已有实验数据中学习 f(x) 的近似。代理模型的价值在于，它能在未做实验的点上给出预测均值和不确定度。对于20～50个样本的小数据集，高斯过程通常比深度网络更合适，因为它自带方差估计，且对超参数不敏感。

搜索加速：在代理模型上运行贝叶斯优化、进化算法或梯度下降，快速筛选出“最有希望”的候选点。搜索过程不消耗实验资源，只消耗计算资源。典型做法是每轮用采集函数选1～3个点做实验，再把结果回填到数据集，更新代理模型。

不确定性量化：实验优化最怕“看起来好但不可复现”。机器学习通过预测方差、置信区间和交叉验证误差，帮助判断某个推荐点是“确定好”还是“碰巧好”。若某点预测均值高但方差极大，应优先补做重复实验，而不是直接放大生产。

三、闭环流程中的关键判断

闭环流程不是“建模—推荐—做实验”的机械循环，而是包含若干判断节点。第一，初始实验设计：若对体系几乎无先验知识，可用拉丁超立方或最大最小距离采样，保证空间覆盖；若有历史数据，应优先复用并检查其变量范围与当前目标是否一致。第二，模型验证：用留一法或k折交叉验证计算预测误差，若 R² 低于0.6 或均方根误差大于目标变量标准差的30%，说明模型不可信，应补充实验或更换模型形式。第三，推荐点审核：检查推荐点是否落在约束边界内、是否与已有实验点过近、是否具备可操作性。第四，结果回填：记录实际执行条件与观测值，若实际条件偏离推荐值超过5%，应在数据集中标注为“条件偏移”，避免污染模型。

以一个20次预算的催化实验为例：先用拉丁超立方做8次初始实验，得到产率范围42%～78%；用高斯过程拟合后，EI采集函数推荐第9个点 T=95 ℃、L=3.2 wt%、t=120 min，预测均值81%、标准差4.5%；实际做出来产率79%，与预测偏差2个百分点，在置信区间内。继续迭代到第16次时，最优产率稳定在86%附近，连续3轮提升小于1%，触发停止条件。此时应做2次重复实验验证最优点的重现性，若重复实验标准差小于2%，则可认为该点可靠。

四、常见误区与规避方式

第一个误区是把噪声当成真实信号。若测量重复性标准差为3%，而两批实验差异只有2%，就不能断定工艺改进有效。第二个误区是忽略约束导致推荐点不可执行。例如模型推荐 T=135 ℃，但设备上限为120 ℃，该点必须截断或重新搜索。第三个误区是用训练误差代替泛化误差。代理模型在已做实验点上误差极小是正常的，关键要看未做点的预测能力。第四个误区是过早停止。若预算允许，应在最优区域附近增加3～5个验证点，确认不是局部最优。

机器学习在实验优化工程中的角色可以概括为：把“试错”变成“有信息指导的迭代”。它不保证一次找到全局最优，但能在有限实验次数下，系统性地降低不确定性、提高命中率，并让每一次实验的结果都能被后续决策复用。