Die Entwicklung einer iterativen Versuchsplanung auf Basis eines Bayes'schen Ansatzes gewinnt an Interesse, wie in diesen beiden Artikeln gezeigt wird:
- Schilde, BJ, Stevens, J., Li, J., Parasram, M., Damani, F., Alvarado, JI M., ... & Doyle, AG (2021). Bayesianische Reaktionsoptimierung als Werkzeug für die chemische Synthese.Natur , 590 (7844), 89-96.
- Grüne Hügel., Rana, S., Gupta, S., Vellanki, P., & Venkatesh, S. (2020). Bayesianische Optimierung für adaptives Versuchsdesign: eine Übersicht.IEEE-Zugang , 8 , 13937-13948.
Zur Implementierung dieses Ansatzes steht ein JMP-Add-In zur Verfügung ( https://community.jmp.com/t5/JMP-Add-Ins/Bayesian-optimization-add-in/ta-p/496785 ). Leider fehlen dem Add-in einige wichtige Funktionen wie:
- die Verwendung mehrerer Modelltypen (insbesondere des Bootstrap Forest)
- die Verwaltung diskreter Variablen
- das Management experimenteller Einschränkungen
- die Möglichkeit, mehrere Experimente pro Iteration durchzuführen
Insbesondere im Bereich der explorativen Forschung zur Gestaltung neuer Materialien wäre es sehr begrüßenswert und nützlich, eine solche Plattform zur Verfügung zu haben.
@Florent_M danke für den Vorschlag.Wir werden dies weiter untersuchen und uns bei Ihnen melden, wenn wir weitere Informationen mitteilen möchten.
Hallo @Florent_M , Danke für deinen Vorschlag! Wir haben Ihre Anfrage erfasst und werden sie prüfen.
Hallo Florent_M. Die neue Plattform für Bayesianische Optimierung in JMP 19 (unter „Spezialisierte Modellierung“) sollte alle Ihre Anforderungen in diesem Bereich erfüllen (mit Ausnahme der Verwendung unterschiedlicher Modelltypen). Die Plattform verwendet einen GaSP-Modellansatz (Gaussian Stochastic Process). Testen Sie die neue Plattform in JMP 19 und teilen Sie uns Ihre Meinung mit. Danke!
