Altoparlante | Trascrizione |
| Damien PERRET | Salve benvenuto e grazie per aver guardato online questa presentazione per la conferenza del vertice sulla scoperta dell'Europa. |
| Il mio nome è Damien Perret. Sono uno scienziato di ricerca e sviluppo presso CEA in Francia e sono insieme al mio collega e amico Francois Bergeret, statistico e fondatore di Ippon Innovation in Francia. |
| Il mio nome è Damien Perret. Sono uno scienziato di ricerca e sviluppo presso CEA in Francia e sono insieme al mio collega e amico Francois Bergeret, statistico e fondatore di Ippon Innovation in Francia. |
| Quindi, con Francois, siamo molto felici di essere qui oggi e vorremmo ringraziare il Comitato direttivo che ci ha dato l'opportunità di occuparci di questo, che riguarda metodi statistici avanzati applicati alla previsione della viscosità del vetro con JMP. |
| Cominciamo quindi con alcune parole sulla Commissione francese per le energie alternative e l'energia atomica. CEA è un'organizzazione governativa francese per la ricerca, lo sviluppo e l'innovazione in quattro aree |
| difesa e sicurezza, energie a basse emissioni di carbonio, ricerca tecnologica e ricerca fondamentale. Il CEA conta circa 20.000 persone in nove sedi. |
| Abbiamo forti rapporti con le università attraverso varie unità di ricerca congiunte, elevato numero di brevetti e creazione di start-up, con un budget di circa 5 miliardi di euro. |
| Fran? Ois Bergeret | statistica e scienza dei dati, compresi studi, consulenza e formazione. |
| Siamo molto orgogliosi di essere partner generali |
| da diversi anni. Sono anche molto felice di presentare oggi con il mio amico Damien. |
| Ippon propone anche soluzioni avanzate per zero difetti e controllo di processo. Personalmente sono un utente JMP dal 1995 con JMP 3. |
| Damien PERRET | Quindi il nostro obiettivo principale in questo lavoro è creare modelli statistici per prevedere le proprietà del vetro, e per questo discorso oggi ci concentriamo sulla viscosità del vetro. |
| Per fare ciò, i dati sperimentali provengono sia dal database commerciale che dal nostro database al CEA. Volevamo che gli algoritmi fossero codificati in JSL e implementati in JMP Pro 15. |
| La risposta del modello è la proprietà del vetro di interesse, quindi la viscosità per questo esempio ei fattori sono i contenuti dei diversi componenti del vetro. |
| Quindi, ecco alcune informazioni di base. Il vetro è un solido non cristallino. Si ottiene per tempra rapida di una fusione di vetro e, dal punto di vista materico, un vetro è una miscela, una miscela di diversi ossidi. |
| Quindi il numero di ossidi è variabile, da due o tre in un bicchiere molto semplice a circa 30 e anche di più nelle composizioni più complesse. |
| C'è una lunga tradizione nel calcolo delle proprietà del vetro e pensiamo che i primi modelli siano stati creati in Germania alla fine del XIX secolo. |
| Da allora, |
| la quantità di letteratura pubblicata nel campo della previsione della proprietà del vetro è enormemente aumentata, così che oggi abbiamo un'enorme quantità di dati sul vetro disponibili nel database commerciale, che ha anche offerto e utilizzato per prevedere il |
| proprietà del vetro. |
| Ma nonostante tutti gli sforzi che sono stati fatti in passato per prevedere le proprietà del vetro, rimangono delle sfide per la previsione della viscosità del vetro. |
| E questo perché la viscosità del vetro è una proprietà difficile da prevedere. Innanzitutto la viscosità dipende molto dai meccanismi fisici che possono verificarsi nella fusione del vetro, a seconda della composizione del vetro, come la separazione di fase o la cristallizzazione, per esempio. E anche |
| la viscosità è l'unica proprietà che ha un così vasto intervallo di variazione fino a certi ordini di grandezza. |
