DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?Salut,
En espérant que vous ayez quelques idées pour ce problème intéressant.
Notre objectif est de trouver les paramètres qui optimisent le rendement d'une réaction chimique.
Il existe 5 facteurs catégoriques pour différents choix de réactifs, réactifs, ligands, solvants (tableau des facteurs ci-joint). Les facteurs ont entre 3 et 12 niveaux.
Il existe 4 608 combinaisons possibles de niveaux de facteurs. Il n’est pas possible de tous les exécuter !
Il est possible de réaliser 48 analyses simultanément, ce qui nécessite environ 2 jours de travail en laboratoire.
Ainsi, dans la première étape, nous exécutons une conception de criblage des effets principaux personnalisée avec 48 exécutions (ci-jointes).
Ce premier bloc d’exécutions révèle des informations utiles :
- Reactant_1 et Reactant_2 ont le plus grand effet.
- Certaines combinaisons donnent des rendements >90%.
Distribution of %Yield and 5 Factors for 48 run screening experiment.Distribution of %Yield and 5 Factors for 48 run screening experiment.Distribution du % de rendement et de 5 facteurs pour une expérience de criblage de 48 exécutions.
La question est : et ensuite ? Quelles devraient être les 48 prochaines courses ?
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?Merci, @Ryan_Lekivetz . Je vous contacterai certainement car je pense que cela pourrait constituer un article intéressant, mais nous venons tout juste de commencer à y réfléchir.
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?@benfrancis interrogé sur l'idée d'augmenter avec le modèle prédit, j'ai donc pensé que je le publierais ici au cas où cela serait utile à quelqu'un d'autre.
Dans Augment_example.jmp, j'ai créé une conception simple à 12 étapes avec 3 facteurs continus et 1 facteur à 3 niveaux. La réponse simulée était basée sur un coefficient de 3 pour X3 et de 2 pour le premier niveau de X4 (donc -2 pour le troisième niveau). J'ai enregistré la formule prédite de Fit Model sur la base de cet ensemble de données d'origine et je l'ai "convertie" en une combinaison non autorisée en supprimant les deux-points et en remplaçant la correspondance par une référence à chaque niveau. Je l'ai ensuite configuré pour interdire le point où la réponse prévue est inférieure à 3. C'est-à-dire la formule :
(-0,488118773193337) + 0,0500127592094168 * :X1 + 0,090943953251116 * :X2
+3.44923140690808 * :X3 + Correspondance( :X4,
"L1", 1.81325700252147,
"L2", 0,117965718890636,
"L3", -1.93122272141211,
.
)
devient:
(-0,488118773193337) + 0,0500127592094168 * X1 + 0,090943953251116 * X2
+3.44923140690808 * X3 + (X4 == 1) * 1.81325700252147 + (X4 == 2) *
0,117965718890636 + (X4 == 3) * -1,93122272141211 < 3
La "Conception augmentée avec disallowed.jmp" montre la conception résultante et une double vérification que les valeurs de réponse prévues sont toutes supérieures à 3. Notez qu'il ne finit pas par choisir X4 à "L3" ou X3 à -1. Je dois voir s'il y a une raison pour laquelle cela ne varie toujours pas légèrement sur X3, mais cela donne une idée.
Lorsqu'il s'agit principalement d'entrées continues, j'ai également utilisé cette même approche avec des conceptions FFF pour limiter l'espace de conception là où le modèle semble intéressant.
J'espère que cela t'aides,
Ryan
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?Hé @Phil_Kay ,
C'est un problème intéressant... Je ne suis pas au courant de la littérature, mais il semble que cela pourrait valoir la peine de publier quelque chose basé sur ce que vous faites comme un « et si » vous le traitiez comme une expérience conçue. Je réfléchis depuis un certain temps à des pistes pour parler de ce type de problème (factorielle complète ou sous-ensemble), donc si vous n'êtes pas déjà sur le chemin de la publication, nous devrions peut-être en discuter. Cela me rappelle ce discours d'il y a quelques années :
http://www.acadiau.ca/~hchipman/talks/ChipmanSSC2015.pdf
Concernant le problème d'augmentation, n'hésitez pas à ajouter quelque chose à la liste de souhaits interne - ce serait bien de supprimer des niveaux dans les expériences futures.
J'ai également eu du succès dans le passé en utilisant le modèle prédit de la première conception comme combinaison non autorisée (ce qui est un peu plus pénible avec catégorique, car vous devez le convertir). Où vous prenez la formule prédite et interdisez les combinaisons où la valeur prédite est inférieure à une certaine valeur (disons 80). Et comme @nick_shelton mentionné, vous pouvez également interdire ces niveaux.
