13万+ 下载!港科大(广州)张统一院士团队打造开源 AI 科研平台,让人工智能开始决定“下一步做什么实验”

近日，中国科学院院士、香港工程科学院院士、香港科技大学（广州）功能枢纽先进材料学域讲座教授张统一团队联合上海大学、伦敦大学学院等全球多家科研机构，共同研发的统一贝叶斯优化平台 Bgolearn 取得重要进展。该平台旨在解决材料科学中"如何用最少实验找到最优材料"的核心难题，相关成果已发表于 Nature 旗下期刊 《npj Computational Materials》。       

近年来，贝叶斯优化（Bayesian Optimization，BO）逐渐成为国际 AI for Science 领域的重要基础方法。不同于传统机器学习关注"预测已有数据"，贝叶斯优化更加关注一个科研中真正关键的问题：下一步最值得做哪个实验？

它能够利用已有实验数据建立概率模型，同时评估模型的不确定性，在"探索未知区域"和"利用已有高性能区域"之间进行动态平衡，以尽可能少的实验找到最优方案。

尽管贝叶斯优化发展迅速，但对于大多数科研人员而言，它仍然是一项"听说过，却很难真正用起来"的技术。目前国际上已有 BoTorch、GPyOpt、PHYSBO 等多个贝叶斯优化工具，但普遍存在学习门槛较高、需要较强机器学习背景、软件接口复杂、算法配置繁琐等问题。如何让贝叶斯优化真正成为广大科研人员都能够使用的科研工具？这是香港科技大学（广州）张统一院士团队长期关注的问题。

近日，香港科技大学（广州）张统一院士团队联合上海大学、香港城市大学、上海交通大学、悉尼大学、哈尔滨工业大学（深圳）、苏州实验室、西安交通大学、美国 AiMaterials Research、伦敦大学学院等国内外科研机构，共同研发了统一贝叶斯优化平台 Bgolearn，相关成果发表于 Nature Portfolio 旗下 npj Computational Materials。

论文题目：Bgolearn: A unified Bayesian optimization framework for accelerating materials discovery

第一作者为香港科技大学（广州）2026届博士毕业生曹斌，张统一院士（港科广，上海大学）、熊杰助理研究员（上海大学）、惠健副研究员（苏州实验室）、Turab Lookman教授（AiMaterials Research）以及汪军教授（伦敦大学学院）共同担任通讯作者。

不只是算法，更是一款真正能用的科研产品

为了降低贝叶斯优化的使用门槛，Bgolearn采用模块化软件架构，集成了单/多目标贝叶斯优化、Gaussian Process等多种代理模型、Expected Improvement等多种采集函数及图形化操作界面 BgoFace。科研人员无需深入掌握复杂算法，即可快速构建完整优化流程；同时平台还能自动生成对应 Python 代码，兼顾科研易用性、可重复性与可扩展性。

对于科研软件而言，真正的影响力不仅来自论文发表，更来自越来越多科研人员将其作为日常科研工作的基础工具。自开源发布以来，Bgolearn持续迭代更新，逐渐成长为贝叶斯优化领域具有代表性的开源平台之一。

全球科研社区的共同选择

130,000+

累计下载量

(截至2026年7月)

目前，Bgolearn已被国内外众多高校、科研院所和企业应用于材料设计、实验优化、主动学习、多目标优化以及自主实验等研究工作，支撑了合金设计、催化材料、能源材料、超材料、生物材料等多个研究方向，并持续被越来越多科研论文和开源项目采用，逐步形成覆盖算法、软件、文档、案例和开发者社区的开放生态。

未来Bgolearn将继续围绕主动学习、多目标优化、人机协同决策、自主实验室以及AI Agent等方向持续发展，进一步构建覆盖"实验设计—实验执行—数据分析—知识发现"的智能科研工作流，为全球科学研究提供更加开放、可靠、易用的科研基础软件。团队希望，Bgolearn不仅是一篇论文、一套算法，更能够成长为面向全球科学社区持续演进的开放平台，让更多科研人员能够方便地利用人工智能开展科学发现，加速新材料研发与工程优化。

📄 论文与资源信息

论文标题：Bgolearn: A unified Bayesian optimization framework for accelerating materials discovery       

论文地址：https://www.nature.com/articles/s41524-026-02226-3

GitHub代码：https://github.com/Bin-Cao/Bgolearn

用户手册：https://bgolearn.readthedocs.io/