扬声器
|
成绩单
|
| 戴维·王·帕斯卡（David.Wong-Pascua） |
可以，然后呢。 |
| |
顺序和稳定赢得比赛。 所以，大家好，我是David，我是CatSci的资深科学家。 那么，什么是CatSci？ |
| |
CatSci是端到端化学过程，研发的创新合作伙伴。 我们与JMP UK等组织合作，以确保我们的所有决策均受数据驱动。 |
| |
对我们来说，这是第一次就将其正确，每次都将其正确；为每个项目制定量身定制的完美解决方案；我们的绝对重点是实现客户的期望。 |
| |
我们在多个领域工作，包括早期和后期开发。 我们拥有工艺专业知识，悠久的催化经验历史，这一直是我们身份的核心特征，并且在分析化学和材料科学领域拥有卓越的能力。 |
| |
因此，在CatSci上，我们面临的挑战之一是在过程优化的上游选择分类变量。 |
| |
在我们的催化剂筛选工作中，这一困难最为突出。 |
| |
在幻灯片上的图像中，我们可以看到我们用来进行催化剂筛选的某些设备和仪器。 |
| |
在左侧，我们提供了预制的催化套件，其中包含24种金属前驱物和配体的预定组合。 |
| |
中间是一个加氢器，里面装有一个48孔板，可以在右侧看到。 |
| |
这样可以同时进行48个单独的实验。 |
| |
这些仪器是为高通量和小规模设计的，为我们的客户运行10个或更多的这些板并不少见，总共可以进行近500个实验。 |
| |
那么，为什么我们需要进行相对大量的实验？提高效率的好处是什么？ |
| |
因此，首先，需要探索的化学空间非常大。 |
| |
对于任何反应，任何化学反应，都有许多因素会产生影响，例如温度，浓度和化学计量。 |
| |
但是，使探索对于催化反应特别具有挑战性的是，有许多重要的分类因素。这些包括金属前体，配体，试剂，溶剂和添加剂。 |
| |
催化反应的另一个特征是经常存在高阶相互作用，因此这意味着对于催化剂体系（金属前体和配体的特定组合）， |
| |
需要广泛的溶剂和添加剂筛分以评估性能。 |
| |
仅在某些溶剂中表现不佳，就不能排除在此之前仅说出甲氧基前体和配体的某种组合……是不正确的。 可能是因为您没有合适的溶剂或合适的添加剂。 |
| |
最后，解释更有效的筛选方法的好处的最简单方法之一就是查看材料的价格。 |
| |
我们的许多催化项目都涉及贵金属，例如铂，钯，钌，铱和铑。 这些金属中的一些是地壳中最稀有的元素，这在它们的价格中得到了反映。 |
| |
只是Google对其价格进行了快速搜索，您可以在此处看到铑的价格比黄金的价格高出一个数量级。 |
| |
催化筛选的另一大费用是配体。 尽管存在廉价的配体，但许多用于不对称合成的性能最好的配体都是专有的配体，例如Solvias的Josiphos， |
| |
J001是最常用和最便宜的一种，仍然是黄金价格的两倍。 |
| |
因此，减少实验数量可以降低耗材成本，但是当我们为具有多吨制造工艺的客户找到最佳解决方案时，就会产生最大的影响。 |
| |
在这些情况下，催化剂负载量减少十倍或发现另一种更便宜的催化剂，例如，将铑催化剂替换为钌催化剂，每年可节省数百万美元。 |
| |
现在移交给Ben，他将讨论JMP UK团队如何解决此问题。 |
| 本·弗朗西斯 |
非常感谢David。 |
| |
所以很明显 |
| |
CatSci和许多其他类似CatSci的公司都面临着巨大的配方空间挑战， |
| |
可以具有非常高阶的交互作用。 因此，科学非常非常复杂，我们要做的实验旨在弄清这种复杂性很重要。 |
| |
不幸的是，由于David在此处列出的费用，仅测试每个单独的组合并不是一个明智或可行的选择。 |
| |
最终，我们需要采取某种形式的方法，其中涉及数据科学以数字方式理解这些关系。 |
| |
因此，为了继续进行选择并将其应用于制造...一个多重制造场景，我们需要知道它每次都会起作用，如David所说。 |
| |
