10、生物分子计算中的人工实验者与生命规则B2/S2345的计算实现

生物分子计算中的人工实验者与生命规则B2/S2345的计算实现

人工实验者的实验选择

在生物分子计算的研究中，人工实验者的实验选择是一个关键环节。实验选择作为人工实验者的主动学习部分，其目标是探索实验参数空间，发现假设未涵盖的行为，同时寻找证据来区分相互竞争的假设。这就涉及到一个探索 - 利用的权衡问题，即需要在探索新的实验参数区域和获取信息以阐明假设之间的差异这两者之间自动取得平衡。

当使用特定的假设提出方案时，如果对观测的有效性存在不同观点，假设之间往往会出现分歧。若观测的差异是由于观测无效导致的，实验选择方法应深入调查这种差异，识别出错误原因，然后继续在其他地方进行搜索。但如果差异是因为假设未能准确模拟潜在行为，而观测本身是有效的，那么就需要进行更多实验来捕捉这种行为。

原型方法采用了一种探索策略，即尽可能将实验安排在与先前实验距离最远的地方。对于每个提议的实验，使用欧几里得距离函数计算其与任何先前进行的实验的最小距离：
[ζ(x) = \min_{x’ \in X} |x - x’|]

为了确定差异，原型方法会将实验安排在假设预测方差最大的地方。这里的方差计算会根据每个假设的置信度进行加权，以避免弱假设对决策产生过大影响：
[ξ(x) = k \sum_{i=1}^{N} C(h_i) (\hat{h}_i(x) - μ^*)^2]

为了将探索和利用策略联系起来，该方法将上述两个评估的归一化值相加。以下是原型实验选择策略，其中超参数 Γ 控制着对探索和利用的偏好：
[x_{perform} = \max_{x \in X} \left(\frac{Γζ(x)}{\max_{t \in X} ζ(t)}