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?D’ailleurs, l’exemple vient de un article publié où ils ont réellement exécuté la factorielle complète (4608 exécutions !).
Il s'agit d'un très bel ensemble de données (tableau JMP ci-joint). Bien qu’il soit difficile de savoir dans quelle mesure les données sont exactes ou précises.
Si rien d’autre, vous pouvez créer une belle carte thermique :
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?Merci. C'est vraiment utile, @nick_shelton .
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?Dans la conception Augmentation, vous ne pouvez pas supprimer les niveaux catégoriels, mais vous pouvez définir une contrainte de facteur pour empêcher les nouvelles exécutions d'utiliser certains niveaux.
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?J'aime cette idée, @benfrancis .
Idéalement, nous sélectionnerions un ensemble de 48 exécutions qui sont :
- Notre modèle actuel prévoit un rendement élevé
- Optimal pour tester le modèle d’intérêt
Alors peut-être pourrions-nous :
- Générez un très grand ensemble candidat de milliers d'exécutions (par exemple, la factorielle complète), puis
- Sélectionnez parmi ceux-ci un sous-ensemble de centaines d'exécutions dont le rendement est prévu supérieur à un certain seuil.
- Utilisez-les comme ensemble candidat et conception personnalisée avec des facteurs covariables pour déterminer les 48 optimaux pour tester le modèle.
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?Merci @benfrancis et @nick_shelton .
Deux bonnes idées.
Quelques essais de confirmation autour des meilleurs paramètres actuellement prévus sembleraient être une bonne idée. Mais je pense que nous souhaiterions peut-être faire plus avec les 48 prochaines courses dont nous disposons.
En développant ce que Ben a suggéré, j'ai regardé les estimations mises à l'échelle et il existe des niveaux de catégorie pour certains facteurs qui sont nettement pires que d'autres, par exemple Ligand [Xantphos].
(Le xantphos est tout simplement le pire ligand de tous les temps, n'est-ce pas. Personnellement, je n'utiliserais jamais Xantphos pour quoi que ce soit 
).
Il semblerait rationnel et justifié de supprimer ces niveaux de catégorie des exécutions ultérieures.
De même, nous serions justifiés de supprimer 2 des niveaux de réactif 2 et d'utiliser uniquement de l'acide boronique.
Quelqu'un a-t-il essayé d'utiliser Augment sur des variables catégorielles ? Je n'arrive pas à comprendre comment supprimer un niveau de catégorie avant de l'augmenter.
Acclamations,
Phil
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?Bon point @Pseudo , peut-être pourrions-nous utiliser le simulateur pour découvrir un ensemble de candidats à haut rendement (Obj>0,95) prévus ? Cela conduit à 23 ensembles de candidats dans le fichier ci-joint.
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?Si vous incluez l'interaction entre les réactifs 1 et 2 dans le modèle, il existe une combinaison de facteurs dans le profileur qui amène le rendement à 99 %. Au lieu d'explorer d'autres combinaisons de facteurs avec les DOE ultérieurs, il est peut-être préférable de passer maintenant à un ensemble d'expériences de confirmation pour valider que ces paramètres identifiés donneront un rendement de 99 % dans la pratique.
Re : DOE avec 5 catégoriques multi-niveaux. La meilleure approche séquentielle pour trouver l’optimum ?Salut Phil,
Merci d'avoir mis en avant cet exemple, cela semble important pour un certain nombre de clients qui se concentrent sur la grande expérimentation plutôt que sur une approche séquentielle. Et c’est un casse-tête, alors j’ai hâte d’explorer ce que tout le monde pense !
Il pourrait être utile de déterminer si nous avons des raisons d’exclure certains niveaux de facteurs. En utilisant les détails de l'effet (mieux que ma suggestion initiale Fit Y by X) et un TK HSD (étant aussi conservateur que possible), il y a peut-être des raisons de supprimer le 6-Cl-Q (réactif 1) et le trifluoroborate (réactif 2) comme niveaux ? Il est également intéressant de noter que, tandis que « Aucun » pour le ligand correspond au deuxième rendement moyen le plus bas, « Aucun » pour le réactif 1 correspond à un rendement moyen. Ce n'est pas la même chose qu'un facteur nul, mais peut-être se concentrer sur la question de savoir si certains réactifs 1 qui ont un impact négatif pourraient être utiles dans les 48 prochains ?
Cordialement,
Ben
