L'apprendimento coattivo ottimizza i percorsi di scoperta autonoma dei materiali

Una nuova tecnica nota come apprendimento coattivo combina la discriminazione bayesiana delle ipotesi sensibile ai costi con l'ottimizzazione bayesiana basata su processi gaussiani per determinare il percorso di recupero ottimale nei laboratori autonomi di scoperta dei materiali. Questo metodo affronta una sfida decisionale sequenziale, caratterizzata da una fase discreta per l'identificazione del percorso e una fase continua per l'ottimizzazione all'interno di tale percorso, tenendo conto dei diversi costi sperimentali. Date specifiche ipotesi, la spesa prevista per una singola campagna a budget fisso è limitata ai costi attesi di identificazione del percorso più il budget definito per l'ottimizzazione. La tecnica è stata testata su benchmark sintetici basati su risultati selezionati dello studio di precipitazione selettiva CICERO del PNNL (Ritchhart et al., 2026) e ha mostrato prestazioni paragonabili a un riferimento di percorso oracle.