如以下兩篇文章所示，基於貝葉斯方法的實驗迭代設計的發展正在引起人們的興趣：
-盾牌，BJ， 史蒂文斯，J.， 李，J.， 帕拉斯拉姆，M.， 達馬尼，F.， 阿爾瓦拉多，吉 米， ... & Doyle, AG （2021 年）。 貝葉斯反應優化作為化學合成的工具。自然, 590 (7844), 89-96。
-青山。， 拉納，S.， 古普塔，S.， 韋蘭基，P.， & Venkatesh, S. (2020)。 自適應實驗設計的貝葉斯優化：綜述。IEEE 訪問, 8 , 13937-13948。
JMP 插件可用於實施此方法（ https://community.jmp.com/t5/JMP-Add-Ins/Bayesian-optimization-add-in/ta-p/496785 ）。 不幸的是，該加載項缺少一些重要功能，例如：
- 使用幾種模型類型（特別是引導森林）
- 離散變量的管理
- 實驗約束的管理
- 每次迭代運行多個實驗的可能性
擁有這樣一個平台將是非常可觀和有用的，特別是在新材料設計的探索性研究領域。
