복잡한 제약 공정 개발을 위한 FDE + BayesOpt안녕하세요 여러분,
우리는 다양한 단위 공정에 걸쳐 다수의 핵심 공정(CPP)을 포함하는 매우 복잡한 다중 단위 제조 공정을 개발하고 있으며, 시간 의존적 약물 방출 프로파일과 같은 지속적인 핵심 품질 속성(CQA)도 함께 개발하고 있습니다.
저희는 이전 실험계획(DoE)을 통해 상당한 양의 과거 데이터를 축적해 왔으며, 현재 이를 하나의 통합 데이터 세트로 검토하고 있습니다. 또한, 상당한 양의 추가 데이터를 생성할 가능성도 있습니다.
저희는 JMP Pro로 업그레이드하는 것을 고려 중인데, 주로 FDE와 베이지안 최적화가 이러한 유형의 문제에 함께 적용될 수 있는지 알아보기 위해서입니다.
특히, 비교적 단순한 최적화 문제보다는 유사하게 복잡하고 여러 단계를 거치는 프로세스 개발에 이러한 접근 방식을 사용해 본 경험이 있는 분들의 의견을 듣고 싶습니다.
몇 가지 궁금한 점이 있습니다.
-
FDE → BayesOpt: 연속 프로파일을 FPC 점수로 변환한 다음 이를 BayesOpt의 목표 Y로 사용하는 것이 얼마나 실용적인가요?
-
과거 DoE 데이터: BayesOpt는 여러 DoE에서 수집된 데이터를 결합할 때, 특히 요인 범위와 설계가 서로 다를 경우 얼마나 잘 작동할까요?
-
다중 단위 제약 조건: 서로 다른 단위 공정에서 실행 불가능한 공정 경계 및 요인 조합을 처리하는 것은 얼마나 쉬운가?
-
BayesOpt와 기존 DoE 방식 비교: 이러한 유형의 문제에서 BayesOpt의 반복적인 접근 방식이 기존 DoE를 보완하는 방식보다 실질적인 이점이 있다고 생각하십니까?
비슷한 문제를 해결해 보신 분들의 실제 경험, 작업 과정, 또는 얻은 교훈에 대해 듣고 싶습니다. 예상대로 되지 않았다는 경험이라도 매우 유용할 것입니다.
감사해요!
제목: 복잡한 제약 공정 개발을 위한 FDE + BayesOpt 관련안녕하세요 @RicardoCosta 님 ,
@Emmanuel_Romeu 님께 연락해 보시는 건 어떨까요? 제 생각에는 그분이 베이즈 최적화와 유한차분법(FDE)을 결합하는 주제에 대해 이미 연구를 진행하신 것 같습니다.
설명하신 워크플로는 합리적인 것 같습니다.
- 목표값을 사용하여 FDE로 첫 번째 곡선을 분석하고 FPC를 추출합니다.
- 곡선에서 얻은 FPC 값을 BayesOpt 플랫폼의 응답으로 사용하되, FPC 응답 제한 값 및 목표(최대화, 최소화, 목표 달성)를 설정하는 데 사용하는 목표값은 제외합니다.
- BayesOpt를 사용하여 과거 데이터를 탐색하고 활용하여 GP 모델의 학습 결과를 바탕으로 다음 권장 사항을 찾아보세요.
곡선 모델링 중 데이터 유출을 방지하려면 FDE 데이터 테이블에 유효성 검사 열을 추가하세요. 초기 과거 데이터는 학습 행으로, 새로운 데이터는 테스트 행으로 설정하여 FDE 플랫폼을 사용할 때 과거 데이터의 FPC 값이 각 반복마다 변경되지 않도록 하세요. 이렇게 하면 다음 실험에서 새로운 FPC 값을 간단하게 추출할 수 있습니다.
질문하신 내용에 대해 답변드리겠습니다.
- 과거 DoE 데이터: 서로 다른 연구의 설계 공간이 완전히 분리되어 있지 않다면(이 경우 모델 학습이 더 어려워짐), 이러한 데이터 세트를 사용하여 BayesOpt로 광범위한 공간을 탐색할 수 있습니다. DoE와 마찬가지로 요인에 대한 범위를 지정해야 합니다. 또한 과거 데이터를 사용하여 설계를 확장할 수도 있습니다.
