실험계획법을 이용한 최적화를 위한 최적 반응 매개변수화안녕,
다음 내용에 대한 커뮤니티 여러분의 생각이나 의견을 듣고 싶습니다.
저는 5개의 연속 변수와 두 개의 독립적인 분석법으로 측정된 두 가지 반응을 포함하는 48회 실행 반응 표면 실험계획법(DOE)을 가지고 있습니다.
- X , 즉 수익률을 최대화하고 싶습니다.
- Y를 총합이라고 부르는데, 여기서 X 는 Y 의 구성 요소입니다.
유도량 Z = X/Y , 즉 순도라고 부르는 값 또한 중요하며 최대화되어야 합니다.
과거에는 수집된 데이터를 사용하여 X와 Z를 최적화했지만, 한 반응이 다른 반응의 함수인 경우 두 반응을 최대화하는 수학적 함의에 대해 우려가 있습니다. 아직 자세히 살펴보지는 않았지만, 직관적으로 반응들이 서로의 함수일 때 선호도 함수를 최적화하는 것이 다소 복잡할 수 있다고 생각합니다.
다음 네 가지 옵션을 고려 중입니다. 다른 의견이 있으시면 언제든지 말씀해 주세요.
- 모델 X와 Z를 모두 최대화합니다. 표면은 X에 대한 정보를 공유하므로 잔차는 반응 간에 독립적이지 않습니다.
- 모델 X와 Y에서 X를 최대화하고 Y를 최소화합니다. 실험 오차는 독립적이지만, Y가 X에 의해 하한이 정해져 있으므로 "Y를 최소화"하는 것은 이상해 보입니다.
- 모델 log(Z)만 사용합니다. 분석 오차는 곱셈으로 계산되므로 분산은 안정화되지만 절대적인 X 정보는 손실됩니다.
- 다변량 분석 방법을 사용하여 모델 X와 Y를 구축합니다. 반응 변수들 간에 상관관계가 있다고 가정할 수 있습니다.
이 주제에 대한 의견이나 참고할 만한 관련 문헌이 있다면 알려주시면 감사하겠습니다.
감사해요
실험 설계제목: 실험계획법을 이용한 최적화를 위한 최적 반응 매개변수화 관련안녕하세요 ,
Z 응답의 사용은 위험해 보입니다. 왜냐하면 이 비율 응답은 구조적 제약(X가 Y의 구성 요소이므로 항상 X ≤ Y)을 생성하여 여러 문제를 야기할 수 있기 때문입니다.
- 반응 표면의 공선성: Z = X/Y 모델은 암묵적으로 X와 Y 모두의 함수이므로 반응 표면은 "혼합"되어 있으며, 이러한 모델에서 최적의/만족스러운 해를 얻는 것이 더 복잡할 수 있습니다.
- 잔차의 비독립성: Y 측정에 X 측정이 포함되는 경우(즉, Y가 X를 통해 부분적으로 측정되는 경우), 오차는 서로 상관관계가 있습니다. Y가 완전히 독립적인 분석법으로 측정되는 경우, 측정 오차는 독립적일 수 있지만 반응 간의 의존성은 "구조"(Y = X + 기타)에 의해 여전히 유지됩니다.
옵션 2는 원시 측정값과 그 자체의 독립적인 오차를 사용하여 모델을 적합시키기 때문에 "가장 깔끔하고 안전한" 옵션 중 하나이지만, 최적화 과정에서 까다로운 상황이 발생할 수 있습니다. X를 최대화하고 Y를 최소화하는 것은 (각 반응에 부여되는 중요도에 따라) 최적해가 아닌 차선책으로 이어질 수 있습니다. 예를 들어 X/수율이 50%이고 Y가 55%인 지점과 X/수율이 70%이고 Y가 90%인 지점이 유사한 선호도를 가질 수 있기 때문입니다.
따라서 두 가지 원시 측정값을 모델링하되, X/수율과 모델 예측에 기반한 "YX" 공식(불순물/부산물 양 측정용)을 사용하면 수율을 최대화하고 부산물/불순물 양을 최소화하여 두 가지 반응을 모두 최적화하는 데 도움이 될 수 있습니다.
이 답변이 도움이 되길 바랍니다.
제목: 실험계획법을 이용한 최적화를 위한 최적 반응 매개변수화 관련안녕하세요 @rcast15님 : 제가 이 과정에 대해 잘 몰라서 오해하고 있을 수도 있습니다. 하지만 X가 Y에 의해 상한이 정해져 있으므로 Z를 최대화하는 것만으로 충분하지 않나요? Z는 비율(1보다 클 수 없음)이므로 Z를 최대화하면 관련 X도 최대화되는 것 아닌가요?
제목: 실험계획법을 이용한 최적화를 위한 최적 반응 매개변수화 관련물론, 적절한 맥락 없이 구체적인 조언을 드리기는 어렵습니다. 저는 빅터가 제시한 선택지들에 대체로 동의합니다. 다만 다른 반응 변수들을 조사해 보시는 것을 제안하고 싶습니다. 어떤 메커니즘을 조사하고 있는지 아는 것이 매우 중요합니다.
