L'optimisation d'une réaction chimique est une étape indispensable avant le passage à l'échelle industrielle. Ce processus d'optimisation consiste à réaliser des expériences avec différents paramètres réactionnels (e.g température, temps de résidence, etc.) afin d'atteindre un optimum (e.g rendement maximal). 

L'optimisation bayésienne s'avère être efficace pour l'optimisation de boite noire et notamment pour l'optimisation de réactions chimiques. 

Pour de nombreuses réactions, les variables catégorielles font partie du processus d'optimisation. Les implémentations d'optimisation bayésienne traditionnelles avec l'utilisation de vecteurs « one-hot » ont tendance à rester bloquées dans des optima locaux. 

Nous nous sommes dirigés vers le problème d'optimisation bayésienne avec variables mixtes. Notre approche se caractérise par l'application d'une fonction de covariance particulière pour le modèle de l'optimisation bayésienne. Puis dans un second temps, nous présentons une évaluation de performances de différents algorithmes pour l'optimisation de la fonction d'acquisition. 

Pour réaliser l'évaluation de nos méthodes, nous construisons des simulations de réactions chimiques en se basant sur des données publiques. Nous montrons que l'optimisation bayésienne avec une fonction de covariance adaptée pour les variables mixtes permet d'obtenir des performances à l'état de l'art pour l'optimisation de réactions chimiques.