扬声器 | 成绩单 |
| 达米安·佩雷特（Damien PERRET） | 您好，欢迎您，并感谢您在线观看欧洲探索峰会会议的演讲。 |
| 我叫达米安·佩雷（Damien Perret）。 我是法国CEA的研发科学家，并且与我的同事和朋友Francois Bergeret（统计学家，法国Ippon Innovation的创始人）一起。 |
| 我叫达米安·佩雷（Damien Perret）。 我是法国CEA的研发科学家，并且与我的同事和朋友Francois Bergeret（统计学家，法国Ippon Innovation的创始人）一起。 |
| 因此，与Francois一起，我们今天很高兴来到这里，我们要感谢指导委员会给我们提供了进行这一工作的机会，这是关于应用于JMP的玻璃粘度预测的先进统计方法。 |
| 因此，让我们从法国替代能源和原子能委员会谈一下。 CEA是法国政府机构，致力于四个领域的研究，开发和创新 |
| 国防与安全，低碳能源，技术研究和基础研究。 CEA在九个地点拥有约20,000名员工。 |
| 我们通过各种联合研究部门，大量专利和初创公司与大学建立了牢固的关系，预算约为50亿欧元。 |
| 弗朗索瓦·贝杰雷特 | 统计和数据科学，包括研究，咨询和培训。 |
| 成为普通合作伙伴我们感到非常自豪 |
| 因为几年了 今天，我也非常高兴与朋友达米恩（Damien）一同出席。 |
| Ippon还为零缺陷和过程控制提出了先进的解决方案。 自1995年以来，我个人就是JMP 3的JMP用户。 |
| 达米安·佩雷特（Damien PERRET） | 因此，我们在这项工作中的主要目标是创建统计模型来预测玻璃的性能，在今天的演讲中，我们将重点放在玻璃粘度上。 |
| 为此，实验数据既来自商业数据库，也来自我们在CEA自己的数据库。 我们希望算法在JSL中编码并在JMP Pro 15中实现。 |
| 模型的响应是所关注的玻璃属性，因此本例中的粘度以及影响因素是不同玻璃成分的含量。 |
| 因此，这里有一些背景信息。 玻璃是非晶态固体。 它是通过快速淬火玻璃熔体而获得的，从材料的角度来看，玻璃是一种混合物，是不同氧化物的混合物。 |
| 因此，氧化物的数量是可变的，从非常简单的玻璃中的两种或三种到最复杂的成分中的约30种甚至更多。 |
| 玻璃特性的计算历史悠久，我们认为第一个模型是19世纪末在德国创建的。 |
| 自那以后， |
| 玻璃性能预测领域的已出版文献数量大大增加，因此，今天我们在商业数据库中拥有大量玻璃数据，这些数据还提供并用于预测 |
| 玻璃性能。 |
| 但是尽管过去已经做出了所有努力来预测玻璃的性能，但是对于玻璃粘度的预测仍然存在挑战。 |
| 并且，这是因为玻璃粘度是难以预测的性质。 首先，粘度非常取决于玻璃熔体中可能发生的物理机理，取决于玻璃组成，例如相分离或结晶。 并且 |
| 粘度是唯一具有如此大范围变化直至某些数量级的特性。 |
| 因此，这是一个显示此困难的示例。 我们选择了三种组成的SBN玻璃，这是一种非常简单的玻璃，只有三种???。 |
| 并且我们使用了文献中最著名的模型来计算粘度。 |
| 然后，我们将预测值与使用自己的设备测得的实验值进行比较。 因此，您可以看到，即使对于非常简单的玻璃，也不容易获得预测粘度的可靠值。 |
| 因此，这是一张图片，是我们用来提供数据库视图的一张好图片，其中每个点在组成区域的多维视图中都是一个玻璃杯。 因此数据可能来自孤立的研究 |
| 或者我们可以从使用实验设计的研究中获得数据，或者我们可以拥有数据 |
| 获得 |
| 一次评估一个组成部分。 |
| 过去，我们通过使用整个数据库中发现的部分数据，花费了大量时间来应用不同的机器学习技术。 |
| 在验证集上使用了经典方法，但是最后，没有发现具有可接受的预测能力的统计模型来预测粘度。 |
