スピーカー | トランスクリプト |
| ダミアン・ペレ | こんにちは、ようこそ。ヨーロッパディスカバリーサミットカンファレンスのこのプレゼンテーションをオンラインでご覧いただきありがとうございます。 |
| 私の名前はダミアン・ペレットです。 私はフランスのCEAのR＆D科学者であり、同僚であり友人である統計学者であり、フランスのIpponInnovationの創設者であるFrancoisBergeretと一緒にいます。 |
| 私の名前はダミアン・ペレットです。 私はフランスのCEAのR＆D科学者であり、同僚であり友人である統計学者であり、フランスのIpponInnovationの創設者であるFrancoisBergeretと一緒にいます。 |
| フランソワと一緒に、今日ここに来られてとてもうれしく思います。JMPによるガラス粘度予測に適用される高度な統計手法について、これを行う機会を与えてくれた運営委員会に感謝します。 |
| それでは、フランスの代替エネルギーと原子力委員会について少しお話ししましょう。 CEAは、4つの分野における研究、開発、革新のためのフランス政府組織です。 |
| 防衛と安全保障、低炭素エネルギー、技術研究および基礎研究。 CEAは9つの場所で約20,000人を数えます。 |
| 私たちは、約50億ユーロの予算で、さまざまな共同研究ユニット、大量の特許、スタートアップの創出を通じて大学と強力な関係を築いています。 |
| Fran？ois Bergeret | 研究、コンサルティング、トレーニングを含む統計とデータサイエンス。 |
| 私たちはゼネラルパートナーであることを非常に誇りに思っています |
| 数年以来。 また、今日は友人のダミアンと一緒にプレゼンテーションをすることができてとてもうれしいです。 |
| Ipponは、欠陥ゼロとプロセス制御のための高度なソリューションも提案しています。 私は1995年からJMP3を使用して個人的にJMPユーザーです。 |
| ダミアン・ペレ | したがって、この作業の主な目的は、ガラスの特性を予測するための統計モデルを作成することです。今日のこの講演では、ガラスの粘度に焦点を当てます。 |
| そのために、実験データは商用データベースとCEAの独自のデータベースの両方から取得されています。 アルゴリズムをJSLでコーディングし、JMP Pro15で実装する必要がありました。 |
| モデルの応答は対象のガラス特性であるため、この例の粘度と要因はさまざまなガラスコンポーネントの含有量です。 |
| それで、ここにいくつかの背景情報があります。 ガラスは非結晶性の固体です。 それはガラス溶融物の急速な急冷によって得られ、材料の観点から、ガラスはブレンド、異なる酸化物の混合物です。 |
| したがって、酸化物の数は、非常に単純なガラスの2つまたは3つから、最も複雑な組成の約30まで、さらにはそれ以上までさまざまです。 |
| ガラス特性の計算には長い伝統があり、最初のモデルは19世紀の終わりにドイツで作成されたと考えられます。 |
| それ以来、 |
| ガラス特性予測の分野で発表された文献の量は大幅に増加しているため、今日、商業データベースで膨大な量のガラスデータを利用できます。これらのデータは、 |
| ガラスの特性。 |
| しかし、ガラスの特性を予測するために過去に行われたすべての努力にもかかわらず、ガラスの粘度を予測するための課題が残っています。 |
| そしてこれは、ガラスの粘度が予測が難しい特性であるためです。 まず、粘度は、相分離や結晶化など、ガラスの組成に応じて、ガラス溶融物で発生する可能性のある物理的メカニズムに大きく依存します。 そしてまた |
| 粘度は、特定の桁までの非常に大きな変動範囲を持つ唯一の特性です。 |
| それで、これはこの難しさを示す例です。 非常にシンプルなガラスであるSBNガラスの3つの組成を選択しました。 |
| そして、粘度を計算するために、文献から最もよく知られているモデルを適用しました。 |
| 次に、予測値を、独自のデバイスで測定した実験値と比較します。 したがって、非常に単純なガラスであっても、予測粘度の信頼できる値を1つ取得するのは簡単ではないことがわかります。 |
| これが、データベースのビューを提供するために使用したい画像です。各ドットは、構成領域の多次元ビューの1つのガラスです。 したがって、データは孤立した研究から得られる可能性があります |
| または、実験計画法を使用した研究から得られたデータを取得することも、データを取得することもできます |
| 得られた |
| 一度に1つのコンポーネントの評価で。 |
| これまで、データベース全体で見つかったデータの一部を使用して、さまざまな機械学習手法を適用するために多くの時間を費やしました。 |
| また、検証セットでは従来のアプローチが使用されましたが、最終的に、粘度を予測するための許容可能な予測機能を備えた統計モデルは見つかりませんでした。 |
| そのため、別のアプローチを使用することにしました。 |