- 다중 단위 제약 조건: 사용자 지정 DoE와 마찬가지로 제약 조건을 설정, 수정 또는 삭제할 수 있습니다. BayesOpt 플랫폼의 장점은 각 반복마다 이러한 작업을 수행할 수 있을 뿐만 아니라 설계 공간을 축소할 수 있다는 점입니다(알고리즘이 특정 영역에서만 탐색/최적화하도록 강제하려는 경우). 제약 조건을 설정하려면 증강 획득 기능 프로파일러 > 최적화 및 적합성 > 최적화 제어판에서 빨간색 삼각형을 클릭하십시오.
Victor_G_0-1789026811047.pngVictor_G_0-1789026811047.pngVictor_G_0-1789026811047.pngVictor_G_0-1789026811047.png Victor_G_0-1789026811047.png
해결됨: 베이지안 최적화를 사용할 때 제약 조건을 어떻게 설정하나요? - 사용자 커뮤니티
여러 제약 조건이나 복잡한 제약 조건을 적용해야 하는 경우, BayesOpt 플랫폼에 이러한 제약 조건을 포함하는 가장 쉬운 방법은 해당 조건을 만족하는 후보 집합을 생성하는 것입니다. 베이지안 최적화 배치 커스터마이저의 빨간색 삼각형을 클릭하고 "프로파일러 설정에서 후보 집합 생성" 옵션을 선택하거나, JMP에서 테이블을 생성하고 제약 조건을 만족하지 않는 행을 삭제하여 후보 집합 을 생성할 수 있습니다. 후보 집합이 준비되면 베이지안 최적화 배치 커스터마이저 의 빨간색 삼각형을 클릭하고 "데이터 테이블에서 후보 집합 불러오기" 옵션을 선택합니다.
- 이 질문은 그리 간단하지 않으며, 통계적인 고려 사항보다는 실질적인 고려 사항과 더 관련이 있습니다.
- 여러 실험을 동시에/병렬로 실행하는 것이 얼마나 쉬운가요? 반응을 측정하는 데 걸리는 시간은 얼마나 되며, 병렬화는 어느 정도까지 가능한가요?
- 측정 및 실험 조건이 여러 번 반복해서 BayesOpt를 사용할 수 있을 만큼 안정적이고 정확한가요? 아니면 몇 번의 순차적인 설계를 수행하는 것이 더 나은가요?
- 반복 과정 사이에 변화할 수 있는 잡음의 원인이 있습니까? 베이지안 최적화 과정에 영향을 줄 수 있는 통제되지 않은 요소가 있습니까?
- 사용 사례의 차원은 어느 정도인가요(요소가 몇 개인가요)? 가장 중요한 요소들을 이미 파악하셨나요? 차원이 매우 높거나(요소가 10개 이상) 최적화해야 할 가장 중요한 요소를 완전히 파악하지 못했다면, DoE(실험 설계)를 시작하는 것을 추천합니다(필요에 따라 과거 데이터를 활용하여 확장할 수 있습니다).
- 측정하는 반응 변수의 수는 몇 개입니까? 이 변수들은 서로 어떻게 경쟁합니까(최적화를 위한 반응 변수 간의 상충 관계는 무엇입니까)? 이미 일부 반응 변수들이 서로 경쟁한다는 것을 알고 있다면, 실험 설계(DoE) 접근 방식이 더 적합할 수 있습니다. DoE를 사용하면 반응 변수들 간의 상충 관계를 명확하게 파악할 수 있기 때문입니다. 베이즈 최적화(BayesOpt)를 사용할 경우, 두 반응 변수 간의 상충 관계를 충분히 평가하지 않고 하나의 최적점에서 다른 최적점으로 바로 이동할 위험이 있습니다.
- 목표가 무엇인가요? 최적화만 하는 것인가요, 아니면 설계 공간에 대한 이해와 지식을 얻는 것인가요? BayesOpt를 사용하면 최적화 부분에만 집중하게 되므로, 어떤 요소가 응답에 가장 큰 영향을 미치는지 파악할 수 있는 옵션이 없거나 제한적이라는 점에 유의하세요.