| 因此，我们决定使用其他方法。 |
| 因此，与使用所有数据相比，我们认为最好通过使用要预测粘度的成分附近的数据来创建模型。 因此，例如，如果我们要预测 |
| 在这里 |
| 红点，将根据我们在该区域中的数据创建一个模型，如果我们要预测，将创建另一个模型 |
| 财产 |
| 在另一种成分上。 这就是为什么我们说这种技术是动态的。 这是因为模型取决于组成。 它与我们要预测的地方相关并适合。 |
| 我们说这是自动的，因为我们不必手动执行此操作。 每一步都由该工具中实现的算法完成。 |
| 因此，最重要的一点之一当然是确定创建模型的最佳数据子集。 为此，我们实现了两种子采样方法。 |
| 因此，在第一种方法中，将生成实验的理论或虚拟设计 |
| 周围的兴趣组成。 然后，将设计的每次运行都替换为数据库中存在的最相似的实验数据，从而得出最终的训练集。 |
| 我们在工具中实现的第二种方法是基于围绕感兴趣的组合创建的不同大小的数据集。 |
| 该工具会生成一个小的数据集，并在这个小的子集上创建模型以预测粘度。 然后生成越来越大的数据集，并通过与每个子集相关的统计标准评估最佳大小。 |
| 弗朗索瓦·贝杰雷特 | 玻璃粘度不容易预测，因此我们决定使用不同的统计数据和机器学习方法。 |
| 多项式带变换的模型，使用对数正态分布的广义回归。 使用JMP Pro时，此方法功能非常强大，可以得到比???更好的结果。具有转换的模型。 |
| 我们还使用神经网络，在预测方面非常强大。 如前所述，由于我们有两个数据集，因此每个响应都有六个预测。 |
| 下一张幻灯片是该工具的示意图。 |
| 输入的是玻璃的成分和必须预测粘度的温度。 |
| 如果我们在这里查看，代码和算法已经针对我们之前描述的两种方法实现了。 |
| 该工具的优势在于，不仅可以得到一个预测，还可以根据与用户可以评估的所有数据相关的统计标准来计算六个值。 |
| 达米安·佩雷特（Damien PERRET） | 因此，这是一些关键参数。 重要的是要尽可能多地考虑玻璃专家的意见。 |
| 例如，我们必须创建特定的算法来输入自然界和氧化物对粘度的作用。 |
| 另一个非常重要的方面与数据的来源和可靠性有关。 为此，该项目花费了大量时间 |
| 建立可靠的数据库。 因此，我们必须实施砝码，并且必须研究计算距离的不同方法……玻璃成分之间的距离。 |
| 现在是时候了... |
| 弗朗索瓦·贝杰雷特 | 好的，我现在要显示屏幕。 |
| 演示给你看 |
| 代码，因此您现在应该看到我的屏幕。 |
| 而且我只是在执行代码，所以它是一个复杂的JSL程序。 我们已经与CEA合作开发了几个月。 |
| 所以我只是执行了代码，现在我将向您展示。 |
| 发现...所以我在这里打开代码文件。 |
| 它正在运行，好的。 该代码正在执行，所以我要评论一下。 |
| 这段代码中有几个循环。 当然，第一步是识别数据和功能。 然后，我们有了一个循环，首先，我们有了所谓的自适应迭代和数据库的原因。 |
| 所以 |
| 正如Damien所说，由于它是自适应的，因此您正在寻找最佳的数据子集。 我们这里还具有实验设计方法，通过优化设计，我们可以获得正确的数据。 |
| 在那之后，它实际上正在运行，我们正在预测玻璃化转变温度。 好的，正如我提到的，我们有三个模型，对于每个模型，我们都有两个数据库，所以我们总共有六个预测。 |
| 因此，正如您所看到的，执行起来有点长，但是持续了大约一分钟，完成后，我们将获得玻璃化转变温度以及粘度等程序的所有输出。 。 |
| 使用JSL一直非常非常有用，此外，就用户而言，如Damien所见，它非常易于使用和 |
| 供专家使用。 达米恩，你可以聊天，停止我的分享。 |
| 达米安·佩雷特（Damien PERRET） | 可以，然后呢。 |
