Cómo ampliar un algoritmo Bayesiano para aplicaciones de DoE (QbD, robustez)Hola a todos,
En el curso bayesiano de ENBIS, se presenta la idea de ampliar una serie de experimentos de optimización bayesiana para convertir el conjunto de datos en algo adecuado para estudios de QbD/robustez, lo cual es un buen caso de uso para nuestros clientes.
Mi pregunta es: al usar la herramienta "Aumentar" en el menú de Diseño de Experimentos (DoE), ¿cómo se puede determinar con precisión el número de ejecuciones adicionales necesarias para garantizar que no haya factores de confusión (es decir, un mapa de colores claro de las correlaciones)? En el ejemplo de 3 factores anterior, las ejecuciones aumentadas sugeridas son siempre 8 adicionales, independientemente de si he aplicado un modelo lineal simple o un modelo de superficie de respuesta (RSM).
Compárelo con el Diseño Personalizado, donde cambiar el modelo altera la cantidad de experimentos recomendados. Me pregunto si se puede hacer algo similar aquí, o al menos, si se puede aclarar cuántos experimentos adicionales serían necesarios para un criterio determinado (eficiencia D, baja correlación, etc.) sin tener que aumentar manualmente los números y comprobarlos cada vez.
@Florian_Vogt @Phil_Kay @chris_gotwalt1
¡Gracias!
Ben
Re: Cómo mejorar un algoritmo Bayes Opt para aplicaciones DoE (QbD, robustez)Excelente pregunta. Me sorprende que no sepas que la respuesta es la clásica de los estadísticos: depende.
Realmente dependerá.
Es muy improbable que se puedan aumentar los datos de un proyecto de optimización bayesiana y llegar a un diseño con correlación cero. Por lo tanto, casi siempre dependerá de cuánta correlación sea aceptable. Y eso será realmente difícil de decidir.
No estoy del todo seguro de cómo se determina el número recomendado de ejecuciones en Diseño Personalizado, pero creo que es algo así como el número de parámetros del modelo a estimar más 5 (para los grados de libertad de error). No hay una respuesta correcta, pero es relativamente sencillo dar una respuesta práctica y razonable.
Creo que la mejor opción para el experimentador es considerar cuántas repeticiones puede permitirse de forma realista y crear tres diseños aumentados diferentes con un número distinto de repeticiones hasta alcanzar ese máximo. A continuación, puede usar la función Comparar Diseños para comparar rápida y fácilmente las tres opciones en función de los diferentes diagnósticos de diseño, incluidas las correlaciones de efectos. No creo que esto sea posible con ningún otro software, por lo que es una característica distintiva de JMP.
Re: Cómo mejorar un algoritmo Bayes Opt para aplicaciones DoE (QbD, robustez)Hola @Phil_Kay ,
¡Claro que debería haberlo sabido! Gracias por la aclaración, es una buena manera de explicar cómo se puede aplicar si se pregunta.
Gracias,
Ben
Re: Cómo mejorar un algoritmo Bayes Opt para aplicaciones DoE (QbD, robustez)Preguntas de seguimiento: Mi comprensión (quizás ingenua) de BayesOpt de JMP es que se trata de una alternativa eficaz basada en procesos gaussianos al diseño de aumento del DOE. ¿Es errónea esta idea? ¿Existen pautas generales sobre cuándo usar el diseño de aumento en lugar de volver a usar BayesOpt para generar más puntos de diseño?
Re: Cómo mejorar un algoritmo Bayes Opt para aplicaciones DoE (QbD, robustez)Como su nombre indica, el objetivo es la optimización, no la caracterización ni el modelado. Se busca encontrar la configuración óptima lo más rápido posible (es decir, con el menor número de iteraciones). Es posible que el proceso finalice tras encontrar la configuración óptima. Sin embargo, en algunos casos, como en la industria farmacéutica y biotecnológica, se procede con el diseño de experimentos (DOE) para modelar la superficie circundante. Piense en QbD y Design Space.