BayesOpt는 양질의 데이터를 활용할 수 있고 실험 조건이 견고하고 재현 가능하다는 것을 이미 알고 있다면 상당한 이점을 제공할 수 있습니다. 제가 지금까지 본 가장 이상적인 상황은 BayesOpt와 DoE 접근법을 결합하는 경우인데, 두 방법의 장점과 한계가 서로 보완해 주기 때문입니다.
이 답변이 도움이 되길 바랍니다.
제목: 복잡한 제약 공정 개발을 위한 FDE + BayesOpt 관련안녕하세요, 리카르도님.
- FDE/BayesOpt 구성 요소의 경우, BayesOpt와 FDE를 사용하여 루프 방식으로 FPC 점수를 변환하는 것은 비교적 간단합니다. 워크플로는 기본적으로 1) BayesOpt로 실험을 실행하고 2) 기능 데이터를 수집하고 3) FDE를 실행하여 '목표값과의 차이' 값을 도출하고 4) 이를 BayesOpt에 입력하여 다음 실험을 수행하는 것입니다. 이 과정이 반복됩니다. 덧붙여 말씀드리자면, FDE 모델 스크리닝 도구는 데이터에 가장 적합한 FDE 모델을 빠르게 선택하는 데 도움이 됩니다. 최근 이 도구를 사용하여 설정된 용해 프로파일을 충족하는 제형을 개발하는 고객들과 이야기를 나누었는데, 그들은 BayesOpt 프로세스의 일부로 F2 대신 목표값 차이를 사용하여 성공적으로 결과를 얻었습니다.
- 과거 실험 설계 데이터 - BayesOpt는 기본적으로 요인의 하한/상한에 대한 데이터가 존재하는 한 최대한 넓은 범위를 탐색합니다. 플랫폼에서 이 범위를 제한하도록 선택할 수 있지만, 이렇게 하면 BayesOpt 플랫폼이 탐색할 수 있는 넓은 검색 영역이 제공됩니다. 그 결과, 플랫폼은 추가적인 '탐색' 실행을 제안하거나 바로 '활용'(최적화) 단계로 넘어갈 수 있습니다.
- 베이즈옵트 vs. 실험계획법 - 빅터 님이 정말 훌륭하고 자세한 답변을 주셨는데요, 저는 베이즈옵트를 실험계획법을 대체하는 것이 아니라 보완하는 실험 도구로 생각하는 것이 중요하다는 점을 덧붙이고 싶습니다. 베이즈옵트는 제한적인 실험 조건이나 제약에 더 유연하게 대처할 수 있고, 최적값을 찾는 데 더 효율적인 접근 방식을 제공할 수 있습니다. 하지만 시스템을 완벽하게 이해하는 것이 목표라면, 실험계획법을 사용하거나 베이즈옵트와 실험계획법을 결합한 하이브리드 방식(즉, 베이즈옵트로 최적값을 찾은 다음, 더 작은 범위에서 실험계획법을 통해 견고성 값을 얻는 방식)을 사용하는 것이 더 나을 수 있습니다.
감사해요!
벤
제목: 복잡한 제약 공정 개발을 위한 FDE + BayesOpt 관련네, 맞습니다. 2027년 3월에 열리는 다음 디스커버리 서밋에 FDE와 BayesOpt를 결합하는 방법에 대한 초록을 제출했습니다. 제 예시는 비교적 간단하지만, @Victor_G 님 이 언급하신 최적화 대상 간의 상충 관계를 잘 보여줍니다. 따라서 너무 높은 목표를 세우지 말고, 비슷한 가중치를 가진 최소 목표와 이상적인 목표를 설정하는 것이 좋습니다.
여러 예비 데이터를 결합하는 것은 가능하지만, 공간 채움 설계에서 권장하는 내용을 확인하고, 보유한 데이터와 비교하여 권장 공간 채움 설계에 더 가깝게 만들기 위해 몇 가지 포인트를 추가해야 할 수도 있습니다.
