OptunaでGPR(gaussian process regression)のkernelの組み合わせ探索とハイパーパラメータ調整方法

実現したいこと、質問内容

OptunaでGPR(gaussian process regression)のkernelの最適な組み合わせ、
ハイパーパラメータの最適化を実施しています。

・実現したいこと
以下①②をOptunaで探索したいと考えています。
①kernelは3種の組み合わせでどれがよいか。

ConstantKernel() * RBF() + WhiteKernel(),
ConstantKernel() * Matern() + WhiteKernel(),
ConstantKernel() * Matern() + WhiteKernel() + DotProduct()

②選択されたkernelの組み合わせのパラメータ調整
例えば、選択されたkernelの組み合わせが
ConstantKernel() * Matern() + WhiteKernel()
だった場合Matern()のパラメータであるnuを0.5~2.5の範囲で0.1刻みで探索

・質問内容
②については、nu = trial.suggest_discrete_uniform('nu', 0.5, 2.5, 0.1)
のように探索できるとは思うのですが、
trial.suggest_categorical('kernel', kernelのリスト)で探索しようとすると、
kernelが選択された段階でdefaultのパラメータが設定され、②が実行できません。

①および②の実装方法についてご教授ください。

発生している問題・エラーメッセージ

エラーではないですがwarning

UserWarning: Choices for a categorical distribution should be a tuple of None, bool, int, float and str for persistent storage but contains 1**2 * RBF(length_scale=1) + WhiteKernel(noise_level=1) which is of type Sum.
  warnings.warn(message)
[W 2020-05-20 14:03:22,122] Choices for a categorical distribution should be a tuple of None, bool, int, float and str for persistent storage but contains 1**2 * RBF(length_scale=1) + WhiteKernel(noise_level=1) which is of type Sum.

該当のソースコード

from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import DotProduct, WhiteKernel, ConstantKernel, RBF, Matern, RationalQuadratic
from sklearn.metrics import mean_absolute_error
import optuna


def objective(trial):
    boston = load_boston()
    X_array = boston.data
    y_array = boston.target
    
    X_train, X_test, y_train, y_test = train_test_split(X_array, y_array, test_size=0.2, random_state=0)
    
    scaler = StandardScaler()
    X_train_scaler = scaler.fit_transform(X_train)
    X_test_scaler = scaler.transform(X_test)
    
    kernels = [ConstantKernel() * RBF() + WhiteKernel(),
               ConstantKernel() * Matern() + WhiteKernel(),
               ConstantKernel() * Matern() + WhiteKernel() + DotProduct()]
    
    kernel = trial.suggest_categorical('kernel', kernels)
    gpr = GaussianProcessRegressor(kernel=kernel).fit(X_train_scaler, y_train)
    y_pred = gpr.predict(X_test_scaler)
    
    mae = mean_absolute_error(y_test, y_pred)

    return mae


study = optuna.create_study(direction='minimize')
study.optimize(objective, n_trials=10)