技术摘要：自主科学控制中的测量-接入风险前沿

问题陈述

自主科学（如机器人实验室、自动驾驶材料平台）的快速规模化受到的限制，不仅在于算法效率或计算能力，更在于一个平台在采取行动之前能够观测到什么的物理极限。当前的贝叶斯决策理论、主动学习和实验设计框架通常假设观测模型已经给定。然而，它们往往未能解决上游的架构问题：目标相关的记录流是否能在采取行动之前在物理上生成？

物理仪器对带宽、延迟、内存、成本和扰动（反作用力）施加了硬性约束。这些约束意味着某些目标相关的变量（例如隐藏的相位状态、试剂老化、潜在作用力）可能无法被观测。本文指出，如果一个目标相关变量不存在于可行的自主记录集合中，那么无论多少计算或策略优化都无法消除由此产生的决策不确定性。这导致了一个“无免费自主”的极限：自动化无法仅通过计算来消除决策不确定性。

方法论：物理可达决策（Physically Accessible Decision-Making, PADM）

本文引入了物理可达决策（PADM）框架，该框架构建了一个测量-接入风险前沿。该前沿定义了在特定物理约束 $\Lambda$（包括成本、带宽、延迟、扰动、内存和执行限制）下，实现的最优贝叶斯目标风险。

核心公式

1. 系统定义：系统由环境状态 $S$、生成记录 $Y$ 的观测架构、将 $Y$ 映射到动作 $a$ 的策略 $\pi$，以及损失函数 $\ell(a, S)$ 组成。
2. 可行记录：可行自主记录集 $Y_{acc}^{auto}(\Lambda)$ 仅包含在约束 $\Lambda$ 下物理上可实现的记录生成耦合和反馈回路。
3. 风险前沿：自主风险前沿定义为：
   $$R^*_{auto}(\Lambda) = \inf_{Y \in Y_{acc}^{auto}(\Lambda)} \inf_{\pi \in P_{adm}(Y)} E[\ell(\pi(Y), S)]$$
   这代表了任何物理可行的记录和控制器所能达到的最佳可能风险。
4. 投影恒等式：在二次损失下，最优动作是条件期望 $E[T|Y]$。残余风险是目标分量在记录上的正交部分（方差）：$E[(T - E[T|Y])^2]$。
5. 审计工作流：该框架提出了一个审计过程（算法 1），用于：
   • 盘点行动前记录 ($Y_A$)。
   • 估计自主风险 ($R_A$) 和基于理想参考的预言机风险 ($R_{or}$)。
   • 计算预言机差距 $\Gamma_{or} = R_A - R_{or}$。
   • 评估候选审计通道 ($Y_j$) 是否能在行动前减少目标特定的风险（即是否改变了贝叶斯投影）。

核心贡献

1. “无免费自主”定理

本文确立了定理 1（自主记录风险底限）：对于任何目标 $T$ 和在行动前可用的记录 $Y_A$，任何控制器动作 $a(Y_A)$ 的风险都受到 $T$ 在 $Y_A$ 上投影后的残余方差的下界限制。

• 含义：如果一个决定目标的变量不在 $Y_A$ 中，则无论控制器的复杂程度如何，风险都无法降低到投影底限以下。
• 推论：限制行动前的记录无法改善最佳可达的贝叶斯风险。只有当其可行记录族包含一个测量充分的记录时，自动化才是与预言机等效的。

2. 测量-接入风险前沿

本文将前沿定义为一个物理边界，而非算法基准。它区分了：

• 扩展架构差距：当前前沿与放宽约束或增加通道后的前沿之间的差异。
• 预言机差距：当前前沿与暴露所有目标相关变量的理想参考之间的差异。
• 测量充分性：如果预言机差距低于任务特定的容差 $\epsilon$，则认为该架构是充分的。

3. 操作审计框架

本文提供了一个用于审计自主系统的具体工作流（算法 1）。这包括：

• 识别当前记录中缺失的潜在模式（例如隐藏的作用力、相变）。
• 量化添加互补通道的“目标特定审计增益”。
• 决定是扩大传感范围、减慢操作速度、设置阶段性循环，还是根据成本和风险降低情况限制自主领域。

结果与基准测试

本文通过三个极简基准和一个化学感知压力测试验证了该框架：

1. 监测反馈（隐藏作用力）：

   • 场景：一个受控振荡器，控制器观测位移，但存在一个隐藏的环境力会改变符号。
   • 结果：仅基于位移的反馈无法追踪快速切换的作用力。一个具有有限带宽的辅助线索（噪声力测量）可以恢复部分缺失的投影，从而降低动态误差。本文绘制了平台是充分的，还是需要更清晰/更快的传感或更慢的操作的区域图。

2. 隐藏机制定理基准：

   • 场景：目标 $T = \beta z x$，其中 $x$ 是可见的，而 $z \in \{-1, +1\}$ 是隐藏的机制。
   • 结果：即使完美测量 $x$，自主风险底限也非零，因为符号 $z$ 是缺失的。一个可靠性为 $p$ 的互补线索仅在 $p > 0.5$ 时才能降低风险。对 $x$ 进行冗余传感没有增益；只有获取隐藏方向的信息才有效。

3. 成本感知基准：

   • 场景：感知隐藏方向是可能的，但成本高昂。
   • 结果：最优策略在后验风险降低与传感成本之间进行权衡。风险降低需要目标相关的物理相关性，而不仅仅是“免费”的信息。

4. 化学感知候选排序审计：

   • 场景：一个从头设计分子的工作流，根据描述符对候选分子进行排序。
   • 结果：仅基于描述符的排序未能拒绝一个脱节的“酚类+乙酰胺”伪影，使其排在真正的目标（对乙酰氨基酚）之前。引入包含化学特定检查（净化、价态、禁忌子结构）的审计记录后，成功拒绝了该伪影并找回了真实目标。这表明审计通道必须改变目标排序或留存风险才具有价值。

意义与主张

本文声称引入了第一个在物理测量接入、自主科学控制和部署前审计交汇处的架构级贝叶斯风险框架。

• 视角转变：新颖之处不在于贝叶斯投影恒等式本身（这是经典的），而在于将其应用于受限的测量架构，以定义物理接入界限。
• 实际效用：该框架可作为自主系统的“飞行前检查”。它允许实验人员在部署前确定其当前的传感架构是否能支持目标，或者是否必须扩大传感范围、容忍扰动、放慢循环或限制操作领域。
• 研究范围：本文明确指出，这些界限适用于已知模型的、贝叶斯最优的设置。它并不声称解决有限样本误差、模型误设定或学习表示失败的问题，并指出这些是独立的计算限制，只能增加实际风险。演示内容均为分析性、合成性或确定性的压力测试，旨在验证投影逻辑和风险底限，而非验证特定的分子合成结果。

总之，本文认为自动化无法仅通过计算来消除决策不确定性；缩小自主性能与目标需求之间的差距，需要扩展物理接入、审计或操作约束。