スピーカー | 成績証明書 |
| ダミアン・ペレ | ようこそ、こんにちは。Europe Discovery Summit カンファレンス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、同僚であり友人でもある統計学者であり、フランスの Ippon Innovation の創設者である Francois Bergeret と一緒です。 |
| 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、同僚であり友人でもある統計学者であり、フランスの Ippon Innovation の創設者である Francois Bergeret と一緒です。 |
| Francois とともに、今日ここに来られたことを非常にうれしく思います。また、JMP を使用したガラスの粘度予測に適用される高度な統計手法について説明する機会を与えてくれた運営委員会に感謝したいと思います。 |
| それでは、フランスの代替エネルギー・原子力委員会について少しお話しましょう。 CEA は、4 つの分野における研究、開発、イノベーションのためのフランス政府機関です。 |
| 防衛とセキュリティ、低炭素エネルギー、技術研究と基礎研究。 CEA は、9 つの場所で約 20,000 人を数えています。 |
| 私たちは、さまざまな共同研究ユニット、大量の特許、および約 50 億ユーロの予算での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。 |
| フランソワ・ベルゲレ | 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 |
| 数年前から。 また、今日は友人のダミアンにプレゼントできることをとてもうれしく思います。 |
| Ipponはまた、ゼロ欠陥とプロセス制御のための高度なソリューションを提案します. 私は個人的に、1995 年から JMP 3 を使用している 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 Pro 15で実装したいと考えていました。 |
| モデルの応答は対象となるガラスの特性であるため、この例では粘度であり、因子はさまざまなガラス成分の含有量です。 |
| そこで、背景情報をいくつか紹介します。 ガラスは非結晶性固体です。 それはガラス溶融物の急冷によって得られ、材料の観点からは、ガラスはブレンド、異なる酸化物の混合物です。 |
| そのため、酸化物の数はさまざまで、非常に単純なガラスの 2 ～ 3 個から、最も複雑な組成の約 30 個以上のものまであります。 |
| 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 世紀末にドイツで作成されたと考えられます。 |
| それ以来、 |
| ガラスの特性予測の分野で公開された文献の量が大幅に増加したため、今日では商用データベースで大量のガラス データを利用できます。 |
| ガラスの性質。 |
| 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、ガラスの粘度の予測には課題が残っています。 |
| 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。 第 1 に、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。 また、 |
| 粘度は、特定の桁数までの非常に大きな変動範囲を持つ唯一のプロパティです。 |
| この難しさを示す例を次に示します。 SBNガラスは、???が3つしかない非常にシンプルなガラスである3つの組成を選択しました。 |
| そして、文献から最もよく知られているモデルを適用して粘度を計算しました。 |
| そして、予測値と、独自の装置で測定した実験値を比較します。 したがって、非常に単純なガラスであっても、予測された粘度の信頼できる値を 1 つ取得するのは容易ではないことがわかります。 |
| これは、データベースのビューを提供するために使用するのが好きな写真です。各ドットは、組成のドメインの多次元ビューの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、実験計画を使用した研究から得られたデータを取得するか、データを取得することができます |
| 得られた |
| 一度に 1 つのコンポーネントを評価します。 |
| 過去に、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、検証セットに対して古典的なアプローチが使用されましたが、最終的には、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。 |
| そのため、すべてのデータを使用するのではなく、粘度を予測したい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。 たとえば、予測したい場合は |
| ここで |
| 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、予測したい場合は別のモデルが作成されます |
| プロパティ |
| 別のコンポジションで。 そのため、この手法は動的であると言えます。 それは、モデルが構成に依存するためです。 予測したい場所に関連し、適合しています。 |
| これを手動で行う必要がないため、自動であると言います。 すべてのステップは、ツールに実装された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最適なデータの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計画が生成されます |
| 関心のある構成の周り。 そして、計画の各実行は、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。 |
| そして、ツールに実装した 2 つ目の方法は、関心のある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対してモデルが作成され、粘度が予測されます。 そして、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。 |
| フランソワ・ベルゲレ | ガラスの粘度を予測するのは簡単ではないため、別の統計と機械学習手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回帰。 この方法は、JMP Pro を使用すると非常に強力で、??? よりも優れた結果を得ることができます。変形を伴うモデル。 |
| また、予測に関して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がある温度です。 |
| ここを見ると、先ほど説明した 2 つのメソッドのコードとアルゴリズムが実装されています。 |
| このツールの強みは、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 | そのため、ここにいくつかの重要なパラメーターを示します。 ガラスの専門家からの情報をできるだけ多く考慮することが非常に重要です。 |