因此，我们搜索了文献，因为在JMP上，我们对DOE的应用非常感兴趣，我们认为这是DOE的特殊情况。 |
| |
正如我们恰当地命名的那样，这是一个很大的能源部。 因此，我们搜索了一个案例研究以将大型DOE方法应用于该案例研究，并发现了Perera等人的论文， |
| |
该研究于2018年发表，他们研究了该反应筛选的平台。 在这种情况下，有趣的是它们具有五个分类因素。 |
| |
这听起来可能不算太多。 他们必须研究反应物1和2，配体，试剂和溶剂，但是本文提出的复杂性是每个因素的水平。 |
| |
四个，三个，十二，八个和四个级别分别组合在一起，形成4,608个不同的组合。 |
| |
现在，在Perera等人的论文中，他们测试了每一个组件，显然这对世界上的每家公司都不是可行的解决方案，就像David概述的那样，仅测试每个组合。 |
| |
您可以在热图上看到他们能够了解到一些高产区 |
| |
有些产量较低，有些也很低。 因此，有很多测试最终导致对过程的了解不多 |
| |
以及很高的实验成本。 |
| |
因此，最终最终导致他们找到了一个组合，找到了一个组合，然后可以在纸上进行处理，然后说，看，这是一般的情况。 |
| |
第一次是对的，但是从那时起，如果他们将其放入多吨级制造方案中，那么每次都对吗？ 它将继续提供所需的规范吗？ |
| |
大型DOE解决方案会减少资源需求吗？ |
| |
它第一次正确吗？每次都正确吗？ 以及我们衡量这些问题的方式以及我们的表现方式 |
| |
首先是在减少资源需求方面，我们只允许设计一个总共480次运行的实验。 这模仿了10个48个工作板，大约是本文进行的运行的10％。 |
| |
通过查看或鉴定出论文中确定的80种高产量组合中的多少，来衡量它是否第一次正确 |
| |
由模型生成。 而且，最终，我们希望通过10％的运行，从我们的DOE中获得至少八种高收益组合 |
| |
（此处的高收率表示超过95％的值）。 |
| |
最后，至关重要的是，每次通过查看模型的常规诊断（R平方）来测量它是否正确。 最终，我们能否看一下这一点，看看我们是否具有过程洞察力？ 关系有意义吗？ 组合和互动有意义吗？ |
| |
因此，我们在这里也想给自己一个平价的方法，就是看完整的数据集4,608，我们发现其R平方为.89，这是采用增强树方法的。 |
| |
现在，我将交给Phil，他将概述我们采用的第一个大型DOE方法。 |
| 菲尔·凯 |
谢谢，本；大卫，谢谢你，这样很好地安排了现场。 因此，我们研究了三种不同的方法 |
| |
解决这个问题，看看我们是否可以减少该论文中实际测试的运行次数，并仍然获得与Ben所述相同的有用信息。 |
| |
因此，我将讨论这三种方法中的两种，而这两种是极端的方法。 有一个保守的方法和一个贪婪的方法，然后瑞安将通过更为混合的平衡方法进行讨论，我们认为这最终可能会最好地发挥作用。 |
| |
因此，按照保守的方法，这是一种标准的DOE方法。 我们设计了一个带有10个模块的480运行自定义设计，因此代表了David展示给我们的催化剂筛选设备中的10个板。 |
| |
并且从480个实验中获得的主要结果是，我们能够正确地预测13个最高产量的组合将是高产量的组合。 |
| |
我们能够从480个运行数据集中构建一个模型，当我们针对该实验中未使用的数据进行测试时， |
| |
R平方大约为0.73，实际上非常好。 从已发布的大型实验中，我们从较小的实验中获得了一个很好的模型，对整个系统有了很好的理解。 |
| |
我们从中获得的一些非常有趣的见解是，我们需要使用机器学习来从这些数据中获得有用的模型，这对我们来说是一个惊喜。 我将更详细地讨论这一点。 |
| |
通过使用这种保守方法收集的数据，我们获得了一些很好的理解。 它使我们对整个因子空间有了很好的了解，为什么某些组合可以很好地起作用。 |
| |
它使我们能够确定其他区域，因此，如果我们找到高收益的组合，但这是不切实际的，因为它太昂贵了， |
| |
