Lautsprecher | Transkript |
| Damien PERRET | Hallo, willkommen, und vielen Dank, dass Sie diese Präsentation für die Online-Konferenz des Europe Discovery Summit online gesehen haben. |
| Ich heiße Damien Perret. Ich bin F & E-Wissenschaftler bei CEA in Frankreich und zusammen mit meinem Kollegen und Freund Francois Bergeret, Statistiker und Gründer von Ippon Innovation in Frankreich. |
| Ich heiße Damien Perret. Ich bin F & E-Wissenschaftler bei CEA in Frankreich und zusammen mit meinem Kollegen und Freund Francois Bergeret, Statistiker und Gründer von Ippon Innovation in Frankreich. |
| Mit Francois freuen wir uns sehr, heute hier zu sein, und wir möchten dem Lenkungsausschuss danken, der uns die Gelegenheit gegeben hat, dieses Verfahren durchzuführen, bei dem es um fortschrittliche statistische Methoden zur Vorhersage der Glasviskosität mit JMP geht. |
| Beginnen wir also mit ein paar Worten über die französische Kommission für alternative Energien und Atomenergie. CEA ist eine französische Regierungsorganisation für Forschung, Entwicklung und Innovation in vier Bereichen |
| Verteidigung und Sicherheit, kohlenstoffarme Energien, technologische Forschung und Grundlagenforschung. Die CEA zählt rund 20.000 Menschen an neun Standorten. |
| Wir haben enge Beziehungen zu Universitäten durch verschiedene gemeinsame Forschungseinheiten, eine hohe Anzahl von Patenten und die Gründung von Start-ups mit einem Budget von rund 5 Milliarden Euro. |
| Fran? Ois Bergeret | Statistik und Datenwissenschaft, einschließlich Studien, Beratung und Ausbildung. |
| Wir sind sehr stolz darauf, Komplementär zu sein |
| seit einigen Jahren. Ich freue mich auch sehr, heute mit meinem Freund Damien zu präsentieren. |
| Ippon schlägt auch fortschrittliche Lösungen für die Fehlerfreiheit und Prozesskontrolle vor. Ich persönlich bin seit 1995 JMP-Benutzer bei JMP 3. |
| Damien PERRET | Unser Hauptziel in dieser Arbeit ist es daher, statistische Modelle zur Vorhersage der Glaseigenschaften zu erstellen. In diesem Vortrag konzentrieren wir uns heute auf die Glasviskosität. |
| Zu diesem Zweck stammen experimentelle Daten sowohl aus der kommerziellen Datenbank als auch aus unserer eigenen Datenbank bei CEA. Wir wollten, dass Algorithmen in JSL codiert und in JMP Pro 15 implementiert werden. |
| Die Antwort des Modells ist die interessierende Glaseigenschaft, also die Viskosität für dieses Beispiel, und die Faktoren sind die Gehalte der verschiedenen Glaskomponenten. |
| Hier sind einige Hintergrundinformationen. Glas ist ein nichtkristalliner Feststoff. Es wird durch schnelles Abschrecken einer Glasschmelze erhalten, und aus materieller Sicht ist ein Glas eine Mischung, eine Mischung verschiedener Oxide. |
| Die Anzahl der Oxide ist also variabel, von zwei oder drei in einem sehr einfachen Glas bis zu etwa 30 und noch mehr in den komplexesten Zusammensetzungen. |
| Die Berechnung der Glaseigenschaften hat eine lange Tradition, und wir glauben, dass Ende des 19. Jahrhunderts in Deutschland erste Modelle hergestellt wurden. |
| Seit damals, |
| Die Menge der veröffentlichten Literatur auf dem Gebiet der Vorhersage von Glaseigenschaften hat enorm zugenommen, so dass wir heute eine große Menge an Glasdaten in kommerziellen Datenbanken zur Verfügung haben, die auch zur Vorhersage der Glasdaten angeboten und verwendet werden |
| Glaseigenschaften. |
| Trotz aller Anstrengungen, die in der Vergangenheit unternommen wurden, um die Glaseigenschaften vorherzusagen, bleiben Herausforderungen für die Vorhersage der Glasviskosität bestehen. |
| Und das, weil die Glasviskosität eine Eigenschaft ist, die schwer vorherzusagen ist. Erstens ist die Viskosität sehr abhängig von physikalischen Mechanismen, die in der Glasschmelze auftreten können, abhängig von der Glaszusammensetzung, wie beispielsweise Phasentrennung oder Kristallisation. Und auch |
| Die Viskosität ist die einzige Eigenschaft, die einen so großen Variationsbereich bis zu bestimmten Größenordnungen aufweist. |
| Hier ist ein Beispiel, das diese Schwierigkeit zeigt. Wir haben drei Zusammensetzungen von SBN-Glas ausgewählt, das ein sehr einfaches Glas ist, mit nur drei ???. |