| たとえば、自然と粘度に対する酸化物の役割を入力するには、特定のアルゴリズムを作成する必要がありました。 |
| もう 1 つの重要な点は、データの出所と信頼性に関連しています。 このために、このプロジェクトで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、重み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です。 |
| では、いよいよ……。 |
| フランソワ・ベルゲレ | さて、画面を表示します。 |
| デモを表示するには |
| これで、私の画面が表示されるはずです。 |
| 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と数ヶ月間開発を進めてきました。 |
| コードを実行したので、それをお見せします。 |
| 発見...ここでコードのファイルを開きます。 |
| そして、それは実行されています。 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。 その後、ループがあります。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。 |
| そうそして |
| ダミアンが述べたように、適応型であるため、データの最適なサブセットを探しています。 また、ここには実験計画法アプローチもあり、それによって設計を最適化し、適切なデータを取得しています。 |
| その後、実際に稼働させて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、実行には 1 分ほどかかります。完了すると、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 を使用すること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、話して私の共有を止めてくれ。 |
| ダミアン・ペレ | そして。 |
| 一つだけ。 |
| 今私の画面が見えますか？ |
| はい、そうです。 |
| 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を取得します。 |
| 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 番目の方法の拡大の数があります。 |
| 赤は予測の中央値です。これは、統計学者ではないユーザーには十分ですが、統計の詳細を調査したい場合は、このレポートにそれぞれの品質を調査するための多くの情報があります。 |
| 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、多重線形回帰の BIC F モデルです。 |
| したがって、ここで PRESS 値は、方法 1 の予測が 2 番目の方法よりも少し優れていることを示しています。また、トレーニングの拡大がオンになっているモデルの清算も見られます。 |
| 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。 |
| ここでは、モデルについてさらに詳しく説明します。 |
| たとえば、最初の方法では、実験の理論計画と実際の計画を比較できます。 私たちは予測を持っています... |
| 異なるモデルの異なる...異なるモデルの予測式。 また、見積もりに関する情報もいくつかあります。また、2 番目の方法に関する情報も多数あります。 最後に、多くの統計があります |
| 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、最も多くの構成があります???データベース内のガラスの粘度の実験値があるため、これも非常に便利です。 |
| そして |
| パワーポイントに戻りましょう。 |
| さて、これが得られた結果です。 の |
| 2 つの予測機能は、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って評価されました。 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とデータのグローバル サブセットを対象としています。 3 つの分位数は中央値として与えられます。これは、予測値の 50% が表に示されている値を下回る相対誤差を持つことを意味します。 |
| また、この表には 75% と 90% の分位数もあります。 そのため、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られています。 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 |
| モデルの機能は素晴らしく、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 |
| 文献で利用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、値...予測の相対誤差の値ははるかに高く、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の場合です。 |
| 場合によっては、より重要なエラーが発生します。 |
| このデータを詳しく見ると このグラフでは |
| ???上の値 |
| x 軸と y 軸の実験値から、この最大の予測誤差はこれら 2 つのガラスで得られることがわかります。 |
| 市販のデータベース SciGlass からの引用 ... 同じリファレンス。これは特許であり、装置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が高いこれらすべての組成については、結晶化が発生する可能性が非常に高いと考えており、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、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するために、私たちの方法論を適用しました。 |
| これが得られた結果で、粘度よりも優れています。 そしてここで、予測の全体的な相対誤差は 5% 未満です。これは非常に良いことです。 |
| ガラスの熱履歴や実験装置によって大きく異なります。 ここに、実験誤差に非常に近い 2 つの機能があります。これは非常に優れています。 |
| フランソワ・ベルゲレ | 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。 関心のある構成に関する適切な情報に対処します。 |
| さらに、JSL と JMP Pro を使用して機械学習モデルを自動化し、一般的な回帰とニューラル ネットワークは非常に優れたパフォーマンスを発揮します。 |
| CEA の専門家によると、精度は良好で、予期しない問題がいくつか明らかになります。 私たちは現在、より大きなデータベースでモデルを拡張し、ブラッドリー・ジョーンズと協力して共同出版物を書くことを計画しています. ありがとう。 |
