人类参与元贝叶斯优化：加速核聚变等科学发现的新框架
核聚变被认为是未来清洁能源的理想方案，但高昂的实验成本和稀缺的数据机会长期制约着其研究进展。近期，一篇被 IJCAI 2026 收录的论文提出了 人类参与元贝叶斯优化（HL-MBO） 框架，旨在通过融合专家知识与少量样本、不确定性感知的机器学习，加速数据稀缺、高风险科学领域的发现。
核心思路：让专家成为优化过程的一部分
传统的贝叶斯优化（BO）在实验设计中被广泛使用，但在核聚变等场景中，纯数据驱动的模型常因样本不足而难以给出可靠建议。HL-MBO 的突破在于引入了 元学习代理模型，该模型能够从以往的任务中学习先验知识，从而在仅有少量新数据时快速适应。同时，框架设计了一种 专家知情采集函数，允许研究人员将领域知识直接融入候选实验的推荐过程，使优化方向更符合物理直觉。
更关键的是，HL-MBO 不仅给出推荐，还会提供 可解释的说明，帮助科学家理解模型为何选择某个实验参数。这种“人机协同”的设计增强了用户对模型的信任，并在决策中保留人类的最终判断权。
实验验证：超越现有方法
研究团队在多个基准任务上测试了 HL-MBO 的性能：
- 惯性约束聚变（ICF）能量产额优化：HL-MBO 显著优于当前最先进的贝叶斯优化方法，在有限实验次数内找到了更高产额的参数组合。
- 分子优化：在分子性质优化任务中，HL-MBO 同样表现突出，证明了其跨领域的通用性。
- 超导材料临界温度最大化：对于材料科学中的典型问题，HL-MBO 能有效缩小搜索空间，加速找到高临界温度的材料候选。
这些结果说明，当专家知识与元学习相结合时，即使在数据极度匮乏的领域，也能取得比纯数据驱动方法更好的优化效果。
对 AI 与科学交叉领域的启示
HL-MBO 的提出反映了当前 AI for Science 的一个重要趋势：不再追求完全自动化的“黑箱”优化，而是构建可交互、可信任的决策辅助系统。在核聚变、药物发现、材料设计等高成本领域，专家的经验往往是宝贵的先验信息，而模型则能处理高维参数空间的复杂映射。两者的结合有望大幅降低试错成本，加速从理论到实验的循环。
当然，HL-MBO 仍面临一些挑战，例如如何高效地获取和编码专家知识、如何保证元学习模型在新任务中的泛化能力等。但作为首个在 ICF 优化中引入人类参与元贝叶斯优化的框架，它为后续研究提供了重要的基线和方法论基础。