本次演講重點介紹了統計建模在更有效率、更有效地進行複雜物理模型的敏感度分析和最佳化方面的應用。
實體模型通常非常複雜，因為它們代表的是現實情況，這使得靈敏度分析需要耗費大量資源，也使得模型最佳化極具挑戰性，甚至可能根本無法實現。靈敏度分析涉及探索不同的場景，然後利用模型確定輸入參數的最優值。這個過程通常並不簡單，因為它需要對許多不同的參數組合來運行模型。
近期專案凸顯了利用統計技術（例如實驗設計）選擇代表性數據，基於實體模型輸出建立代理模型的優勢。隨後，利用JMP中的預測分析器對代理模型進行靈敏度分析與最佳化。此功能能夠集中探索實驗空間，並有助於在相對較短的時間內解釋不同參數之間的關係。這種方法已成功應用於原子模型和工程模型。
本次示範展示如何在 JMP 中使用統計工具來最大限度地提高從複雜物理計算模型中獲得的價值。