| したがって、すべてのデータを使用するのではなく、粘度を予測する組成に近いデータを使用してモデルを作成する方がよいと考えています。 したがって、たとえば、予測したい場合 |
| ここに |
| 赤い点、この領域にあるデータから1つのモデルが作成され、予測する場合は別のモデルが作成されます |
| プロパティ |
| 別の構成で。 そのため、この手法は動的であると言えます。 モデルは構成に依存するためです。 それは、私たちが予測したい場所に関連し、適合しています。 |
| また、これを手動で行う必要がないため、自動であると言えます。 すべてのステップは、ツールに実装されているアルゴリズムによって実行されます。 |
| したがって、最も重要なポイントの1つは、モデルを作成するためのデータの最適なサブセットを決定することです。 そのために、サブサンプリングの2つの方法を実装しました。 |
| したがって、最初の方法では、実験の理論的または仮想的な設計が生成されます |
| 関心のある構成の周り。 そして、設計の各実行は、データベースに存在する最も類似した実験データに置き換えられ、最終的なトレーニングセットにつながります。 |
| また、ツールに実装した2番目の方法は、対象の構成を中心に作成されたさまざまなサイズのデータセットに基づいています。 |
| ツールによって小さなデータセットが生成され、この小さなサブセットにモデルが作成されて、粘度が予測されます。 次に、ますます大きなデータセットが生成され、各サブセットに関連付けられた統計基準によって最適なサイズが評価されます。 |
| Fran？ois Bergeret | ガラスの粘度を予測するのは簡単ではないため、さまざまな統計と機械学習方法を使用することにしました。 |
| 多項式???変換を伴うモデル、対数正規分布を使用した一般化された回帰。 この方法は、JMP Proを使用すると非常に強力であり、???よりも優れた結果を得ることができます。変換を伴うモデル。 |
| また、予測の点で非常に強力なニューラルネットワークも使用しています。 前述のように、2つのデータセットがあるため、各応答に対して6つの予測があります。 |
| 次のスライドは、ツールの概略図です。 |
| 入力は、ガラスの組成と粘度を予測する必要のある温度です。 |
| ここを見ると、コードとアルゴリズムは、直前に説明した2つの方法で実装されています。 |
| このツールの長所は、1つの予測だけを取得するのではなく、ユーザーが評価できるすべてのデータに関連付けられた統計基準を使用して6つの値が計算されることです。 |
| ダミアン・ペレ | それで、ここにいくつかの重要なパラメータがあります。 ガラスの専門家からのできるだけ多くのインプットを考慮することは非常に重要です。 |
| たとえば、自然と粘度に対する酸化物の役割を入力するための特定のアルゴリズムを作成する必要がありました。 |
| 非常に重要なもう1つのポイントは、データの出所と信頼性に関連しています。 このため、このプロジェクトにはかなりの時間が費やされました |
| 信頼できるデータベースの構成に。 そのため、ウェイトを実装する必要があり、距離を計算するさまざまな方法を研究する必要がありました...ガラス組成間の距離。 |
| さあ、時間です。 |
| Fran？ois Bergeret | さて、画面を表示します。 |
| デモを表示するには |
| コードの、あなたは今私の画面を見るはずです。 |
| そして、私はコードを実行しているだけなので、複雑なJSLプログラムです。 私たちはCEAで数ヶ月間それを開発してきました。 |
| コードを実行したところです。次に、コードを表示します。 |
| 発見...だからここで私はコードのファイルを開いています。 |
| そして、それは実行されています、大丈夫です。 コードが実行されているので、少しコメントします。 |
| このコードにはいくつかのループがあります。 もちろん、最初のステップはデータと機能を特定することです。 そしてその後、ループができます。まず、適応反復と呼ばれるものとデータベースの理由があります。 |
| だからそして |
| ダミアンが述べたように、それは適応性があるので、あなたはデータの最良のサブセットを探しています。 また、ここには実験計画法のアプローチもあります。これにより、設計を最適化して、適切なデータを取得できます。 |
| その後、実際に稼働し、ガラス転移温度を予測しています。 さて、前述したように、3つのモデルがあり、モデルごとに2つのデータベースがあるため、合計6つの予測があります。 |
| ご覧のとおり、実行には少し時間がかかりますが、1分程度続きます。実行すると、ガラス転移温度と、もちろん粘度のプログラムのすべての出力が得られます。 。 |
| JSLの使用は非常に便利であり、さらに、ユーザーの観点からは、Damienでわかるように、非常に使いやすく、 |
| 専門家のために使用します。 だからダミアン、あなたは話して私の共有をやめることができます。 |
