揚聲器 | 成績單 |
| 達米安·佩雷特（Damien PERRET） | 您好，歡迎您，並感謝您在線觀看歐洲探索峰會會議的演講。 |
| 我叫達米安·佩雷（Damien Perret）。 我是法國CEA的研發科學家，並且與我的同事和朋友Francois Bergeret（統計學家，法國Ippon Innovation的創始人）一起。 |
| 我叫達米安·佩雷（Damien Perret）。 我是法國CEA的研發科學家，並且與我的同事和朋友Francois Bergeret（統計學家，法國Ippon Innovation的創始人）一起。 |
| 因此，與Francois一起，我們今天很高興來到這裡，我們要感謝指導委員會給我們提供了進行這一工作的機會，這是關於應用於JMP的玻璃粘度預測的先進統計方法。 |
| 因此，讓我們從法國替代能源和原子能委員會談一下。 CEA是法國政府機構，致力於四個領域的研究，開發和創新 |
| 國防與安全，低碳能源，技術研究和基礎研究。 CEA在九個地點擁有約20,000名員工。 |
| 我們通過各種聯合研究部門，大量專利和初創公司與大學建立了牢固的關係，預算約為50億歐元。 |
| 弗朗索瓦·貝傑雷特 | 統計和數據科學，包括研究，諮詢和培訓。 |
| 成為普通合作夥伴我們感到非常自豪 |
| 因為幾年了 今天，我也非常高興與朋友達米恩（Damien）一同出席。 |
| Ippon還為零缺陷和過程控制提出了先進的解決方案。 自1995年以來，我個人就是JMP 3的JMP用戶。 |
| 達米安·佩雷特（Damien PERRET） | 因此，我們在這項工作中的主要目標是創建統計模型來預測玻璃的性能，在今天的演講中，我們將重點放在玻璃粘度上。 |
| 為此，實驗數據既來自商業數據庫，也來自我們在CEA自己的數據庫。 我們希望算法在JSL中編碼並在JMP Pro 15中實現。 |
| 模型的響應是所關注的玻璃屬性，因此本例中的粘度以及影響因素是不同玻璃成分的含量。 |
| 因此，這裡有一些背景信息。 玻璃是非晶態固體。 它是通過快速淬火玻璃熔體而獲得的，從材料的角度來看，玻璃是一種混合物，是不同氧化物的混合物。 |
| 因此，氧化物的數量是可變的，從非常簡單的玻璃中的兩種或三種到最複雜的成分中的約30種甚至更多。 |
| 玻璃特性的計算歷史悠久，我們認為第一個模型是19世紀末在德國創建的。 |
| 自那以後， |
| 玻璃性能預測領域的已出版文獻數量大大增加，因此，今天我們在商業數據庫中擁有大量玻璃數據，這些數據還提供並用於預測 |
| 玻璃性能。 |
| 但是儘管過去已經做出了所有努力來預測玻璃的性能，但是對於玻璃粘度的預測仍然存在挑戰。 |
| 並且，這是因為玻璃粘度是難以預測的性質。 首先，粘度非常取決於玻璃熔體中可能發生的物理機理，取決於玻璃組成，例如相分離或結晶。 並且 |
| 粘度是唯一具有如此大範圍變化直至某些數量級的特性。 |
| 因此，這是一個顯示此困難的示例。 我們選擇了三種組成的SBN玻璃，這是一種非常簡單的玻璃，只有三種???。 |
| 並且我們使用了文獻中最著名的模型來計算粘度。 |
| 然後，我們將預測值與使用自己的設備測得的實驗值進行比較。 因此，您可以看到，即使對於非常簡單的玻璃，也不容易獲得預測粘度的可靠值。 |
| 因此，這是一張圖片，是我們用來提供數據庫視圖的一張好圖片，其中每個點在組成區域的多維視圖中都是一個玻璃杯。 因此數據可能來自孤立的研究 |
| 或者我們可以從使用實驗設計的研究中獲得數據，或者我們可以擁有數據 |
| 獲得 |
| 一次評估一個組成部分。 |
| 過去，我們通過使用整個數據庫中發現的部分數據，花費了大量時間來應用不同的機器學習技術。 |
| 在驗證集上使用了經典方法，但是最後，沒有發現具有可接受的預測能力的統計模型來預測粘度。 |