催化剂太昂贵，或者它们是危险或有毒的，不适合工业过程，那么我们就有了很多替代方案，因为我们对整个空间有了充分的了解。 |
| |
那么，我们是怎么做到的呢？ |
| |
JMP中的定制设计。 我们 |
| |
我设计了一个480行程，这是我的最佳设计，在这种情况下，分为10个区块。 同样，由David展示给我们的设备代表10个48孔板的10个块。 |
| |
在这里值得注意的是，我们在自定义设计中指定了一个用于主要效果的模型。 |
| |
对于第二阶交互和第三阶交互。 在三阶相互作用以及所有这些分类因素的影响下， |
| |
仅有大量参数需要估算，因此我们实际上无法设计一个实验来明确估算所有这些参数。 如果可能的话，我们需要考虑三阶相互作用，因此这是480次运行中的贝叶斯优化设计。 |
| |
您可以从该视觉图中看到，我们只是在浏览不同回合的实验，不同的... 10个不同板块。 |
| |
您可以看到，在实验中增加了下一块板后，我们如何将对整个因子空间的探索添加到整个过程中。 |
| |
我们不关注任何特定区域。我们只是在我们关于整个因子空间的知识中填充空间。 |
| |
因此，我们在实验中使用了480个运行，而从已发布的数据集中获得了剩余的4,128行。 我们可以使用此测试数据来查看我们的模型在保留数据集（此测试数据）上的比较程度。 |
| |
现在，我们从各种DOE背景和经验中期望 |
| |
当我们为某个模型设计实验时，标准回归技术将为我们提供最有用的模型。 |
| |
因此，我们在这里使用JMP Pro，并使用广义回归来拟合完整的三阶模型。 |
| |
现在我们实际上在这里使用一个beta分布，该分布在0到1之间反弹预测，因此我们将收益率百分比转换为0到1的比例。 这只是一个小技巧，当您对诸如此类的收益数据进行建模时，您可能会希望在拥有JMP Pro的情况下使用它。 |
| |
而且，我们使用前向选择，并以AICc作为验证方法，以便选择重要的效果。 |
| |
我们在每个回合之后都重复一遍，因此，第一轮进行48轮，第二轮进行96轮，第三轮进行144轮，一直到第十轮为止，我们已经完成了480轮。 |
| |
在这里，您可以看到gen reg上设置的过滤器，只是看那里的前三轮。 |
| |
因此，在前三轮中，这是我们使用gen reg，正向选择，AICc验证获得的模型。 |
| |
我认为，这不是一个很好的模型，仅凭直觉，就我们对化学的期望即可。 我们仅看到该模型涉及的两个因素，因此仅选择了两个重要的重要影响。 |
| |
因此，我们可以将该模型保存到数据表中，然后可以看到该模型对保留数据，测试集的预测效果如何， |
| |
其余4128行不在我们的实验中。 我们可以在每一轮中做到这一点。 而且每一轮我们都这样做，因此我们使用gen reg构建了10个模型。 |
| |
现在，作为替代方案，我们认为值得研究一些机器学习方法。 而在这里，我们只是再次关注前三轮比赛。 |
| |
作为查看许多不同建模技术的一种快速方法，我们在JMP 16 Pro中使用了模型筛选。 |
| |
我们只在这里填写收益率和Y和X的因数。 我们设置了保留验证列，以随机保留25％的数据以进行验证。 |
| |
单击“确定”，它将贯穿所有这些不同的建模技术，因此，我们现在得到一个报告，该报告告诉我们 |
| |
这些...所有这些不同的建模技术的性能如何，包括一些gen reg模型，神经网络和不同的树方法。 |
| |
我们选择了那里最好的两个。 实际上，在整个实验过程中，我们发现神经...增强的神经网络模型和自举森林是性能最好的模型。 |
| |
因此，再次，我们可以将预测公式保存回去，并在测试数据集中使用那些未包含在实验中的预测公式来进行比较，并查看我们的不同模型对该测试数据集的表现如何。 |
| |
而且我们在这里使用模型比较和JMP Pro，因此我们比较了所有gen reg模型，神经网络模型和bootstrap森林模型。 |
| |
