스피커 | 성적 증명서 |
| 데미안 페레 | 안녕하세요. 유럽 디스커버리 서밋 컨퍼런스 온라인을 시청 해 주셔서 감사합니다. |
| 제 이름은 Damien Perret입니다. 저는 프랑스 CEA의 R & D 과학자이며, 제 동료이자 친구 인 Francois Bergeret, 통계 학자이자 프랑스 Ippon Innovation의 설립자입니다. |
| 제 이름은 Damien Perret입니다. 저는 프랑스 CEA의 R & D 과학자이며, 제 동료이자 친구 인 Francois Bergeret, 통계 학자이자 프랑스 Ippon Innovation의 설립자입니다. |
| 그래서 Francois와 함께 오늘 이곳에 오게되어 매우 기쁩니다. JMP를 사용한 유리 점도 예측에 적용되는 고급 통계 방법에 관한이 문제에 대해 논의 할 기회를 주신 운영위원회에 감사드립니다. |
| 이제 프랑스 대체 에너지 및 원자력위원회에 대해 몇 마디로 시작하겠습니다. CEA는 4 개 분야의 연구, 개발 및 혁신을위한 프랑스 정부 기관입니다. |
| 국방 및 안보, 저탄소 에너지, 기술 연구 및 기초 연구. CEA는 9 개 지역에서 약 20,000 명을 기록하고 있습니다. |
| 우리는 약 50 억 유로의 예산으로 다양한 공동 연구 단위, 다량의 특허 및 창업 창출을 통해 대학과 강력한 관계를 맺고 있습니다. |
| Fran? ois Bergeret | 연구, 컨설팅 및 교육을 포함한 통계 및 데이터 과학. |
| 우리는 일반 파트너가 된 것을 매우 자랑스럽게 생각합니다. |
| 몇 년 이후. 저는 오늘 제 친구 인 데미안과 함께 선물하게되어 매우 기쁩니다. |
| Ippon은 또한 무결점 및 공정 제어를위한 고급 솔루션을 제안합니다. 저는 개인적으로 JMP 3을 사용하는 1995 년부터 JMP 사용자입니다. |
| 데미안 페레 | 따라서이 작업의 주요 목표는 유리 특성을 예측하는 통계 모델을 만드는 것입니다. 오늘이 강연에서는 유리 점도에 중점을 둡니다. |
| 이를 위해 실험 데이터는 상용 데이터베이스와 CEA의 자체 데이터베이스에서 제공됩니다. 우리는 알고리즘이 JSL로 코딩되고 JMP Pro 15에서 구현되기를 원했습니다. |
| 모델의 반응은 관심있는 유리 특성이므로이 예의 점도와 요인은 서로 다른 유리 성분의 내용물입니다. |
| 여기에 몇 가지 배경 정보가 있습니다. 유리는 비결정질 고체입니다. 그것은 유리 용융물의 급속한 급냉에 의해 얻어지며, 재료 관점에서 유리는 서로 다른 산화물의 혼합물 인 블렌드입니다. |
| 따라서 산화물의 수는 매우 단순한 유리의 경우 2 ~ 3 개에서 가장 복잡한 구성의 경우 약 30 개까지 다양합니다. |
| 유리 물성의 계산에는 오랜 전통이 있으며 우리는 19 세기 말 독일에서 최초의 모델이 만들어 졌다고 생각합니다. |
| 그때부터, |
| 유리 물성 예측 분야에서 출판 된 문헌의 양이 엄청나게 증가하여 오늘날 우리는 상업적 데이터베이스에 방대한 양의 유리 데이터를 사용할 수 있습니다. |
| 유리 특성. |
| 그러나 과거에 유리 특성을 예측하기위한 모든 노력에도 불구하고 유리 점도 예측에 대한 과제가 남아 있습니다. |
| 그리고 이것은 유리 점도가 예측하기 어려운 특성이기 때문입니다. 첫째, 점도는 예를 들어 상 분리 또는 결정화와 같은 유리 조성에 따라 유리 용융물에서 발생할 수있는 물리적 메커니즘에 따라 크게 달라집니다. 그리고 또한 |
| 점도는 특정 크기까지 큰 범위의 변동을 갖는 유일한 속성입니다. |
