Es gibt zahlreiche Studien, die die Wirksamkeit von Strategien zur Prozessoptimierung belegen. Die üblichen Vergleiche werden normalerweise zwischen den Ansätzen „ein Faktor nach dem anderen“ oder OFAT-Experimenten und „Design of Experiments“ angestellt. Bei einem unbekannten, hochdimensionalen Prozessraum (z. B. > 10 Faktoren) greifen Forscher häufig auf die OFAT-Methoden zurück, da diese leicht zu interpretieren sind. Im Allgemeinen wäre es zu teuer und logistisch schwierig, mehrere Experimente mit demselben Ziel durchzuführen, nur um zu ermitteln, welche Strategie anderen überlegen ist. Um diese Probleme zu umgehen, haben wir einen Polymerase-Kettenreaktions-(PCR-)Simulator mit 12 unbekannten kontinuierlichen und kategorischen Faktoren verwendet, um diese Fragen zu untersuchen.
Unser Team verfügt über jahrzehntelange Erfahrung in der Prozessoptimierung in der Elektronikmaterialindustrie (ehemalige Mitarbeiter von Apple und anderen). Wir haben bewusst einen Simulator aus einem uns völlig unbekannten Forschungsbereich gesucht und ausgewählt, der in der Lage ist, eine große Anzahl von Faktoren und ihre komplexen Wechselwirkungen auf viele Reaktionen zu simulieren. Zur Automatisierung der Experimente haben wir ein Python-Webautomatisierungsskript verwendet. Mithilfe eines Simulators und unseres Skripts können wir viele Experimente durchführen und dabei reale Einschränkungen und experimentelle Budgets nachahmen, wie wir sie in unserer eigenen beruflichen Laufbahn erlebt haben. Unter Einhaltung der Regeln für das Durchlaufbudget vergleichen wir die Effizienz und Genauigkeit von fünf Strategien; zwei OFAT-Strategien, wie sie in der Branche häufig verwendet werden, und drei Strategien aus dem DOE- und erweiterten DOE-Genre. JMP wird für alle experimentellen Analysen und Modellierungen verwendet und es wird ein objektiver Versuch unternommen, die Strategien zu vergleichen.