现在，您正在看R与该测试数据集平方的关系。 这些模型与保留测试数据集的拟合程度如何。 |
| |
您会看到gen reg，使用红色的前向选择的标准回归模型，从头开始 |
| |
在第一轮中，这实际上是最好的模型，但并没有真正改善，然后突然在5点左右变得非常糟糕，然后在下一轮中再次变得非常好。 因此非常不稳定，到最后变得更糟，可能过度拟合。 |
| |
另一方面，机器学习方法是 |
| |
在第三轮之后，他们表现最佳，比我们的标准回归技术表现更好，并且一直在不断改进。 实际上， |
| |
您会看到神经在该处以绿色更好地开始，到最后，引导森林的性能优于增强的神经网络模型。 |
| |
因此，这里带回家的方法就算是这种情况，您可能会认为这是一个相对简单的情况，您确实需要JMP Pro中的机器学习方法来获得此类系统或流程的最佳模型，最可靠模型。 |
| |
现在，我们只查看已发布的所有4,608个运行的实际收益结果与第10轮结束时的最佳模型的预测（总共480次运行）的图。 所以那是右边的一个引导森林。 |
| |
而且还不错，您知道您可以看到它所采取的重要行为。 它确定了低产区，并且确定了高产区。 所以， |
| |
特别是在右上角，他们使用的是碘反应物以及硼酸和硼酸酯 |
| |
那里的反应物。 |
| |
因此，我们将其与另一种极端方法进行比较。 因此，第一轮48轮比赛完全相同；我们从相同的48次运行开始。 然后，我们建立一个模型，并使用该模型找出所有剩余运行中的哪些， |
| |
在剩余的全部4,560个运行中，模型预测哪些运行将具有最高的收益，然后在接下来的所有回合（直到10个）中都继续这样做。 |
| |
在这种情况下，我们可以正确预测更多的高收益和组合，但是当我们在10轮后获得最终模型并将其与数据进行比较时， |
| |
我们没有在实验中使用过，R平方很糟糕。 是.33。 因此，实际上，我们获得的模型并未对整个系统做出良好的预测。 |
| |
因此，我们对一个高产区有了很好的了解，并且正在寻找组合，找到效果良好的因素的设置，但实际上并不能真正使我们了解整个系统。 不是... |
| |
我们不会降低对系统整体的了解的可变性。 |
| |
因此，仅向您展示该系统，该方法的工作原理，这是我们完整的4,608次运行，所有可能的组合，而且，正如我在第1轮中提到的，这与使用保守方法的第1轮相同，因此我最佳 |
| |
一组点，您会看到它们在因子空间中均匀分布。 |
| |
我们对这48次运行的数据拟合模型。 |
| |
然后，我们使用该模型预测所有其他可能组合的收益，然后从48个收益最高的预测中选择一个， |
| |
那是那些。 因此，您可以看到，它们专注于...的高收益区域...我们不是...我们不再探索完整的因子空间。 |
| |
如果我们从第1、2、3轮到第10轮，您会看到，每次我们添加...我们都将实验添加到实验中，这些实验就位于顶部的高收益区域中左边。 因此，我们实际上只专注于因子空间的一个区域。 |
| |
而且，如果我们将此处的实际值与预测值进行比较，您会发现它在该区域左上方的区域中做得很好。 |
| |
但是在其他地方，正如我们可能期望的那样，它做出了相当糟糕的预测。这可能并不奇怪。 我们尚未在整个系统上进行实验。 我们确实只是集中在那个高产地区。 |
| |
如果您将其与我们在左侧的保守方法进行比较（因此您已经在左侧看到了该图），那么请看一下模型 |
| |
通过第一轮到第十轮进行了改进，然后每一轮我们都再次使用模型筛选平台来找到最佳模型。 |
| |
事实证明，实际上在每个阶段，增强神经网络都是最好的模型。 好吧，您可以再次看到它有点不稳定，就像保守方法中的gen reg一样。 |
| |
有时虽然还可以，但是永远不会...它与我们从保守实验中得到的最佳模型永远都没有竞争性。 |
| |
所以这是两个极端，我将转交给瑞安，他将讨论针对此问题的更平衡或混合的方法。 |
| 瑞安·莱基维兹（Ryan Lekivetz） |