| Quindi ecco un esempio che mostra questa difficoltà. Abbiamo selezionato tre composizioni di vetro SBN, che è un vetro molto semplice, con solo tre ???. |
| E abbiamo applicato i modelli più noti della letteratura per calcolare la viscosità. |
| Quindi confrontiamo i valori previsti con il valore sperimentale che abbiamo misurato con il nostro dispositivo. Quindi puoi vedere che anche per un vetro molto semplice, non è facile ottenere un valore affidabile per la viscosità prevista. |
| Quindi ecco un'immagine, una buona immagine che ci piace usare per dare una visione del database, dove ogni punto è un bicchiere in una vista multidimensionale del dominio delle composizioni. Quindi un dato può provenire da studi isolati |
| oppure possiamo avere dati provenienti da studi usando disegni sperimentali o possiamo avere dati |
| ottenuto |
| con la valutazione di un componente alla volta. |
| In passato abbiamo dedicato molto tempo ad applicare diverse tecniche di apprendimento automatico utilizzando la parte dei dati che si trova nell'intero database. |
| È stato utilizzato un approccio classico su un set di convalida, ma alla fine non è stato trovato alcun modello statistico con una capacità predittiva accettabile per prevedere la viscosità. |
| Quindi abbiamo deciso di utilizzare un approccio diverso. |
| Quindi, invece di utilizzare tutti i dati, pensiamo che sia meglio creare un modello utilizzando dati vicini alla composizione in cui vogliamo prevedere la viscosità. Quindi, ad esempio, se vogliamo prevedere |
| qui sul |
| punti rossi, verrà creato un modello dai dati che abbiamo in quest'area e verrà creato un modello diverso se vogliamo prevedere |
| la proprietà |
| su un'altra composizione. Ecco perché diciamo che questa tecnica è dinamica. È perché il modello dipende dalla composizione. È correlato e adattato dove vogliamo prevedere. |
| E diciamo che è automatico perché non dobbiamo farlo manualmente. Ogni passaggio viene eseguito da algoritmi implementati nello strumento. |
| Quindi uno dei punti più importanti è sicuramente la determinazione del sottoinsieme ottimale di dati per creare il modello. Per questo abbiamo implementato due metodi di sottocampionamento. |
| Quindi nel primo metodo viene generato un progetto teorico o virtuale dell'esperimento |
| intorno alla composizione di interesse. E poi ogni esecuzione del progetto viene sostituita dai dati sperimentali più simili presenti nel database, portando al set di addestramento finale. |
| E il secondo metodo che abbiamo implementato nello strumento si basa su diverse dimensioni di set di dati creati attorno alla composizione di interesse. |
| Un piccolo set di dati viene generato dallo strumento e i modelli vengono creati su questo piccolo sottoinsieme per prevedere la viscosità. Quindi vengono generati set di dati sempre più grandi e la dimensione ottimale viene valutata in base a criteri statistici associati a ciascun sottoinsieme. |
| Fran? Ois Bergeret | La viscosità del vetro non è facile da prevedere, quindi abbiamo deciso di utilizzare statistiche e metodi di apprendimento automatico diversi. |
| Polinomio ??? modelli con trasformazione, regressione generalizzata utilizzando una distribuzione lognormale. Questo metodo è molto potente utilizzando JMP Pro e può fornire risultati migliori rispetto a ??? modelli con trasformazione. |
| Utilizziamo anche reti neurali, molto potenti in termini di previsione. Poiché abbiamo due set di dati, come accennato in precedenza, abbiamo sei previsioni per ciascuna risposta. |
| La diapositiva successiva è uno schema, una vista dello strumento. |
| Gli input sono la composizione del vetro e la temperatura alla quale deve essere prevista la viscosità. |
| Se guardiamo qui il codice e l'algoritmo sono stati implementati per i due metodi che abbiamo descritto poco prima. |
