揚聲器 | 成績單 |
| 達米恩·佩雷 | 您好，歡迎，感謝您在線觀看歐洲探索峰會的演示文稿。 |
| 我的名字是達米安·佩雷特。 我是法國 CEA 的一名研發科學家，我和我的同事兼朋友 Francois Bergeret 是法國 Ippon Innovation 的統計學家和創始人。 |
| 我的名字是達米安·佩雷特。 我是法國 CEA 的一名研發科學家，我和我的同事兼朋友 Francois Bergeret 是法國 Ippon Innovation 的統計學家和創始人。 |
| 因此，我們很高興今天能和 Francois 一起來到這裡，我們要感謝指導委員會給了我們這個機會，這是關於使用 JMP 將高級統計方法應用於玻璃粘度預測的。 |
| 那麼讓我們先簡單介紹一下法國替代能源和原子能委員會。 CEA 是法國政府機構，負責四個領域的研究、開發和創新 |
| 國防與安全、低碳能源、技術研究和基礎研究。 CEA 在九個地點統計了大約 20,000 人。 |
| 我們通過各種聯合研究單位、大量專利和初創企業與大學建立了牢固的關係，預算約為 50 億歐元。 |
| 弗朗索瓦·貝格雷 | 統計和數據科學，包括研究、諮詢和培訓。 |
| 我們很自豪能成為普通合夥人 |
| 幾年以來。 我也很高興今天能和我的朋友 Damien 一起出席。 |
| Ippon 還提出了零缺陷和過程控制的先進解決方案。 我個人從 1995 年開始使用 JMP 3 就成為了 JMP 用戶。 |
| 達米恩·佩雷 | 因此，我們這項工作的主要目標是創建統計模型來預測玻璃特性，而在今天的演講中，我們重點關注玻璃粘度。 |
| 為此，實驗數據來自商業數據庫和我們自己在 CEA 的數據庫。 我們希望算法在 JSL 中編碼並在 JMP Pro 15 中實施。 |
| 模型的響應是感興趣的玻璃屬性，因此本例的粘度和因子是不同玻璃成分的含量。 |
| 所以，這裡有一些背景信息。 玻璃是一種非結晶固體。 它是通過玻璃熔體的快速驟冷獲得的，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個或三個到最複雜的組合物中的大約 30 個甚至更多。 |
| 玻璃性能的計算有著悠久的傳統，我們認為第一個模型是在 19 世紀末在德國創建的。 |
| 自那以後， |
| 在玻璃性能預測領域發表的文獻數量急劇增加，以至於今天我們在商業數據庫中擁有大量的玻璃數據，這些數據也提供並用於預測 |
| 玻璃屬性。 |
| 但是，儘管過去為預測玻璃特性做出了所有努力，但預測玻璃粘度仍然存在挑戰。 |
| 這是因為玻璃粘度是一種難以預測的特性。 首先，粘度非常依賴於玻璃熔體中可能發生的物理機制，具體取決於玻璃成分，例如相分離或結晶。 並且 |
| 粘度是唯一具有高達特定數量級的巨大變化範圍的特性。 |
| 所以這裡有一個例子來說明這個困難。 我們選用了三種成分的SBN玻璃，這是一種非常簡單的玻璃，只有三個????。 |
| 我們應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我們用自己的設備測量的實驗值進行比較。 所以你可以看到，即使是非常簡單的玻璃，也不容易獲得預測粘度的可靠值。 |
| 所以這是一張圖片，一張我們喜歡用來展示數據庫視圖的好圖片，其中每個點都是合成域的多維視圖中的一塊玻璃。 所以數據可能來自孤立的研究 |
| 或者我們可以獲得來自使用實驗設計的研究的數據，或者我們可以獲得數據 |
| 獲得 |
| 一次評估一個組件。 |
| 我們過去花了很多時間通過使用整個數據庫中找到的部分數據來應用不同的機器學習技術。 |
| 並且在驗證集上使用了經典方法，但最後沒有發現具有可接受預測能力的統計模型來預測粘度。 |
| 所以我們決定使用不同的方法。 |
