Naukowcy zaprezentowali metodę PC-MCMC-CIGP, którą łączy Monte Carlo oparte na próbkowaniu topologii z procesami Gaussowskimi informowanymi wiedzą chemiczną. Problem, który rozwiązują, to ekstrakcja interpretacyjnych równań z rzadkich, szumnych danych czasowych serii chemicznych, gdzie topologia dyskretnych reakcji i parametry kinetyki są ściśle ze sobą powiązane.
Wkład metodologiczny stanowi nie nowe rodziny algorytmów MCMC czy procesów Gaussa w izolacji, lecz ich integracja w przepływ pracy z fizycznymi ograniczeniami. Podejście uwzględnia zachowanie energii, ograniczenia termodynamiczne i jawnie kontroluje niepewność przy wyborze strategii optymalizacyjnych. Na benchmarku H2 + Br2 ograniczony próbkowacz odróżnia rzeczywiste ścieżki radykałów od oszukańczych pasowań fenomenologicznych. W praktycznym zastosowaniu do epoksydacji styrenu pętla optymalizacyjna CIGP ulepszę ostateczną wydajność o 12,5% w porównaniu z poprzednią linią bazową opartą na procesach Gaussa.
Nowe badanie z dziesiętcioma niezależnymi przebiegami pokazuje, że różne kryteria akwizycji - Expected Improvement (EI), Generalized Weighted Uncertainty (GWU), constraint-aware PC-EI, próbkowanie niepewności, łowienie rozbieżności i losowy wybór - mają różne kompromisy. PC-EI znacznie zmniejsza propozycje niskowydajne, podczas gdy kryteria wzorowane na EI osiągają najlepszą ostateczną wydajność. Wynik ten jest ważny dla chemii obliczeniowej i optymalizacji eksperymentalnej, gdzie precyzyjne odróżnianie rzeczywistych mechanizmów od artefaktów pomiarowych ma znaczenie dla rozwoju nowych procesów chemicznych.