В статье исследуется применение алгоритмов оптимизации и машинного обучения в контексте «самоуправляемых лабораторий» (self-driving laboratories), которые используют замкнутый контур для автоматизации экспериментов с живыми клетками. Авторы анализируют, как методы «ремонта» оптимизаторов (optimizer repairs), такие как исключение недопустимых условий и запросы подтверждения, влияют на эффективность поиска в условиях задержек получения результатов, изменчивости ответов и ограниченного количества образцов. Исследование основано на масштабном моделировании: проведено 33 900 симуляций политик с использованием 200–300 парных семян кампаний для каждого настройки. В качестве эталонных данных использовался публичный референс PBMC (периферические мононуклеарные клетки крови), тогда как ландшафты «условие-ответ» оставались синтетическими. Результаты показывают, что стратегии исключения предыдущих партий изменяют итоговую нормализованную производительность в диапазоне от -0,004 до +0,283, причем положительные различия сохраняют статистическую значимость в 13 из 27 проверенных настроек после поправки Хольма. Особое внимание уделено тому, что постоянное исключение условий может быть вредным при зашумленных и сложных (rugged) ландшафтах отклика, в то время как простые правила ремонта точно воспроизводят базовые траектории в условиях жестких платформенных ограничений. Работа доказывает критическую важность явного учета доступности ресурсов и оценки алгоритмов в различных экспериментальных режимах при разработке автономных биологических исследовательских систем.