| Und wir haben die bekanntesten Modelle aus der Literatur angewendet, um die Viskosität zu berechnen. |
| Und dann vergleichen wir die vorhergesagten Werte mit dem experimentellen Wert, den wir mit unserem eigenen Gerät gemessen haben. Sie sehen also, dass es selbst für ein sehr einfaches Glas nicht einfach ist, einen zuverlässigen Wert für die vorhergesagte Viskosität zu erhalten. |
| Hier ist also ein Bild, ein gutes Bild, das wir gerne verwenden, um einen Blick auf die Datenbank zu werfen, wobei jeder Punkt ein Glas in einer mehrdimensionalen Ansicht des Bereichs der Kompositionen ist. Daten können also aus isolierten Studien stammen |
| oder wir können Daten aus Studien haben, die experimentelle Designs verwenden, oder wir können Daten haben |
| erhalten |
| mit der Bewertung von jeweils einer Komponente. |
| Wir haben in der Vergangenheit viel Zeit damit verbracht, verschiedene Techniken des maschinellen Lernens anzuwenden, indem wir den Teil der Daten verwendet haben, der in der gesamten Datenbank gefunden wurde. |
| Ein klassischer Ansatz wurde für einen Validierungssatz verwendet, aber am Ende wurde kein statistisches Modell mit einer akzeptablen Vorhersagefähigkeit gefunden, um die Viskosität vorherzusagen. |
| Deshalb haben wir uns für einen anderen Ansatz entschieden. |
| Anstatt alle Daten zu verwenden, halten wir es für besser, ein Modell zu erstellen, indem Daten in der Nähe der Zusammensetzung verwendet werden, in der die Viskosität vorhergesagt werden soll. Also zum Beispiel, wenn wir vorhersagen wollen |
| hier auf der |
| rote Punkte, ein Modell wird aus den Daten erstellt, die wir in diesem Bereich haben, und ein anderes Modell wird erstellt, wenn wir vorhersagen möchten |
| die Eigenschaft |
| auf einer anderen Komposition. Deshalb sagen wir, dass diese Technik dynamisch ist. Das liegt daran, dass das Modell von der Zusammensetzung abhängt. Es ist verwandt und angepasst, wo wir vorhersagen wollen. |
| Und wir sagen, es ist automatisch, weil wir dies nicht manuell tun müssen. Jeder Schritt wird durch im Tool implementierte Algorithmen ausgeführt. |
| Einer der wichtigsten Punkte ist daher sicherlich die Bestimmung der optimalen Teilmenge von Daten zur Erstellung des Modells. Dafür haben wir zwei Methoden der Unterabtastung implementiert. |
| Bei der ersten Methode wird also ein theoretischer oder virtueller Entwurf des Experiments erstellt |
| um die Zusammensetzung des Interesses. Und dann wird jeder Durchlauf des Entwurfs durch die ähnlichsten experimentellen Daten ersetzt, die in der Datenbank vorhanden sind, was zum endgültigen Trainingssatz führt. |
| Die zweite Methode, die wir im Tool implementiert haben, basiert auf unterschiedlichen Größen von Datensätzen, die um die interessierende Zusammensetzung herum erstellt wurden. |
| Das Tool generiert einen kleinen Datensatz, und auf dieser kleinen Teilmenge werden Modelle erstellt, um die Viskosität vorherzusagen. Dann werden immer größere Datensätze generiert und die optimale Größe wird anhand statistischer Kriterien bewertet, die jeder Teilmenge zugeordnet sind. |
| Fran? Ois Bergeret | Die Glasviskosität ist nicht leicht vorherzusagen, daher haben wir uns für verschiedene Statistiken und Methoden des maschinellen Lernens entschieden. |
| Polynom ??? Modelle mit Transformation, generalisierte Regression unter Verwendung einer logarithmischen Normalverteilung. Diese Methode ist mit JMP Pro sehr leistungsfähig und kann zu besseren Ergebnissen führen als die ??? Modelle mit Transformation. |
| Wir verwenden auch neuronale Netze, die in Bezug auf die Vorhersage sehr leistungsfähig sind. Da wir, wie bereits erwähnt, zwei Datensätze haben, haben wir sechs Vorhersagen für jede Antwort. |
| Die nächste Folie ist eine schematische Darstellung des Werkzeugs. |
| Eingaben sind die Zusammensetzung des Glases und die Temperatur, bei der die Viskosität vorhergesagt werden muss. |
| Wenn wir hier schauen, wurden der Code und der Algorithmus für die beiden Methoden implementiert, die wir gerade beschrieben haben. |