가장 중요한 FPC를 결정해야 하는데, 반드시 가장 큰 FPC가 중요한 것은 아닙니다. 예를 들어, 불순물에 해당하는 작은 피크에 집중할 수도 있습니다. 여러 FPC를 최적화하고 고유값을 기반으로 가중치를 부여해야 할 수도 있지만, 덜 중요한 FPC에 해당하는 불순물이 중요한 것으로 판명될 경우에는 반드시 그럴 필요는 없습니다. 원하시면 담당 SE인 @Ben_BarrIngh 님과 통화 일정을 잡아드리겠습니다.
제목: 복잡한 제약 공정 개발을 위한 FDE + BayesOpt 관련안녕하세요 @Victor_G 님 .
명확한 설명 감사합니다. BayesOpt FDE가 어떻게 함께 작동할 수 있는지 확인하는 데 도움이 되었습니다.
저희 공정은 여러 단위 공정, 다양한 요인, 그리고 여러 핵심 품질 속성(CQA)을 포함하는 고도로 다변수적인 공정입니다. 이미 여러 실험 설계(DoE)에서 수집된 방대한 과거 데이터 세트를 보유하고 있습니다. 현재 우선순위는 가장 관련성 높은 인사이트를 추출하고 다음 실험을 정의하는 것이며, JMP Pro로 업그레이드하는 것이 타당한지 여부를 검토 중입니다.
귀하의 워크플로(FDE → FPC → BayesOpt → GP 기반 반복)는 잘 맞습니다. 제가 명확히 하고자 하는 주요 사항은 BayesOpt가 광범위한 요인 공간에서 여전히 신뢰할 수 있는지, DoE 중심 접근 방식과 비교했을 때 BayesOpt가 경쟁적인 CQA를 얼마나 잘 처리하는지, 측정 주기가 느릴 경우 BayesOpt의 가치가 떨어지는지, 그리고 이질적인 과거 DoE를 보완해야 하는지 아니면 직접 모델링해야 하는지입니다.
BayesOpt는 DoE를 훌륭하게 보완하는 것처럼 보이지만, JMP Pro를 도입하기 전에 그 이점이 실제로 의미 있는 것인지 확인하고 싶습니다.
너무 무리한 부탁이 아니라면, FDE와 BayeOpt에 대해 더 자세히 알아볼 수 있는 최고의 온라인 자료를 알려주시거나 @Emmanuel_Romeu 님께서 추천해 주실 수 있을까요? JMP 기본 문서 이상의 내용이면 더욱 좋겠습니다.
저희 업무 프로세스의 복잡성과 JMP Pro로의 업그레이드 가능성을 고려하여 이론적 기반과 실제 구현 세부 사항(특히 GP 기반 모델링 및 FPC 해석)에 대한 이해를 심화시키고 싶습니다. 추천해 주실 만한 튜토리얼, 논문, 동영상, 교육 자료가 있다면 매우 감사하겠습니다.
시간 내주시고 명확하게 설명해주셔서 다시 한번 감사드립니다. 정말 큰 도움이 되었습니다.
제목: 복잡한 제약 공정 개발을 위한 FDE + BayesOpt 관련안녕하세요 여러분, @Ben_BarrIngh , @Emmanuel_Romeu , @Victor_G 님께서 시간을 내어 상세하고 사려 깊은 조언을 해주셔서 진심으로 감사드립니다. 실무적인 FDE/BayesOpt 경험을 바탕으로 각자 주신 관점은 매우 귀중했습니다.
저희 측에서 다음 단계로 넘어가기 전에, 이 기회를 통해 FDE와 BayesOpt에 대해 좀 더 자세히 알아보고 싶습니다.
여러분의 의견을 통해 모델 선택, 목표 정의, FPC 가중치 부여, GP 기반 반복에 대한 심층적인 이해가 이러한 도구를 올바르게 적용하는 데 중요하다는 점이 분명해졌습니다. 특히 JMP Pro로 업그레이드하는 것이 올바른 결정인지 평가할 때 더욱 그렇습니다.
명확한 설명과 예시, 그리고 토론을 이어갈 수 있는 열린 자세에 다시 한번 감사드립니다. 진심으로 감사하게 생각합니다.