| 그래서 여기에 이러한 어려움을 보여주는 예가 있습니다. 우리는 세 가지 구성의 SBN 유리를 선택했습니다. 이것은 매우 단순한 유리이며 ???. |
| 그리고 우리는 점도를 계산하기 위해 문헌에서 가장 잘 알려진 모델을 적용했습니다. |
| 그런 다음 예측값을 자체 장치로 측정 한 실험값과 비교합니다. 따라서 매우 단순한 유리의 경우에도 예측 된 점도에 대해 하나의 신뢰할 수있는 값을 얻는 것이 쉽지 않다는 것을 알 수 있습니다. |
| 여기에 우리가 데이터베이스를보기 위해 사용하는 좋은 그림이 있습니다. 여기서 각 점은 구성 영역의 다차원보기에서 하나의 유리입니다. 따라서 데이터는 고립 된 연구에서 나올 수 있습니다. |
| 또는 실험 설계를 사용한 연구에서 얻은 데이터를 얻거나 |
| 획득 |
| 한 번에 하나의 구성 요소를 평가합니다. |
| 과거에는 전체 데이터베이스에서 찾은 데이터의 일부를 사용하여 다양한 기계 학습 기술을 적용하는 데 많은 시간을 보냈습니다. |
| 그리고 검증 세트에는 고전적인 접근 방식이 사용되었지만 결국에는 점도를 예측할 수있는 허용 가능한 예측 기능이있는 통계 모델이 발견되지 않았습니다. |
| 그래서 우리는 다른 접근 방식을 사용하기로 결정했습니다. |
| 따라서 모든 데이터를 사용하는 대신 점도를 예측하려는 구성에 가까운 데이터를 사용하여 모델을 만드는 것이 더 낫다고 생각합니다. 예를 들어 우리가 예측하고 싶다면 |
| 여기에 |
| 빨간색 점,이 영역에있는 데이터에서 하나의 모델이 생성되고 예측하려는 경우 다른 모델이 생성됩니다. |
| 재산 |
| 다른 작곡에. 그래서 우리는이 기술이 역동적이라고 말하는 것입니다. 모델이 구성에 따라 다르기 때문입니다. 우리가 예측하려는 곳에 관련되고 적합합니다. |
| 그리고 우리는 이것을 수동으로 할 필요가 없기 때문에 자동이라고 말합니다. 모든 단계는 도구에 구현 된 알고리즘에 의해 수행됩니다. |
| 따라서 가장 중요한 점 중 하나는 모델을 만들기위한 최적의 데이터 하위 집합을 결정하는 것입니다. 이를 위해 우리는 서브 샘플링의 두 가지 방법을 구현했습니다. |
| 따라서 첫 번째 방법에서는 실험의 이론적 또는 가상 설계가 생성됩니다. |
| 관심의 구성 주위. 그런 다음 각 설계 실행은 데이터베이스에있는 가장 유사한 실험 데이터로 대체되어 최종 학습 세트로 이어집니다. |
| 그리고 도구에서 구현 한 두 번째 방법은 관심있는 구성을 중심으로 생성 된 다양한 크기의 데이터 세트를 기반으로합니다. |
| 도구에 의해 작은 데이터 세트가 생성되고 점도를 예측하기 위해이 작은 하위 세트에 모델이 생성됩니다. 그런 다음 더 크고 더 큰 데이터 세트가 생성되고 최적 크기는 각 하위 집합과 관련된 통계 기준에 의해 평가됩니다. |
| Fran? ois Bergeret | 유리 점도는 예측하기가 쉽지 않기 때문에 다른 통계 및 기계 학습 방법을 사용하기로 결정했습니다. |
| 다항식 ??? 변환이있는 모델, 로그 정규 분포를 사용하는 일반화 회귀. 이 방법은 JMP Pro를 사용하여 매우 강력하며 ??? 변형 된 모델. |
| 우리는 또한 예측 측면에서 매우 강력한 신경망을 사용합니다. 앞서 언급했듯이 두 개의 데이터 세트가 있으므로 각 응답에 대해 6 개의 예측이 있습니다. |
| 다음 슬라이드는 도구의 개략도입니다. |
| 입력은 유리의 조성과 점도를 예측해야하는 온도입니다. |
| 여기를 보면 방금 전에 설명한 두 가지 방법에 대한 코드와 알고리즘이 구현되었습니다. |
| 이 도구의 장점은 하나의 예측 만 얻는 대신 사용자가 평가할 수있는 모든 데이터와 관련된 통계 기준으로 6 개의 값이 계산된다는 것입니다. |
