DASH：面向自动贝叶斯优化的解耦式自适应代理模型—采集函数框架
原标题:DASH: Decoupled Adaptive Surrogate - Acquisition Harness for Automated Bayesian Optimization
AI 导读
DASH提出一种面向LLM增强自动贝叶斯优化的解耦框架：按预测可靠性、校准度和排序一致性选择代理模型，并通过两阶段控制器动态分配采集函数配额，再由LLM完成候选决策。结合知识引导的热启动与结构化记忆后，论文在四项化学优化任务上报告了相对最佳AutoBO基线12.51%的轨迹加速因子提升和5.00%的终点增强因子提升。
为什么值得读
AutoBO的关键瓶颈从“联合挑选组件”转向代理可靠性与采集策略分工，且论文给出了化学优化中的量化增益与污染检查结果。
深度解读
发生了什么
**原始事实：**论文提出DASH（Decoupled Adaptive Surrogate-Acquisition Harness），用于LLM增强的自动贝叶斯优化。它将代理模型选择与采集函数适配拆开处理，并加入知识引导热启动和结构化记忆。
核心技术
**原始事实：**DASH依据预测可靠性、不确定性校准和排序一致性选择代理模型。采集函数部分采用两阶段控制器，定期重新分配不同采集函数的配额，生成BO候选短名单，再交由LLM完成最终选择。
关键证据与数字
**原始事实：**在四项化学优化任务中，论文报告DASH相较最佳AutoBO基线，轨迹级Acceleration Factor提高12.51%，终点Enhancement Factor提高5.00%。摘要还称，跨不同LLM骨干模型的结果保持较强，并通过消融实验验证各组件的互补贡献；完整表格和行为污染检查未发现直接基准记忆或源单元泄漏可解释这些增益。
为什么重要
**分析：**代理模型关注“预测是否可信”，采集函数关注“当前优化阶段如何探索或利用”，两者的评价目标并不相同。DASH的解耦设计为AutoBO提供了更清晰的控制接口，也使失败诊断能够分别定位到建模可靠性或决策策略。
实际影响
**分析：**在实验成本高、反馈稀疏且领域知识重要的化学优化中，知识热启动和结构化记忆可能减少冷启动浪费。工程上，该框架还提示应分别记录代理模型评估、采集函数配额变化、LLM候选选择和实验反馈，而不是只保留最终实验轨迹。
局限与不确定性
**原始事实：**摘要仅说明评估覆盖四项化学优化任务，并未给出任务名称、数据规模、基线细节、统计方差、运行成本或LLM调用预算。**分析：**当前证据尚不足以判断收益能否迁移到非化学任务、真实湿实验或更高维搜索。**未经证实推断：**LLM最终选择可能对提示模板、候选排序和记忆格式敏感，需要正文中的稳健性实验确认。
原始来源
- arXiv 摘要页
- 论文标题：DASH: Decoupled Adaptive Surrogate - Acquisition Harness for Automated Bayesian Optimization
- arXiv ID：2608.00641
- 发布信息：2026-08-01T12:53:34.000Z