| 因此，我們決定使用其他方法。 |
| 因此，與使用所有數據相比，我們認為最好通過使用要預測粘度的成分附近的數據來創建模型。 因此，例如，如果我們要預測 |
| 在這裡 |
| 紅點，將根據我們在該區域中的數據創建一個模型，如果我們要預測，將創建另一個模型 |
| 財產 |
| 在另一種成分上。 這就是為什麼我們說這種技術是動態的。 這是因為模型取決於組成。 它與我們要預測的地方相關並適合。 |
| 我們說這是自動的，因為我們不必手動執行此操作。 每一步都由該工具中實現的算法完成。 |
| 因此，最重要的一點之一當然是確定創建模型的最佳數據子集。 為此，我們實現了兩種子採樣方法。 |
| 因此，在第一種方法中，將生成實驗的理論或虛擬設計 |
| 周圍的興趣組成。 然後，將設計的每次運行都替換為數據庫中存在的最相似的實驗數據，從而得出最終的訓練集。 |
| 我們在工具中實現的第二種方法是基於圍繞感興趣的組合創建的不同大小的數據集。 |
| 該工具會生成一個小的數據集，並在這個小的子集上創建模型以預測粘度。 然後生成越來越大的數據集，並通過與每個子集相關的統計標準評估最佳大小。 |
| 弗朗索瓦·貝傑雷特 | 玻璃粘度不容易預測，因此我們決定使用不同的統計數據和機器學習方法。 |
| 多項式帶變換的模型，使用對數正態分佈的廣義回歸。 使用JMP Pro時，此方法功能非常強大，可以得到比???更好的結果。具有轉換的模型。 |
| 我們還使用神經網絡，在預測方面非常強大。 如前所述，由於我們有兩個數據集，因此每個響應都有六個預測。 |
| 下一張幻燈片是該工具的示意圖。 |
| 輸入的是玻璃的成分和必須預測粘度的溫度。 |
| 如果我們在這裡查看，代碼和算法已經針對我們之前描述的兩種方法實現了。 |
| 該工具的優勢在於，不僅可以得到一個預測，還可以根據與用戶可以評估的所有數據相關的統計標準來計算六個值。 |
| 達米安·佩雷特（Damien PERRET） | 因此，這是一些關鍵參數。 重要的是要盡可能多地考慮玻璃專家的意見。 |
| 例如，我們必須創建特定的算法來輸入自然界和氧化物對粘度的作用。 |
| 另一個非常重要的方面與數據的來源和可靠性有關。 為此，該項目花費了大量時間 |
| 建立可靠的數據庫。 因此，我們必須實施砝碼，並且必須研究計算距離的不同方法……玻璃成分之間的距離。 |
| 現在是時候了... |
| 弗朗索瓦·貝傑雷特 | 好的，我現在要顯示屏幕。 |
| 演示給你看 |
| 代碼，因此您現在應該看到我的屏幕。 |
| 而且我只是在執行代碼，所以它是一個複雜的JSL程序。 我們已經與CEA合作開發了幾個月。 |
| 所以我只是執行了代碼，現在我將向您展示。 |
| 發現...所以我在這裡打開代碼文件。 |
| 它正在運行，好的。 該代碼正在執行，所以我要評論一下。 |
| 這段代碼中有幾個循環。 當然，第一步是識別數據和功能。 然後，我們有了一個循環，首先，我們有了所謂的自適應迭代和數據庫的原因。 |
| 所以 |
| 正如Damien所說，由於它是自適應的，因此您正在尋找最佳的數據子集。 我們這裡還具有實驗設計方法，通過優化設計，我們可以獲得正確的數據。 |
| 此後，它實際上正在運行，我們正在預測玻璃化轉變溫度。 好的，正如我提到的，我們有三個模型，對於每個模型，我們都有兩個數據庫，所以我們總共有六個預測。 |
| 因此，正如您所看到的，執行起來有點長，但是持續了大約一分鐘，完成後，我們將獲得玻璃化轉變溫度以及粘度等程序的所有輸出。 。 |
| 使用JSL一直非常非常有用，此外，就用戶而言，如Damien所見，它非常易於使用和 |
| 供專家使用。 達米恩，你可以聊天，停止我的分享。 |
| 達米安·佩雷特（Damien PERRET） | 可以，然後呢。 |