所以，谢谢那个菲尔。 和 |
| |
只是在演示过程中，就必须对Phil，Ben和David表示感谢，感谢他们允许我参与其中。 作为开发人员，玩一点实际上是一种乐趣。 因此，我是JMP中DOE平台的开发人员。 |
| |
因此，正如Phil在这里提到的那样，我在这里看到的方法是一种混合方法。 |
| |
好了，所以这里的想法是我们将研究优化与探索的想法。 |
| |
因此，如果您想到了Phil谈到的贪婪方法，那实际上就是这种优化。 我将全力以赴，这就是我要专注的全部。 那种保守的方法，所关心的只是探索。 |
| |
所以这里的想法是，我们可以在中间 |
| |
也许进行优化，同时还需要探索一些空间？ |
| |
所以我要说一下我在这里做了什么...所以我实际上是从提前设置的三个孔板开始的，对。 所以我做了这三个大小为48的块，并且我只是做了主要效果，如果可能的话2FI。 |
| |
这样做的原因是有时我并不真正相信只有48次运行的模型。 我说，好吧，让我们稍微花些时间。 让我们尝试144个或三个孔板，这样我也许可以再信任一下该模型了。 |
| |
因为从某种意义上说，即使您想到了这种贪婪的方法，如果您的模型很糟糕，您也将进入可怕的地区。 它不会帮助您很多。 |
| |
再次如此……与以前一样，最后我仍然要做10个总孔板或10个总块。 |
| |
我将在以后的幻灯片中讨论这一点，但是实际上我在整个过程中都使用XGBoost。 因此，我的预测方式是使用XGBoost，这是我要了解的一个原因 |
| |
为此。 |
| |
但是，因此这里的想法是从本质上采用预测值。 我说，我不会严格遵循最佳48条，而是要设定一个阈值。 |
| |
是的，所以在前三个之后，我从50岁开始。 因此，我说了要给我大于50的预测值，并且随着我继续进行进一步的实验，我将每轮增加5个。 |
| |
我的意思是，这很武断。其中的一部分是知道我们总共只有10轮，这也是因为我可以根据预测看那套有多大。 |
| |
是的，因此根据数据，如果看起来该集合仍然很大，则预测值约为50，则可以对其进行修改。 |
| |
因此，这里的想法实际上只是为了慢慢地开始探索有望成为高产地区的可能性。 |
| |
所以，对吗？ 好吧，因此，在这种情况下，我们实际上从80种最高收益组合中获得了27种，即95种以上的组合，与贪婪方法相差不远。 |
| |
如果再考虑所有保留数据的R平方，那就是最终测试R平方有0.69，因此与保守方法的距离真的相差不远。 所以... |
| |
我的意思是，您可能...现在可能要保持谨慎，仅查看这两个数字，但基于此，这种混合动力确实确实是两全其美。 我的意思是，您正在对此进行权衡，但是，您得到了一些好处。 |
| |
因此，仅对此方法有一些见解。 最后，我确实要说的是，我们确实对与高收益相关的那些因素空间有了更好的了解。 |
| |
我认为这个贪婪的人，如果您可以回想一下这些点的位置，它们实际上集中在左上角，因此它并没有真正对该空间进行更多的探索。 |
| |
你可以想象，如果... |
| |
如果那里的东西一夜之间价格突然翻了两番，那么您对该区域其他地区一无所知。 |
| |
是的，因此，通过这种混合方法，我们获得了更多有关如何和为什么，某些组合的信息，这为我们提供了更好的替代方案 |
| |
同样，也许，如果您还有其他因素需要考虑，您会愿意牺牲一点点的收益，因为根据其他衡量标准，还有更好的选择。 |
| |
所以，实际上，这里的想法...是的，所以让我来研究一下在定制设计中实际上是如何完成的。 所以我采取的方法是 |
| |
在自定义设计器中使用协变量，我认为这有时会被低估。 |
| |
但是，所以我的想法是，我只是获取了完整的数据集，所以整个4,608次运行， |
| |
每一轮...所以您可以想象，首先，我采用了这些...我采用144运行设计，然后我说，嗯，我将采用该完整数据集的一个子集。 如果我已经在以前的设计中选择了它，那么，我需要确保将其包括在内。 |