| Die Stärke des Tools besteht darin, dass anstelle nur einer Vorhersage sechs Werte mit statistischen Kriterien berechnet werden, die allen Daten zugeordnet sind, die vom Benutzer ausgewertet werden können. |
| Damien PERRET | Hier sind einige der wichtigsten Parameter. Es ist sehr wichtig, möglichst viele Beiträge der Glasexperten zu berücksichtigen. |
| Zum Beispiel mussten wir spezifische Algorithmen entwickeln, um mit der Natur und der Rolle von Oxiden auf die Viskosität in Kontakt zu treten. |
| Ein weiterer wichtiger Punkt betrifft die Herkunft und damit die Zuverlässigkeit der Daten. Dafür wurde viel Zeit in dieses Projekt investiert |
| zum Aufbau einer zuverlässigen Datenbank. Also mussten wir Gewichte implementieren und verschiedene Methoden zur Berechnung des Abstands untersuchen ... der Abstände zwischen den Glaszusammensetzungen. |
| Also jetzt ist es Zeit ... |
| Fran? Ois Bergeret | Okay, ich werde jetzt den Bildschirm zeigen. |
| Um Ihnen eine Demo zu zeigen |
| des Codes, so sollten Sie jetzt meinen Bildschirm sehen. |
| Und ich führe nur den Code aus, damit es ein komplexes JSL-Programm ist. Wir haben es mehrere Monate mit CEA entwickelt. |
| Also habe ich gerade den Code ausgeführt und jetzt werde ich ihn Ihnen zeigen. |
| Entdeckung ... also hier öffne ich Dateien für den Code. |
| Und es läuft, okay. Der Code wird ausgeführt, daher werde ich ein wenig darauf eingehen. |
| Wir haben mehrere Schleifen in diesem Code. Der erste Schritt besteht natürlich darin, die Daten und Funktionen zu identifizieren. Und danach haben wir eine Schleife. Zunächst haben wir die sogenannte adaptive Iteration und den Grund für die Datenbank. |
| So und |
| Da es, wie von Damien erwähnt, adaptiv ist, suchen Sie nach der besten Teilmenge von Daten. Und wir haben auch hier den Ansatz des Versuchsdesigns, bei dem wir durch Optimierung des Designs die richtigen Daten erhalten. |
| Danach und es läuft tatsächlich, sagen wir die Glasübergangstemperatur voraus. Okay, und wir haben, wie bereits erwähnt, drei Modelle, und für jedes Modell haben wir zwei Datenbanken, sodass wir insgesamt sechs Vorhersagen haben. |
| Wie Sie sehen, dauert die Ausführung etwas lang, dauert aber ungefähr eine Minute, und wenn dies erledigt ist, haben wir alle Ausgaben der Programme für die Glasübergangstemperatur und natürlich die Viskosität . |
| Die Verwendung von JSL war sehr, sehr nützlich und außerdem in Bezug auf Benutzer, wie Sie bei Damien sehen werden, ist es sehr einfach zu bedienen und zu bedienen |
| für die Experten zu verwenden. Also Damien, du kannst reden und mein Teilen beenden. |
| Damien PERRET | Okay, also. |
| Nur einer. |
| Kannst du jetzt meinen Bildschirm sehen? |
| Ja, okay so. |
| Okay, dies ist ein allgemeiner statistischer Bericht, der vom Tool erstellt wurde. Also haben wir zuerst die Zusammensetzung des Interesses des Glases. |
| Und dann |
| wir haben |
| in diesem Diagramm die vorhergesagten Werte. Also auf der Y-Achse, |
| Wir haben die vorhergesagten Werte der Viskosität, die von den drei Algorithmen und für die beiden Methoden berechnet wurden. Und auf der X-Achse haben wir die Nummer der Vergrößerung für die zweite Methode. |
| Und in Rot haben wir den Median der Vorhersagen, der für einen nicht statistischen Benutzer ausreichend sein kann. Wenn wir jedoch die statistischen Details untersuchen möchten, haben wir in diesem Bericht viele Informationen, um die Qualität der einzelnen Vorhersagen zu untersuchen |
| jedes Modell. Zum Beispiel, |
| Wir können die Werte überprüfen |
| der PRESSEN oder des anderen Modells. Hier ist für das multilineare Regressions-BIC-F-Modell. |
| Hier sehen wir also, dass die PRESS-Werte uns sagen, dass die Vorhersage mit Methode Nummer eins etwas besser ist als für die zweite Methode, und wir sehen auch die Modellliquidation mit der Erweiterung des Trainings. |
| Wir haben auch |
| verschiedene statistische Werte. Zum Beispiel haben wir den R-Quadrat-Wert für den verschiedenen Algorithmus und für die verschiedenen Modelle. |
| Und hier haben wir noch mehr Details zum Modell. |