| Il punto di forza dello strumento è che, invece di ottenere una sola previsione, vengono calcolati sei valori con un criterio statistico associato a tutti i dati che possono essere valutati dall'utente. |
| Damien PERRET | Quindi, ecco alcuni dei parametri chiave. È molto importante tenere conto del maggior numero possibile di input degli esperti del vetro. |
| Ad esempio, abbiamo dovuto creare algoritmi specifici per entrare con la natura e il ruolo degli ossidi sulla viscosità. |
| Un altro punto di grande importanza è legato alla provenienza e quindi all'affidabilità dei dati. Per questo, è stata spesa una notevole quantità di tempo in questo progetto |
| alla costituzione di una banca dati affidabile. Quindi abbiamo dovuto implementare i pesi e abbiamo dovuto studiare diversi modi di calcolare la distanza ... le distanze tra le composizioni di vetro. |
| Quindi ora è il momento ... |
| Fran? Ois Bergeret | Ok, ora mostro lo schermo. |
| Per mostrarti una demo |
| del codice, quindi dovresti vedere il mio schermo ora. |
| E sto solo eseguendo il codice, quindi è un programma JSL complesso. Lo stiamo sviluppando da diversi mesi con CEA. |
| Quindi ho appena eseguito il codice e ora te lo mostrerò. |
| Scoperta ... quindi qui sto aprendo i file per il codice. |
| Ed è in esecuzione, ok. Il codice è in esecuzione, quindi commenterò un po '. |
| Abbiamo diversi loop in questo codice. Naturalmente, il primo passo è identificare i dati e le funzioni. Dopo di che abbiamo un ciclo, prima di tutto abbiamo quella che chiamiamo iterazione adattiva e il motivo del database. |
| Così e |
| poiché è adattivo, come menzionato da Damien, stai cercando il miglior sottoinsieme di dati. E abbiamo anche qui l'approccio alla progettazione di esperimenti, per cui ottimizzando il progetto, otteniamo i dati giusti. |
| Dopodiché, ed è in funzione, prevediamo la temperatura di transizione vetrosa. Ok, e abbiamo, come ho detto, tre modelli e per ogni modello, abbiamo due database, quindi abbiamo un totale di sei previsioni. |
| Quindi, come vedi, è un po 'lungo da eseguire, ma dura qualcosa come un minuto, e quando sarà fatto, avremo tutti gli output dei programmi della temperatura di transizione vetrosa e, ovviamente, la viscosità . |
| Usare JSL è stato molto, molto utile e, inoltre, in termini di utenti, come vedrai con Damien, è molto facile da usare e da |
| da utilizzare per gli esperti. Quindi Damien, puoi parlare e interrompere la mia condivisione. |
| Damien PERRET | Va bene così. |
| Solo uno. |
| Riesci a vedere il mio schermo adesso? |
| Sì, va bene così. |
| Ok, quindi questo è un rapporto statistico generale creato dallo strumento. Quindi, per prima cosa, abbiamo la composizione di interesse del vetro. |
| Poi |
| noi abbiamo |
| su questo grafico, i valori previsti. Quindi sull'asse Y, |
| abbiamo i valori previsti della viscosità calcolati dai tre algoritmi e per i due metodi. E sull'asse X, abbiamo il numero dell'allargamento per il secondo metodo. |
| E in rosso, abbiamo la mediana delle previsioni, che può essere sufficiente per un utente non statistico, ma se vogliamo indagare i dettagli statistici, abbiamo molte informazioni in questo rapporto per studiare la qualità di ciascuna |
| ogni modello. Per esempio, |
| possiamo controllare i valori |
| delle PRESSE o del modello diverso. Ecco per il modello BIC F di regressione multilineare. |
| Quindi qui vediamo che i valori di PRESS ci dicono che la previsione con il metodo numero uno è un po 'migliore rispetto al secondo metodo, e vediamo anche la liquidazione del modello con l'allargamento del training impostato. |
| Abbiamo anche |
| diversi valori statistici. Ad esempio, abbiamo il valore R quadrato per il diverso algoritmo e per i diversi modelli. |
| E qui abbiamo ancora più dettagli sul modello. |
