DASH：自动贝叶斯优化中解耦的自适应代理与采集Harness

基于贝叶斯优化（BO）的自动贝叶斯优化（AutoBO）通过在线适应BO组件来解决任务和优化阶段的差异性。然而，现有的AutoBO方法要么单独适应一个组件，导致其他组件与之不匹配，形成瓶颈，要么联合选择共享标准的surrogate和acquisition，忽视了它们各自的角色：surrogate的选择依赖于预测可靠性，而acquisition的适应性应根据campaign的上下文。在这项工作中，我们提出了DASH，一种用于大语言模型（LLM）增强的AutoBO的解耦式适应性surrogate和acquisition代理。DASH通过预测可靠性、不确定性校准和排名一致性来选择surrogate，其两阶段的acquisition控制器定期分配quotas给acquisition functions，从而构建BO短列表，并将最终选择权交给LLM。DASH还整合了一个集成代理，包括知识引导的预热和结构化的记忆，以将优化置于领域知识和累积反馈的基础上。在四个化学优化任务上，DASH在加速因子的轨迹级上优于最佳的AutoBO基准12.51%，在终点增强因子上优于最佳的AutoBO基准5.00%。结果在LLM后端上保持强劲，且消融实验验证了所有组件的互补贡献。全表和行为污染检查发现，直接基准记忆或源细胞泄露无法解释这些改进。