| 데미안 페레 | 여기에 몇 가지 주요 매개 변수가 있습니다. 가능한 한 유리 전문가의 많은 의견을 고려하는 것이 매우 중요합니다. |
| 예를 들어, 우리는 자연과 점도에 대한 산화물의 역할을 입력하기 위해 특정 알고리즘을 만들어야했습니다. |
| 중요한 또 다른 점은 데이터의 출처 및 신뢰성과 관련이 있습니다. 이를 위해이 프로젝트에서 상당한 시간이 소요되었습니다. |
| 신뢰할 수있는 데이터베이스 구성에. 그래서 우리는 가중치를 구현해야하고 거리를 계산하는 다양한 방법을 연구해야했습니다. 유리 구성 사이의 거리입니다. |
| 그래서 이제 시간입니다 .... |
| Fran? ois Bergeret | 자 이제 화면을 보여 드리겠습니다. |
| 데모를 보여주기 위해 |
| 이제 내 화면을 볼 수 있습니다. |
| 그리고 저는 코드를 실행하고 있으므로 복잡한 JSL 프로그램입니다. 우리는 CEA와 함께 몇 달 동안 그것을 개발해 왔습니다. |
| 그래서 방금 코드를 실행했고 이제 보여 드리겠습니다. |
| 디스커버리 ... 그래서 여기에서 코드 파일을 엽니 다. |
| 그리고 실행 중입니다. 코드가 실행 중이므로 조금 설명하겠습니다. |
| 이 코드에는 여러 루프가 있습니다. 물론 첫 번째 단계는 데이터와 기능을 식별하는 것입니다. 그 후 루프가 생겼습니다. 우선 적응 반복이라고 부르는 것과 데이터베이스에 대한 이유가 있습니다. |
| 그래서 |
| Damien이 언급했듯이 적응 형이기 때문에 최상의 데이터 하위 집합을 찾고 있습니다. 또한 여기에는 실험 설계 방식이 있습니다. 설계를 최적화하여 올바른 데이터를 얻습니다. |
| 그 후 실제로 실행 중이며 유리 전이 온도를 예측합니다. 좋아요. 앞서 언급했듯이 세 개의 모델이 있고 각 모델에 대해 두 개의 데이터베이스가 있으므로 총 6 개의 예측이 있습니다. |
| 보시다시피, 실행하는 데는 약간 길지만 1 분 정도 지속됩니다. 완료되면 유리 전이 온도 프로그램의 모든 출력과 물론 점도를 얻게됩니다. . |
| JSL을 사용하는 것은 매우 유용했으며 사용자 측면에서도 Damien에서 볼 수 있듯이 사용하기가 매우 쉽습니다. |
| 전문가를 위해 사용합니다. 그래서 데미안, 당신은 내 공유를 말하고 중지 할 수 있습니다. |
| 데미안 페레 | 좋아요. |
| 딱 하나만. |
| 이제 내 화면이 보이나요? |
| 네, 그래요. |
| 좋아요, 이것은 도구로 만든 일반적인 통계 보고서입니다. 따라서 먼저 유리의 관심 구성이 있습니다. |
| 그리고 |
| 우리는 |
| 이 그래프에서 예측 된 값입니다. 따라서 Y 축에서 |
| 세 가지 알고리즘과 두 가지 방법으로 계산 된 점도의 예측 값이 있습니다. 그리고 X 축에는 두 번째 방법의 확대 횟수가 있습니다. |
| 빨간색으로 표시된 예측의 중앙값은 통계학자가 아닌 사용자에게 충분할 수 있지만 통계 세부 정보를 조사하려는 경우이 보고서에는 각각의 품질을 연구 할 수있는 많은 정보가 있습니다. |
| 각 모델. 예를 들면 |
| 우리는 값을 확인할 수 있습니다 |
| PRESSS 또는 다른 모델의. 다음은 다중 선형 회귀 BIC F 모델입니다. |
| 그래서 여기서 우리는 PRESS 값이 첫 번째 방법을 사용한 예측이 두 번째 방법보다 약간 낫다는 것을 알려주고 훈련 세트를 확대 한 모델 청산도 볼 수 있습니다. |
| 우리도 가지고있다 |
| 다른 통계 값. 예를 들어, 다른 알고리즘과 다른 모델에 대한 R 제곱 값이 있습니다. |