| 因此，我們認為與其使用所有數據，不如使用接近我們想要預測粘度的成分的數據來創建模型。 所以，例如，如果我們想預測 |
| 在這裡 |
| 紅點，一個模型將根據我們在該區域的數據創建，如果我們想要預測，將創建一個不同的模型 |
| 財產 |
| 在另一個構圖上。 所以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成分。 它與我們想要預測的位置相關並適合。 |
| 我們說它是自動的，因為我們不必手動執行此操作。 每一步都是由工具中實現的算法完成的。 |
| 因此，最重要的一點當然是確定用於創建模型的最佳數據子集。 為此，我們實施了兩種子採樣方法。 |
| 所以在第一種方法中，生成了實驗的理論或虛擬設計 |
| 圍繞感興趣的成分。 然後設計的每次運行都被數據庫中最相似的實驗數據所取代，從而形成最終的訓練集。 |
| 我們在工具中實施的第二種方法是基於圍繞感興趣的成分創建的不同大小的數據集。 |
| 該工俱生成一個小數據集，並在這個小數據集上創建模型以預測粘度。 然後生成越來越大的數據集，並通過與每個子集關聯的統計標準評估最佳大小。 |
| 弗朗索瓦·貝格雷 | 玻璃粘度不容易預測，因此我們決定使用不同的統計和機器學習方法。 |
| 多項式 ???具有轉換的模型，使用對數正態分佈的廣義回歸。 這種方法使用 JMP Pro 非常強大，可以提供比 ???帶有轉換的模型。 |
| 我們還使用神經網絡，在預測方面非常強大。 由於我們有兩個數據集，如前所述，我們對每個響應有六個預測。 |
| 下一張幻燈片是示意圖，是該工具的視圖。 |
| 輸入是玻璃的成分和必須預測粘度的溫度。 |
| 如果我們看這裡，代碼和算法已經為我們之前描述的兩種方法實現了。 |
| 該工具的優勢在於，不是只獲得一個預測，而是使用與用戶可以評估的所有數據相關聯的統計標準計算六個值。 |
| 達米恩·佩雷 | 所以，這裡有一些關鍵參數。 盡可能多地考慮玻璃專家的意見非常重要。 |
| 例如，我們必須創建特定的算法來輸入自然和氧化物對粘度的作用。 |
| 另一個重要的點與數據的來源和可靠性有關。 為此，該項目花費了大量時間 |
| 建立一個可靠的數據庫。 所以我們必須實施重量，我們必須研究計算距離的不同方法……玻璃成分之間的距離。 |
| 所以現在是時候了...... |
| 弗朗索瓦·貝格雷 | 好的，我現在要顯示屏幕。 |
| 給你看一個演示 |
| 的代碼，所以你現在應該看到我的屏幕。 |
| 我只是在執行代碼，所以它是一個複雜的 JSL 程序。 我們在 CEA 的幾個月裡一直在開發它。 |
| 所以我剛剛執行了代碼，現在我將向您展示它。 |
| 發現...所以我在這裡打開代碼文件。 |
| 它正在運行，好的。 代碼正在執行，所以我會評論一點。 |
| 我們在這段代碼中有幾個循環。 當然，第一步是識別數據和功能。 之後我們有一個循環，首先，我們有所謂的自適應迭代和數據庫的原因。 |
| 所以和 |
| 因為它是自適應的，正如 Damien 所提到的，您正在尋找最佳的數據子集。 我們這裡也有實驗設計方法，通過優化設計，我們得到了正確的數據。 |
| 在那之後，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，每個模型都有兩個數據庫，所以我們總共有六個預測。 |
| 因此，如您所見，執行時間有點長，但持續了大約一分鐘，完成後，我們將獲得玻璃化轉變溫度程序的所有輸出，當然還有粘度. |
| 使用 JSL 非常非常有用，此外，就用戶而言，正如您將在 Damien 身上看到的那樣，它非常易於使用並且 |
| 供專家使用。 所以 Damien，你可以談談並停止我的分享。 |
| 達米恩·佩雷 | 可以，然後呢。 |
| 只有一個。 |
| 你現在能看到我的屏幕嗎？ |
| 是的，好吧。 |