| Ad esempio, per il primo metodo possiamo confrontare il progetto teorico e quello effettivo dell'esperimento. Abbiamo il predetto ... |
| formula di previsione per il diverso ... per il diverso modello. Inoltre abbiamo alcune informazioni sul ... sui preventivi, e abbiamo anche molte informazioni sul ... per il secondo metodo. Quindi, alla fine, abbiamo molte statistiche |
| dettagli e informazioni che sono molto, molto utili per l'utente. E qui, |
| alla fine abbiamo la composizione di più ??? di vetro nel database, per il quale abbiamo un valore sperimentale della viscosità, quindi anche questo è molto, molto utile. |
| Va bene così |
| torniamo al PowerPoint. |
| Ok, quindi questi sono i risultati che otteniamo. Il |
| due capacità predittive sono state valutate estraendo 230 righe che formano un database globale. E in questa tabella, abbiamo l'errore relativo della previsione ... di |
| la previsione della viscosità |
| per diversi tipi di vetro e per il sottoinsieme globale di dati. Tre quantili sono dati come mediana, il che significa che il 50% dei valori previsti ha un errore relativo inferiore al valore indicato nella tabella. |
| E abbiamo anche il 75 e il 90% dei quantili in questa tabella. Quindi, quando parliamo di viscosità del vetro, tradizionalmente consideriamo che l'errore previsto intorno al 70% è molto buono. Quindi possiamo vederlo per la maggior parte dei dati |
| la capacità del modello va bene e siamo rimasti molto soddisfatti dei risultati ottenuti lì. |
| A titolo di confronto, |
| sono di nuovo qui |
| i risultati che abbiamo ottenuto per il vetro molto semplice, il vetro SBN, con solo tre ossidi quando abbiamo applicato i modelli disponibili in letteratura. Quindi possiamo vedere che il valore ... i valori per l'errore relativo di previsione erano molto più alti e potevano variare molto da un modello all'altro. |
| E ancora, questo era per un vetro molto semplice con solo tre ossidi. |
| E in alcuni casi abbiamo errori che sono più importanti, |
| ma se guardiamo questi dati in dettaglio, quindi qui su questo grafico, abbiamo |
| il ??? valori su |
| asse x e valori sperimentali sull'asse y, vediamo che questo più grande errore di previsione si ottiene per questi due bicchieri |
| proveniente dal database commerciale SciGlass da ... la stessa referenza, che è un brevetto e per il quale non si parla di errore sperimentale dell'apparecchiatura. |
| E anche per tutte queste composizioni ad alto contenuto di alluminio, pensiamo che sia molto probabile che si verifichi la cristallizzazione, quindi non possiamo essere del tutto sicuri che i valori sperimentali fossero corretti. |
| Infine, abbiamo applicato la nostra metodologia per prevedere un'altra proprietà del vetro, la temperatura di transizione vetrosa, che è una proprietà importante nella tecnologia del vetro. |
| Ecco i risultati che abbiamo ottenuto, che sono anche migliori che per la viscosità. E qui, quindi l'errore relativo complessivo della previsione è inferiore al 5%, il che è davvero buono, perché sappiamo che questa proprietà |
| può variare molto, a seconda della storia termica del vetro e del dispositivo sperimentale. Quindi ecco le due funzionalità, molto vicine all'errore sperimentale, che è molto carino. |
| Fran? Ois Bergeret | Ok, in conclusione, una caratteristica importante del nostro approccio è un sottocampionamento dinamico del database globale. Affrontiamo le giuste informazioni sulla composizione di interesse. |
| Inoltre, utilizzando JSL e JMP Pro, abbiamo automatizzato i modelli di machine learning, la regressione generale e le reti neurali sono molto performanti. |
| Secondo l'esperto CEA, la precisione è buona e rivela alcuni problemi inaspettati. Abbiamo in programma ora di espandere i modelli su un database più grande e anche di lavorare con Bradley Jones e magari scrivere una pubblicazione congiunta. Grazie. |
