疎でノイズの多い化学時系列データから解釈可能な支配方程式を抽出することは、離散的な反応トポロジーと連続的な速度論パラメータが密接に結合しているため、依然として困難である。Runzhe Liuらによる論文は、この課題に対処するために、物理制約と機械学習コンポーネントを統合したPC-MCMC-CIGPと呼ばれる再現可能なグレーボックスワークフローを提案している。この研究は2026年6月22日にarXivに投稿され、機械学習と人工知能の交叉領域に位置づけられている。
この手法の中心的な貢献は、新しいMCMCやガウス過程族を単独で提案することではなく、複数のコンポーネントを明示的な不確実性認識型の獲得選択を伴う物理制約ワークフローに統合することにある。具体的には、PC-MCMC-CIGPはスパイク・アンド・スラブのトポロジーサンプリング、硬い保存則と熱力学的スクリーニング、およびパラメータ較正と実験設計のための化学情報ガウス過程（CIGP）残差モデルを組み合わせている。この統合により、モデルは基本的な物理化学的制約を遵守しながら反応ネットワーク構造を探索できるため、推論の信頼性と解釈可能性が向上する。
H2 + Br2ベンチマークでは、制約付きサンプラーは素反応のラジカル経路と欺瞞的な現象論的フィットを首尾よく区別した。これは、この手法が表面的なデータフィットに惑わされることなく、より本質的な反応メカニズムを捉えられることを示している。スチレンエポキシ化反応では、CIGP最適化ループが報告されているGP-BOベースラインと比較して最終収率を12.5%向上させ、実際の化学最適化問題における有用性を実証した。
さらに、論文では新たに10シードの獲得関数研究を実施し、EI、GWU、PC-EI、不確実性サンプリング、不一致探索、ランダムサーチなどの異なる獲得戦略のトレードオフを比較している。研究の結果、PC-EIは低収率のベイズ最適化提案を大幅に削減する一方、EI系の基準は最終収率性能で最も強いことが示された。これらの結果は、実用的なアプリケーションにおける獲得関数の選択に重要な指針を提供する。全体として、この研究はデータ駆動型の反応ネットワーク発見のために、物理制約と不確実性定量化を組み合わせた体系的フレームワークを提供している。