| |
然后，还给我提供高于该特定值的预测产量，因此，对于第四个设计，同样要从50和55、60等开始。 |
| |
所以在数据表中 |
| |
现在，我要做的是选择先前实验中使用的设计要点。 因此，我确保将其突出显示。 然后进行自定义设计，当您遇到加法因素时，这里有一个称为协变量的选项。 再说一次，我认为是... |
| |
许多人以前从未真正见过协变量，我在这里提到，因为我想我可能会花整整一整段时间谈论协变量， |
| |
但实际上会有几条博客条目（如果您看到该视频时它们没有出现，则可能是在您观看此视频后的几天之内） |
| |
在这里，我将进一步讨论如何真正使用协变量。 但是这个主意是，您可能之前也听说过一种称为“候选集”的东西，所以这个主意是... |
| |
这是先前选择的数据集以及所有类似内容的数据集，它告诉定制设计师您只能选择这些设计点。 |
| |
您无法执行标准操作，我们将继续尝试切换坐标等操作。 它告诉JMP定制设计器，您必须在设计中使用这些运行，尤其是， |
| |
使用协变量的选项之一是您可以强制使用先前选择的设计点，因此实际上就像进行设计扩充一样 |
| |
在使用协变量后使用候选项。 |
| |
而且，当然，因为在这种情况下，...我无法真正抛弃以前尝试过的那些设计要点。 确实，我们要做的就是选择下一个48。 |
| |
不过，如果您想到了自定义设计，我在这里也应该提一下... |
| |
因此，在每种情况下，我正在做的是...所以要进行两个因素的相互作用，如果可能的话再进行三个因素的相互作用。 |
| |
但这确实是一种探索设计空间的机制，对。 我适合的模特 |
| |
事后才使用XGBoost，所以我的意思是设计并未针对XGBoost模型或类似的东西进行优化。 |
| |
可以说，这更多地是代理人，在设计空间中可以预测出预期的产量，并且，尤其是因为这正在处理分类因素，因此将确保它试图获得良好的平衡。 另一件事要提到， |
| |
如果您想...再次，因为它没有使用该基础模型，XGBoost或类似的东西，则可以使用响应。 因此，在这种情况下，他们将收益预测为另一个协变量，而这样做的目的是尝试在高收益和低收益之间取得更好的平衡 |
| |
尝试进行设计时的响应。 |
| |
因此，我们在这里没有对此进行探讨，但是我认为将来这将是一件有效的事情。 |
| |
因此，达到了预期的产量。 所以，正如我在...中提到的那样，所以我认为当Phil在谈论其他一些机器学习技术时，他尝试过 |
| |
对于我的???，我实际上主要专注于XGBoost。 |
| |
如果您查看左侧的图片，我这样做的原因之一就是尝试 |
| |
使用K折交叉验证，但在这里我使用设计编号，该编号本质上是每增加一次折叠的孔板。 因此，与其随机选择不同的K折， |
| |
它会说，我要看一下孔板，然后再尝试将其固定住。 因此，如果您想像到第一个，当我只有三个孔板时， |
| |
它将取每个孔板，将其伸出，然后根据其余两个孔板来预测其预测效果。 因此，当我到达第十...第十个孔板时，它实际上就像是十倍。 |
| |
因此，我这样做的部分原因是考虑尝试使该模型对您尚未看到的下一个孔板具有鲁棒性。 |
| |
而且，实际上，如果某个特定的孔板发生了某些事情，这实际上也可能会保护您， |
| |
然后，也许也可以从中获得一点保护。 |
| |
我对XGBoost所做的另一件事是，当您启动XGBoost平台时，例如通过加载项，您会看到顶部有一个小复选框，我们称之为调优设计。 |
| |
因此，通过该调优设计， |
| |
它实际上是在盖子后面安装了一个空间填充设计，并针对不同的超参数运行了所有这些。 |
| |
所以我每次这样做都是为了 |
| |
我将为50个运行选择一个优化设计，但只是探索了该超参数空间。 所以我会选择每个回合的模型 |
| |