X는 Y의 구성 요소이고, Z = X/Y는 이 둘 모두로부터 도출되므로, 세 가지를 모두 직접 최적화하는 것은 주저하게 될 것입니다. 먼저 실제 목표를 나타내는 보다 근본적인 반응이 있는지 자문해 볼 것입니다. 예를 들어, 목표가 원하는 구성 요소의 양을 늘리는 것인지, 원치 않는 구성 요소의 양을 줄이는 것인지, 선택성을 향상시키는 것인지, 아니면 전환 효율을 개선하는 것인지 생각해 봐야 합니다.
비율에도 주의해야 합니다. 비율은 특히 Y 값이 크게 변하거나 작아질 경우 불안정해질 수 있습니다. 비율 때문에 X 또는 Y 값의 노이즈가 과장될 수 있습니다. 단순히 선호도 함수를 최적화하는 것보다 예측된 X 값과 예측된 Z 값을 그래프로 나타내거나, X 값과 Y 값을 순도 등고선을 함께 표시하는 것이 더 유익할 수 있습니다.
제목: 실험계획법을 이용한 최적화를 위한 최적 반응 매개변수화 관련안녕하세요 @MRB3855 님 ,
Z를 최대화하는 데에는 한계효용 체감의 법칙이 적용됩니다. Z를 최대화하면 X도 최대화된다는 점은 맞지만, Y와 X는 양의 상관관계를 가지 므로 너무 많은 불순물(YX로 정의됨)이 유입되어 한계효용 체감이 됩니다.
또 다른 우려는 Z만 최대화할 경우 분모인 Y의 아주 작은 양에 치우치는 요인 설정이 나와 결과적으로 수율 X가 낮아질 수 있다는 점입니다.
제목: 실험계획법을 이용한 최적화를 위한 최적 반응 매개변수화 관련@Victor_G 답변 감사합니다.
저는 X와 YX를 반응 변수로 사용하는 것을 생각해 봤습니다(X를 최대화하고 YX를 최소화하는 것). 이것이 당신이 제안하는 방법인가요?
또한 명확히 말씀드리자면, Y는 완전히 독립적인 분석법으로 측정 됩니다 .
제목: 실험계획법을 이용한 최적화를 위한 최적 반응 매개변수화 관련@statman 답변 감사합니다.
구체적인 정보를 드리기는 어렵지만, 좀 더 자세한 맥락을 설명해 드릴 수 있습니다.
X 는 목표 단백질 의 측정값으로, 이를 수율이라고 부르며, 우리는 이 값을 최대화하고자 합니다. Y 는 전체 단백질 의 측정값으로, 이 측정값과는 완전히 독립적입니다. 목표는 중요도 순으로 두 가지입니다.
- Increase the desired component X, or 표적 단백질
- 원치 않는 성분( Y -X)을 줄입니다. 이 성분은 우리가 원하지 않는 다른 모든 단백질을 나타냅니다.
목표 2는 역사적으로 X/Y를 최대화하는 방식으로 해결되어 왔는데, 이는 표적 단백질 이 전체 단백질 에서 차지하는 비율일 뿐입니다. 제 초기 우려는 X와 Z=X/Y를 최대화하는 요인 설정을 선택하는 것이 본질적으로 X를 "이중으로 계산"하는 결과를 초래할 수 있다는 사실에서 비롯되었습니다.
그래프를 검토하는 것 외에도 선호도 함수에 맞춰 최적화하는 것에 동의합니다.
제목: 실험계획법을 이용한 최적화를 위한 최적 반응 매개변수화 관련네, 제가 생각했던 워크플로는 다음과 같습니다.
- X와 Y 응답은 독립적인 측정값이므로 이를 모델링하십시오.
- X와 Y에 대한 모델의 예측 공식을 저장하세요.
- Ypred - Xpred 공식을 만들고 Xpred를 최대화(최적화)하고 Ypred - Xpred를 최소화(최적화)하세요.
제목: 실험계획법을 이용한 최적화를 위한 최적 반응 매개변수화 관련용어를 혼용하지 않는 것이 좋겠습니다. 답변은 다음과 같이 정의하겠습니다.
Y1 = 표적 단백질
Y2 = 총 단백질량 - 표적 단백질량
그런 다음 두 Y 값을 직접 모델링하겠습니다. 이렇게 하면 해석하기 어려울 수 있는 파생 비율 반응을 생성하는 대신 원하는 물질과 목표가 아닌 물질을 분리할 수 있습니다.
한 가지 더 생각해 볼 점은, 공정에 따라 Y1과 Y2의 평균값 뿐만 아니라 변동성에 미치는 요인 효과에도 관심을 가질 수 있다는 것입니다. 예를 들어, 배치 공정의 경우 배치 내 변동을 추정하기 위해 배치 내 여러 위치에서 반복 측정을 수행할 수 있습니다. 이러한 측정값의 평균은 평균 반응 표면 모델링의 정확도를 높이는 데 사용할 수 있으며, 분산은 변동성을 반응 변수로 모델링하는 데 사용할 수 있습니다.
