Lo sviluppo della progettazione iterativa di esperimenti basati su un approccio bayesiano sta guadagnando interesse come mostrato in questi due articoli:
- Scudi, BJ, Stevens, J., Li, J., Parasram, M., Damani, F., Alvarado, JI M., ... e Doyle, AG (2021). Ottimizzazione della reazione bayesiana come strumento per la sintesi chimica.Natura , 590 (7844), 89-96.
- Colline verdi., Rana, S., Gupta, S., Vellanki, P., e Venkatesh, S. (2020). Ottimizzazione bayesiana per la progettazione sperimentale adattiva: una revisione.Accesso IEEE , 8 , 13937-13948.
Per implementare questo approccio è disponibile un componente aggiuntivo JMP ( https://community.jmp.com/t5/JMP-Add-Ins/Bayesian-optimization-add-in/ta-p/496785 ). Sfortunatamente, il componente aggiuntivo manca di alcune funzionalità importanti come:
- l'uso di diversi tipi di modello (in particolare la foresta bootstrap)
- la gestione delle variabili discrete
- la gestione dei vincoli sperimentali
- la possibilità di eseguire diversi esperimenti per iterazione
Sarebbe molto apprezzabile e utile avere a disposizione una simile piattaforma, soprattutto nei campi della ricerca esplorativa per la progettazione di nuovi materiali.
@Florent_M grazie per il suggerimentoEsamineremo ulteriormente la questione e ti ricontatteremo quando avremo ulteriori informazioni da condividere.
CIAO @Florent_M , Grazie per il tuo suggerimento! Abbiamo catturato la tua richiesta e la prenderemo in considerazione.
Ciao Florent_M. La nuova piattaforma di ottimizzazione bayesiana in JMP 19 (in "Modellazione specializzata") dovrebbe soddisfare tutte le tue esigenze (tranne forse l'uso di diversi tipi di modello). La piattaforma utilizza un approccio di modello GaSP (Gaussian Stochastic Process). Prova la nuova piattaforma in JMP 19 e facci sapere cosa ne pensi. Grazie!