是具有最佳验证R平方的那个。 同样，在这种情况下，验证R的平方实际上仅使用我拥有的设计点，对。 所以这就是用...折叠K倍... |
| |
用那些不同的孔板。 因此，在这种情况下，验证R平方不是...我不在使用尚未看到的数据，因为实际上，我还没有该数据。 |
| |
但这只是说使用那种验证技术，而我使用的是孔板。 再说一遍，这就是我在大多数情况下使用XGBoost的原因，我只是在尝试一些与众不同的方法 |
| |
使用K折叠技术，以及XGBoost时，我真的很喜欢使用空格填充。 |
| |
因此，让我们在这里看看。 因此，我们在这里可以看到，这些是在连续几轮中都获得的点。 现在， |
| |
如果您想到贪婪方法中发生的事情，我的意思是说，它实际上集中在左上方。 |
| |
是的，但是现在，如果您看到这种混合方法， |
| |
当它开始向前移动时，您会看到它填补了这些点，但是我们也得到了更好的……更好的点采样，尤其是在左侧。 |
| |
是的，因此，如果您从角度考虑，现在对于那些高产区，您有许多更好的选择。 |
| |
我认为是这样...如果我们现在来看一下实际与预期， |
| |
实际上，我认为这也可以说明问题，因为我们做了更好的探索。 |
| |
在那些高产地区 |
| |
我认为，如果您向左下方看，它的涨幅并没有那么高，我认为在混合模型中我们可以做得更好，可以选择一些可行的替代方案。 |
| |
使用此方法的好处还在于，我不仅可以专注于产量，还可以专注于其他方面。 |
| |
是的，所以如果您考虑... |
| |
我可能会有第二反应，不管是某种毒性，可能是成本，诸如此类， |
| |
当我查看这些预测值时，我不仅可以关注收益。 因此，如果您想到类似贪婪的方法， |
| |
如果您开始添加要考虑的第二项...第二项标准，则开始进行这种平衡要困难得多。 鉴于使用这种子集方法，在其中添加辅助响应确实一点也不困难。 |
| |
我想现在将其移交给Ben得出结论。 |
| 本·弗朗西斯 |
所以， |
| |
非常感谢David，Phil和Ryan给出了我们为什么要这样做的背景，然后最终为我们提供了两种，三种非常好的解决方案和方法， |
| |
查看我们如何解决此问题。 在所有这些方法中，很明显JMP正在为科学家提供价值。 因此，我们已经有了直接的，前期的经验，我们将用于实验的资源减少了十倍。 我们仅使用了10％的运行次数。 和 |
| |
最终，我们在每种情况下都能够满足规格要求并提供实验中的高产量解决方案。 |
| |
但是除此之外，我们还展示了如何根据采用这种方法的公司的目标和策略，对不同的深度过程进行理解。 |
| |
现在，您可能会注意到，我们三个来自JMP的人，对CatSci如何解决此问题非常感兴趣。 我们不一定要 |
| |
CatSci以外的问题并自行解决；我们提供工具以解决DOE方面的问题。 这是David作为客户之间的一次奇妙的合作， |
| |
技术销售方面的我自己和phil，产品开发方面的Ryan，在这里关键是我们都从不同的角度看待这一点。 |
| |
为了实现这种解决方案，正如我之前所说，我们可以根据需要实现的目标，以不同的方式看待对过程的深刻理解。 |
| |
我们一路上发现了一些事情，这对JMP的我们来说确实是令人兴奋的，并将导致产品改进，然后我们将这些问题交还给你们 |
| |
作为客户。 我们了解到机器学习方法适用于这种大的DOE情况，并且，正如您所知，对于JMP而言，它们很容易应用。 此外，我们还从验证方法中学到了警告，我们可以对此进行进一步研究。 |
| |
因此，最终，我们在解决大型能源部挑战方面在这里做了很多工作，并且我们确信有很多像CatSci一样的公司正在处理此类问题。 |
| |
因此，我们都邀请您进一步研究我们已经完成的这项工作，并且在社区方面我们在这里有两个链接，我们将在其中发布资源和视频， |
| |
以及JMP Public帖子，使您可以动手使用我们在其中使用的数据。 因此，在本演讲中的每一个人，我们要感谢您的收看。 |