| 그리고 여기에 모델에 대한 더 많은 세부 정보가 있습니다. |
| 예를 들어, 첫 번째 방법의 경우 이론적 및 실제 실험 설계를 비교할 수 있습니다. 우리는 예측했습니다 ... |
| 다른 모델에 대한 예측 공식. 또한 우리는 추정치에 대한 정보를 가지고 있으며 두 번째 방법에 대한 정보도 많이 가지고 있습니다. 결국에는 많은 통계가 있습니다. |
| 사용자에게 매우 유용한 세부 정보와 정보. 그리고 여기, |
| 결국 우리는 가장 많은 구성이 있습니다 ??? 점도의 실험적 값이있는 데이터베이스에있는 유리의 경우도 매우 유용합니다. |
| 좋아, 그래서 |
| PowerPoint로 돌아 갑시다. |
| 좋아요, 이것이 우리가 얻은 결과입니다. 그만큼 |
| 두 가지 예측 능력은 글로벌 데이터베이스를 형성하는 230 개의 행을 추출하여 평가되었습니다. 그리고이 표에는 예측의 상대 오차가 있습니다. |
| 점도 예측 |
| 다양한 유형의 유리 및 글로벌 데이터 하위 집합에 사용됩니다. 세 개의 분위수가 중앙값으로 제공됩니다. 즉, 예측 값의 50 %에 표에 표시된 값보다 낮은 상대 오차가 있습니다. |
| 또한이 표에는 75 %와 90 % 분위수가 있습니다. 따라서 유리 점도에 대해 이야기 할 때 전통적으로 약 70 %의 예측 오차가 매우 좋다고 생각합니다. 따라서 대부분의 데이터에 대해 |
| 모델 능력은 괜찮 았고 우리는 거기서 얻은 결과에 매우 만족했습니다. |
| 비교하자면 |
| 여기 다시 |
| 문헌에 나와있는 모델을 적용했을 때 산화물이 3 개 뿐인 매우 단순한 유리 인 SBN 유리에 대해 얻은 결과입니다. 따라서 우리는 예측의 상대적 오차에 대한 값 ... 값이 훨씬 더 높았고 모델마다 크게 다를 수 있음을 알 수 있습니다. |
| 그리고 이것은 단지 3 개의 산화물이있는 매우 단순한 유리를위한 것입니다. |
| 어떤 경우에는 더 중요한 오류가 있습니다. |
| 하지만이 데이터를 자세히 살펴보면 여기이 그래프에서 |
| ??? 값 |
| x 축과 y 축의 실험값을 보면이 두 안경에 대해 가장 큰 예측 오차가 얻어지는 것을 볼 수 있습니다. |
| 상용 데이터베이스 SciGlass에서 가져온 ... 동일한 참조, 특허이며 장비의 실험 오류가 언급되지 않았습니다. |
| 또한 알루미늄 함량이 높은 이러한 모든 구성에 대해 결정화가 발생할 가능성이 매우 높으며 실험 값이 정확하다는 것을 완전히 확신 할 수 없습니다. |
| 마지막으로 우리는 방법론을 적용하여 유리 기술에서 중요한 특성 인 다른 유리 특성 인 유리 전이 온도를 예측했습니다. |
| 다음은 우리가 얻은 결과이며 점도보다 훨씬 좋습니다. 여기에서 예측의 전체 상대 오차는 5 % 미만입니다. 정말 좋습니다.이 속성이 |
| 유리의 열 이력과 실험 장치에 따라 크게 달라질 수 있습니다. 여기에 두 가지 기능이 있습니다. 실험적 오류에 매우 가깝습니다. 매우 좋습니다. |
| Fran? ois Bergeret | 결론적으로 우리 접근 방식의 중요한 특징 중 하나는 글로벌 데이터베이스의 동적 서브 샘플링입니다. 관심있는 구성에 대한 올바른 정보를 처리합니다. |
| 또한 JSL 및 JMP Pro를 사용하여 기계 학습 모델을 자동화했으며 일반 회귀 및 신경망이 매우 성능이 좋습니다. |
| CEA 전문가에 따르면 정확도가 좋고 예기치 않은 문제가 몇 가지 나타납니다. 이제 더 큰 데이터베이스에서 모델을 확장하고 Bradley Jones와 협력하여 공동 출판물을 작성할 계획입니다. 감사합니다. |