| 好的，這是該工具創建的一般統計報告。 所以首先，我們有玻璃感興趣的成分。 |
| 進而 |
| 我們有 |
| 在此圖上，預測值。 所以在 Y 軸上， |
| 我們有通過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。 |
| 在紅色部分，我們有預測的中位數，這對於非統計學家用戶來說已經足夠了，但如果我們想調查統計細節，我們在這份報告中有很多信息來研究每個人的質量 |
| 每個模型。 例如， |
| 我們可以檢查值 |
| PRESSS 或不同型號的。 這是多元線性回歸 BIC F 模型。 |
| 所以在這裡我們看到 PRESS 值告訴我們方法一的預測比第二種方法好一點，我們還看到隨著訓練集的擴大模型清算。 |
| 我們還有 |
| 不同的統計值。 例如，我們有不同算法和不同模型的 R 平方值。 |
| 在這裡我們有更多關於模型的細節。 |
| 例如，對於第一種方法，我們可以比較理論和實際的實驗設計。 我們有預測... |
| 不同模型的預測公式。 我們也有一些關於……關於估計的信息，我們也有關於……關於第二種方法的許多信息。 所以最後，我們有很多統計數據 |
| 對用戶非常非常有用的細節和信息。 和這裡， |
| 最後，我們有最多的組成？？？數據庫中的玻璃，我們有粘度的實驗值，所以這也非常非常有用。 |
| 可以，然後呢 |
| 讓我們回到 PowerPoint。 |
| 好的，這就是我們得到的結果。 這 |
| 通過提取構成全局數據庫的 230 行來評估兩個預測能力。 在這張表中，我們有預測的相對誤差...... |
| 粘度預測 |
| 對於不同類型的玻璃和全球數據子集。 三個分位數作為中位數給出，這意味著 50% 的預測值具有低於表中所示值的相對誤差。 |
| 我們在這張表中也有 75% 和 90% 的分位數。 所以當我們談論玻璃粘度時，傳統上我們認為預測誤差在 70% 左右就很好了。 所以我們可以看到對於大部分數據 |
| 模型功能很好，我們對在那裡獲得的結果非常滿意。 |
| 作為比較， |
| 又來了 |
| 當我們應用文獻中提供的模型時，我們獲得的非常簡單的玻璃 SBN 玻璃的結果只有三種氧化物。 所以我們可以看到，預測相對誤差的值要高得多，並且一個模型與另一個模型之間的差異可能很大。 |
| 同樣，這是針對只有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， |
| 但如果我們詳細查看這些數據，那麼在這張圖上，我們有 |
| 這 ？？？價值觀 |
| x 軸和 y 軸上的實驗值，我們看到對於這兩種眼鏡獲得了最大的預測誤差 |
| 來自商業數據庫 SciGlass，來自......相同的參考文獻，這是一項專利，未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，我們應用我們的方法來預測另一種玻璃特性，即玻璃化轉變溫度，這是玻璃技術中的一個重要特性。 |
| 這是我們獲得的結果，甚至比粘度的結果還要好。 在這裡，預測的整體相對誤差低於 5%，這真的很好，因為我們知道這個屬性 |
| 可能會有很大差異，具體取決於玻璃的熱歷史和實驗設備。 所以這裡有兩個能力，非常接近實驗誤差，非常nice。 |
| 弗朗索瓦·貝格雷 | 好的，作為結論，我們方法的一個重要特徵是全局數據庫的動態子採樣。 我們圍繞感興趣的成分處理正確的信息。 |
| 此外，使用 JSL 和 JMP Pro，我們實現了機器學習模型的自動化，一般回歸和神經網絡的性能非常好。 |
| 根據 CEA 專家的說法，準確性很好，並揭示了一些意想不到的問題。 我們現在計劃在更大的數據庫上擴展模型，並與 Bradley Jones 合作，並可能撰寫聯合出版物。 謝謝。 |
