実験計画法 (DOE) は、実験の実行をガイドし、実験を分析して関連する変数を検出し、調査中のプロセスまたは現象を最適化する統計手法です。製品開発で DOE を使用すると、製品の製造がより簡単かつ安価になり、パフォーマンスと信頼性が向上し、製品の設計と開発にかかる時間が短縮されます。
最近では、大規模で複雑なデータセットの利用可能性が高まっているため、機械学習 (ML) がデータ分析ツールとして広く採用されています。ただし、すべてのアプリケーションがビッグデータに対応できるわけではありません。たとえば、製薬業界や化学業界では、コストの制約と貴重なデータを生成するのに必要な時間のため、実験データセットは通常小さくなります。それでも、機械学習を実験設計に組み込むことは、より安価かつ迅速に収集できる小さなデータセットで処方を最適化するための効果的な方法であることが証明されています。
このプレゼンテーションは 3 つの部分から構成されています。まず、機械学習を活用した実験設計に関連する文献を簡単にまとめます。次に、接着剤の事例を紹介し、実験設計と機械学習を組み合わせて、最適化された触媒パッケージで設計空間を特定するために必要な実験の数を減らすことの効率性を示します。工業用シーラントの用途に関する 3 番目の部分では、応答曲面データを使用して、設計空間内外で検証データを実行し、RSM モデルの予測誤差をさまざまな機械学習アルゴリズム (RF、SVR、Lasso、SVEM、XGBoost) のモデルと比較します。
