Bilanciare molteplici proprietà prestazionali riducendo al minimo lo sforzo sperimentale è una sfida comune nella ricerca e sviluppo industriale. L'ottimizzazione bayesiana offre un potente framework per la sperimentazione adattiva e sequenziale in spazi di risposta complessi e non lineari. Questa presentazione valuta la piattaforma di ottimizzazione bayesiana in JMP Pro utilizzando una simulazione di formulazione realistica sviluppata per il programma di formazione sulla progettazione sperimentale Sigma Logic™ di PPG.
Sigma Logic, fondata nel 1998, forma ogni anno circa 130 ricercatori associati a livello globale attraverso corsi di livello base e avanzato basati su JMP. Una competizione a squadre che utilizza un sistema simulato è un elemento distintivo del corso avanzato, e la simulazione qui valutata è stata al centro dell'attenzione di 16 squadre in tre corsi. L'attuale sfida di formulazione include 12 fattori controllabili e quattro metriche di prestazione critiche, con l'obiettivo di raggiungere i target di prestazione con la qualità Six Sigma e al minimo costo entro un budget sperimentale limitato.
Sono state condotte diverse campagne di ottimizzazione in JMP Pro, ciascuna inizializzata con un piano di screening standard e seguita da successivi cicli di esperimenti raccomandati dall'algoritmo bayesiano. I progressi dell'ottimizzazione sono stati monitorati tra le varie campagne e confrontati con le tradizionali strategie sequenziali di progettazione degli esperimenti (DOE) utilizzate dai partecipanti al corso. I risultati mostrano che l'ottimizzazione bayesiana ha gestito in modo efficiente la superficie di risposta non lineare e ha identificato soluzioni accettabili in un numero di esecuzioni significativamente inferiore. La presentazione si conclude con spunti pratici sull'integrazione dell'ottimizzazione bayesiana nei flussi di lavoro sperimentali basati su JMP per accelerare lo sviluppo di formulazioni nella ricerca industriale.