| 只有一个。 |
| 现在可以看到我的屏幕吗？ |
| 是的，好的。 |
| 好的，这是该工具创建的常规统计报告。 首先，我们要了解玻璃的组成。 |
| 接着 |
| 我们有 |
| 在此图上为预测值。 所以在Y轴上 |
| 我们有三种算法和两种方法计算出的粘度预测值。 在X轴上，我们有第二种方法的放大数量。 |
| 用红色表示的是预测的中位数，这对于非统计学家用户来说足够了，但是如果我们要调查统计细节，则本报告中有很多信息可用来研究每种预测的质量 |
| 每个模型。 例如， |
| 我们可以检查值 |
| PRESSS或其他型号。 这是针对多线性回归BIC F模型的。 |
| 因此，在这里我们看到PRESS值告诉我们，方法一的预测比第二种方法的预测好一点，并且随着训练集的扩大，我们还看到了模型清算。 |
| 我们还有 |
| 不同的统计值。 例如，对于不同的算法和不同的模型，我们具有R平方值。 |
| 在这里，我们有关于模型的更多细节。 |
| 例如，对于第一种方法，我们可以比较实验的理论设计和实际设计。 我们有预测... |
| 不同模型的预测公式。 此外，我们还有一些关于...的信息，关于第二种方法的...也有很多信息。 所以最后，我们有很多统计数据 |
| 对用户非常有用的详细信息。 和这里， |
| 最后，我们拥有最多的组成???数据库中的玻璃的粘度，我们可以得到粘度的实验值，因此这也是非常非常有用的。 |
| 可以，然后呢 |
| 让我们回到PowerPoint。 |
| 好的，这就是我们获得的结果。 这 |
| 通过提取形成全局数据库的230行来评估两个预测能力。 在此表中，我们具有...的预测的相对误差 |
| 粘度预测 |
| 适用于不同类型的玻璃以及全局数据子集。 给出了三个分位数作为中位数，这意味着50％的预测值的相对误差低于表中指示的值。 |
| 在此表中，我们还有75％和90％的分位数。 因此，当我们谈论玻璃粘度时，传统上我们认为70％左右的预测误差非常好。 所以我们可以看到大部分数据 |
| 模型功能很好，我们对在那里获得的结果感到非常满意。 |
| 作为比较 |
| 又来了 |
| 当我们应用文献中可用的模型时，我们得到的结果是非常简单的SBN玻璃，仅含三种氧化物。 因此，我们可以看到，预测相对误差的值...值要高得多，并且在一个模型与另一个模型之间的差异可能很大。 |
| 再说一次，这是只含三种氧化物的非常简单的玻璃。 |
| 在某些情况下，我们有更重要的错误， |
| 但是如果我们详细查看这些数据，那么在此图上，我们有 |
| 这 ？？？值 |
| x轴和y轴上的实验值，我们看到这两个眼镜的预测误差最大 |
| 来自商业数据库SciGlass，来自……相同的参考文献，该参考文献是一项专利，并且没有提及设备的实验误差。 |
| 而且对于所有这些铝含量高的成分，我们认为很可能发生结晶，因此我们不能完全确定实验值是否正确。 |
| 最后，我们运用我们的方法来预测另一种玻璃特性，即玻璃化转变温度，这是玻璃技术中的重要特性。 |
| 这是我们获得的结果，甚至比粘度更好。 在这里，预测的整体相对误差在5％以下，这确实不错，因为我们知道此属性 |
| 取决于玻璃的热历史和实验设备，其变化可能很大。 因此，这是两种功能，非常接近实验误差，非常好。 |
| 弗朗索瓦·贝杰雷特 | 好的，结论是，我们方法的一个重要特征是全局数据库的动态子采样。 我们针对感兴趣的构成提供正确的信息。 |
| 此外，使用JSL和JMP Pro，我们使机器学习模型自动化，通用回归和神经网络的性能非常好。 |
| 据CEA专家称，准确性很好，并揭示了一些意外的问题。 我们现在计划在更大的数据库上扩展模型，并与Bradley Jones合作，并可能编写联合出版物。 谢谢你。 |