| 只有一個。 |
| 現在可以看到我的屏幕嗎？ |
| 是的，好的。 |
| 好的，這是該工具創建的常規統計報告。 首先，我們要了解玻璃的組成。 |
| 接著 |
| 我們有 |
| 在此圖上為預測值。 所以在Y軸上 |
| 我們有三種算法和兩種方法計算出的粘度預測值。 在X軸上，我們有第二種方法的放大數量。 |
| 用紅色表示的是預測的中位數，這對於非統計學家用戶來說足夠了，但是如果我們要調查統計細節，則本報告中有很多信息可用來研究每種預測的質量 |
| 每個模型。 例如， |
| 我們可以檢查值 |
| PRESSS或其他型號。 這是針對多線性回歸BIC F模型的。 |
| 因此，在這裡我們看到PRESS值告訴我們，方法一的預測比第二種方法的預測好一點，並且隨著訓練集的擴大，我們還看到了模型清算。 |
| 我們還有 |
| 不同的統計值。 例如，對於不同的算法和不同的模型，我們具有R平方值。 |
| 在這裡，我們有關於模型的更多細節。 |
| 例如，對於第一種方法，我們可以比較實驗的理論設計和實際設計。 我們有預測... |
| 不同模型的預測公式。 此外，我們還有一些關於...的信息，關於第二種方法的...也有很多信息。 所以最後，我們有很多統計數據 |
| 對用戶非常有用的詳細信息。 和這裡， |
| 最後，我們擁有最多的組成???數據庫中的玻璃的粘度，我們可以得到粘度的實驗值，因此這也是非常非常有用的。 |
| 可以，然後呢 |
| 讓我們回到PowerPoint。 |
| 好的，這就是我們獲得的結果。 這 |
| 通過提取形成全局數據庫的230行來評估兩個預測能力。 在此表中，我們具有...的預測的相對誤差 |
| 粘度預測 |
| 適用於不同類型的玻璃以及全局數據子集。 給出了三個分位數作為中位數，這意味著50％的預測值的相對誤差低於表中指示的值。 |
| 在此表中，我們還有75％和90％的分位數。 因此，當我們談論玻璃粘度時，傳統上我們認為70％左右的預測誤差非常好。 所以我們可以看到大部分數據 |
| 模型功能很好，我們對在那裡獲得的結果感到非常滿意。 |
| 作為比較 |
| 又來了 |
| 當我們應用文獻中可用的模型時，我們得到的結果是非常簡單的SBN玻璃，僅含三種氧化物。 因此，我們可以看到，預測相對誤差的值...值要高得多，並且在一個模型與另一個模型之間的差異可能很大。 |
| 再說一次，這是只含三種氧化物的非常簡單的玻璃。 |
| 在某些情況下，我們有更重要的錯誤， |
| 但是如果我們詳細查看這些數據，那麼在此圖上，我們有 |
| 這 ？？？值 |
| x軸和y軸上的實驗值，我們看到這兩個眼鏡的預測誤差最大 |
| 來自商業數據庫SciGlass，來自……相同的參考文獻，該參考文獻是一項專利，並且沒有提及設備的實驗誤差。 |
| 而且對於所有這些鋁含量高的成分，我們認為很可能發生結晶，因此我們不能完全確定實驗值是否正確。 |
| 最後，我們運用我們的方法來預測另一種玻璃特性，即玻璃化轉變溫度，這是玻璃技術中的重要特性。 |
| 這是我們獲得的結果，甚至比粘度更好。 在這裡，預測的整體相對誤差在5％以下，這確實不錯，因為我們知道此屬性 |
| 取決於玻璃的熱歷史和實驗設備，其變化可能很大。 因此，這是兩種功能，非常接近實驗誤差，非常好。 |
| 弗朗索瓦·貝傑雷特 | 好的，結論是，我們方法的一個重要特徵是全局數據庫的動態子採樣。 我們針對感興趣的構成提供正確的信息。 |
| 此外，使用JSL和JMP Pro，我們使機器學習模型自動化，通用回歸和神經網絡的性能非常好。 |
| 據CEA專家稱，準確性很好，並揭示了一些意外的問題。 我們現在計劃在更大的數據庫上擴展模型，並與Bradley Jones合作，並可能編寫聯合出版物。 謝謝你。 |
