面向基于模型设计的自动聚焦预测器

基于摘要分析。本文研究蛋白质、小分子和材料等对象的数据驱动设计：当设计算法不断搜索训练数据覆盖范围之外的候选对象时，是否应在没有新增实验数据的情况下更新属性回归模型。作者将这一问题形式化为非零和博弈，并提出随设计过程重训练回归模型的 autofocusing 策略。 核心问题是设计目标与预测可靠性之间的张力：高容量回归模型可替代部分昂贵的实验测量，为候选搜索提供属性预测，但追求更优属性会推动搜索进入模型训练分布之外。本文关注的不是新增实验测量或单纯提高静态预测精度，而是设计算法推进过程中，预测器应如何随之调整。摘要未披露博弈参与方的具体目标函数、重训练准则及优化流程，不能据此确定其损失形式或实现方式。 作者报告了支持 autofocusing 潜力的实证结果，但摘要未提供具体数据集、划分、对照方法、指标或数值，因此尚不能判断收益大小及适用边界；实验协议、消融及统计信息尚未验证。复现需进一步核对设计候选的表示方式、已有标签数据的使用方式、预测器更新规则，以及候选属性的独立验证流程。 原论文的主要对象是属性导向的对象设计，而非 EEG 解码或 BCI。摘要未建立其机制与具体 EEG 瓶颈的对应关系，不据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。