| ダミアン・ペレ | そして。 |
| 一つだけです。 |
| 私の画面が見えますか？ |
| はい、大丈夫です。 |
| さて、これはツールによって作成された一般的な統計レポートです。 まず、ガラスの対象となる組成があります。 |
| その後 |
| 我々は持っています |
| このグラフでは、予測値。 したがって、Y軸では、 |
| 3つのアルゴリズムと2つの方法で計算された粘度の予測値があります。 X軸には、2番目の方法の拡大番号があります。 |
| また、赤で示されているのは、統計学者以外のユーザーには十分な予測の中央値ですが、統計の詳細を調査する場合は、このレポートに多くの情報があり、それぞれの品質を調査します。 |
| 各モデル。 例えば、 |
| 値を確認できます |
| PRESSSまたは別のモデルの。 これは、多重線形回帰BICFモデル用です。 |
| したがって、ここでは、PRESS値から、方法番号1の予測が2番目の方法よりも少し優れていることがわかります。また、トレーニングセットの拡大によるモデルの清算もわかります。 |
| 私たちも持っています |
| 異なる統計値。 たとえば、さまざまなアルゴリズムとさまざまなモデルのR二乗値があります。 |
| そして、ここにモデルの詳細があります。 |
| たとえば、最初の方法では、実験の理論的設計と実際の設計を比較できます。 予測があります... |
| 別の...別のモデルの予測式。 また、...見積もりに関する情報もあります。また、2番目の方法に関する...に関する多くの情報もあります。 最後に、統計がたくさんあります |
| ユーザーにとって非常に役立つ詳細と情報。 そしてここ、 |
| 最後に、私たちは最もの構成を持っています???データベース内のガラスの粘度の実験値があるので、これも非常に便利です。 |
| そして |
| PowerPointに戻りましょう。 |
| さて、これが私たちが得た結果です。 ザ・ |
| グローバルデータベースを形成する230行を抽出することにより、2つの予測機能を評価しました。 そして、この表には、予測の相対誤差があります... |
| 粘度予測 |
| さまざまな種類のガラスおよびデータのグローバルサブセット用。 3つの分位数が中央値として示されています。これは、予測値の50％に、表に示されている値を下回る相対誤差があることを意味します。 |
| また、この表には75％と90％の分位数があります。 したがって、ガラスの粘度について話すとき、伝統的に、70％前後の予測誤差は非常に良いと考えています。 したがって、データの大部分についてそれを見ることができます |
| モデルの機能は良好で、そこで得られた結果に非常に満足しています。 |
| 比較として、 |
| ここに再びあります |
| 文献で入手可能なモデルを適用したときに、酸化物が3つしかない非常に単純なガラスSBNガラスで得られた結果。 したがって、予測の相対誤差の値...値ははるかに高く、モデルごとに大きく異なる可能性があることがわかります。 |
| 繰り返しになりますが、これは酸化物が3つしかない非常に単純なガラス用でした。 |
| また、場合によっては、より重要なエラーが発生します。 |
| しかし、このデータを詳細に見ると、このグラフでは、 |
| ???の値 |
| x軸とy軸の実験値から、この2つのガラスでこの最大の予測誤差が得られることがわかります。 |
| 商用データベースSciGlassから来ています...同じ参照。これは特許であり、機器の実験誤差については言及されていません。 |
| また、アルミニウム含有量の高いこれらすべての組成物についても、結晶化が発生する可能性が非常に高いと考えられ、実験値が正しいかどうかを完全に確信することはできません。 |
| そして最後に、私たちの方法論を適用して、ガラス技術の重要な特性である別のガラス特性であるガラス転移温度を予測しました。 |
| これが私たちが得た結果であり、粘度よりもさらに優れています。 そしてここでは、予測の全体的な相対誤差は5％未満です。これは、このプロパティがわかっているため、非常に優れています。 |
| ガラスの熱履歴や実験装置によって、大きく異なる可能性があります。 これが2つの機能で、実験誤差に非常に近いものです。これは非常に優れています。 |
| Fran？ois Bergeret | 結論として、私たちのアプローチの重要な機能の1つは、グローバルデータベースの動的なサブサンプリングです。 私たちは、関心のある構成に関する正しい情報に取り組みます。 |
| さらに、JSLとJMP Proを使用して、機械学習モデルを自動化しました。一般的な回帰とニューラルネットワークは非常に優れています。 |
| CEAの専門家によると、精度は良好であり、いくつかの予期しない問題が明らかになります。 現在、より大きなデータベースでモデルを拡張し、Bradley Jonesと協力して、共同出版物を作成する予定です。 ありがとうございました。 |
