基于贝叶斯优化的开放式任务发现

将贝叶斯优化应用于科学工作流时，任务本身（即优化目标与评估方式）的不确定性常被忽视，且随证据积累而演变。本文提出“生成 - 选择 - 精炼”（GSR）开放式贝叶斯优化框架，交替进行任务生成与优化。从用户提供的种子任务出发，GSR 以由粗到细的方式生成新任务，并利用任务获取函数调度优化过程。理论上，该方法渐近集中于最优任务评估，相较于单任务贝叶斯优化仅产生对数级遗憾开销。在新产品开发、化学合成放大、算法分析及专利复用等场景中，GSR 表现优于现有基于大语言模型的优化器。