| Zum Beispiel können wir für die erste Methode den theoretischen und den tatsächlichen Versuchsaufbau vergleichen. Wir haben die vorhergesagten ... |
| Vorhersageformel für die verschiedenen ... für die verschiedenen Modelle. Wir haben auch einige Informationen über die ... zu den Schätzungen, und wir haben auch viele Informationen über die ... für die zweite Methode. Am Ende haben wir also viele statistische Daten |
| Details und Informationen, die für den Benutzer sehr, sehr nützlich sind. Und hier, |
| am ende haben wir die komposition der meisten ??? von Glas in der Datenbank, für die wir einen experimentellen Wert der Viskosität haben, so ist dies auch sehr, sehr nützlich. |
| Okay, also |
| Kehren wir zum PowerPoint zurück. |
| Okay, das sind die Ergebnisse, die wir erhalten. Das |
| Zwei Vorhersagefähigkeiten wurden bewertet, indem 230 Zeilen extrahiert wurden, die eine globale Datenbank bilden. Und in dieser Tabelle haben wir den relativen Fehler der Vorhersage ... von |
| die Viskositätsvorhersage |
| für verschiedene Glasarten und für die globale Teilmenge von Daten. Drei Quantile werden als Median angegeben, was bedeutet, dass 50% der vorhergesagten Werte einen relativen Fehler aufweisen, der unter dem in der Tabelle angegebenen Wert liegt. |
| Und wir haben auch die 75 und 90% Quantile in dieser Tabelle. Wenn wir also über die Glasviskosität sprechen, halten wir traditionell den vorhergesagten Fehler um 70% für sehr gut. Das können wir also für den Großteil der Daten sehen |
| Die Modellfähigkeit ist in Ordnung und wir waren sehr zufrieden mit den Ergebnissen, die wir dort erzielt haben. |
| Zum Vergleich: |
| hier sind wieder |
| Die Ergebnisse haben wir für das sehr einfache Glas SBN-Glas mit nur drei Oxiden erhalten, als wir die in der Literatur verfügbaren Modelle angewendet haben. Wir können also sehen, dass die Werte für den relativen Vorhersagefehler viel höher waren und von Modell zu Modell sehr unterschiedlich sein können. |
| Und wieder war dies für sehr einfaches Glas mit nur drei Oxiden. |
| Und in einigen Fällen haben wir Fehler, die wichtiger sind, |
| Aber wenn wir uns diese Daten im Detail ansehen, so haben wir hier in dieser Grafik |
| das ??? Werte ein |
| x-Achse und experimentelle Werte auf der y-Achse sehen wir, dass dieser größte Vorhersagefehler für diese beiden Gläser erhalten wird |
| aus der kommerziellen Datenbank SciGlass aus ... der gleichen Referenz, die ein Patent ist und für die der experimentelle Fehler der Ausrüstung nicht erwähnt wird. |
| Und auch für all diese Zusammensetzungen mit hohem Aluminiumgehalt glauben wir, dass eine Kristallisation sehr wahrscheinlich ist, und dann können wir nicht ganz sicher sein, dass die experimentellen Werte korrekt waren. |
| Und schließlich haben wir unsere Methodik angewendet, um eine andere Glas-Eigenschaft vorherzusagen, die Glasübergangstemperatur, die eine wichtige Eigenschaft in der Glastechnologie ist. |
| Hier sind die Ergebnisse, die wir erhalten haben und die sogar besser sind als für die Viskosität. Und hier liegt der relative Vorhersagefehler insgesamt unter 5%, was wirklich gut ist, weil wir wissen, dass diese Eigenschaft |
| kann stark variieren, abhängig von der thermischen Vorgeschichte des Glases und abhängig von der Versuchsvorrichtung. Hier sind also die beiden Funktionen, die dem experimentellen Fehler sehr nahe kommen, was sehr schön ist. |
| Fran? Ois Bergeret | Okay, als Fazit ist ein wichtiges Merkmal unseres Ansatzes eine dynamische Unterabtastung der globalen Datenbank. Wir sprechen die richtigen Informationen rund um die Zusammensetzung des Interesses an. |
| Darüber hinaus haben wir mit JSL und JMP Pro die Modelle für maschinelles Lernen automatisiert. Allgemeine Regression und neuronale Netze sind sehr leistungsfähig. |
| Laut dem CEA-Experten ist die Genauigkeit gut und zeigt einige unerwartete Probleme auf. Wir planen jetzt, die Modelle in einer größeren Datenbank zu erweitern und auch mit Bradley Jones zusammenzuarbeiten und möglicherweise eine gemeinsame Veröffentlichung zu schreiben. Danke. |
