概要

目的変数 Y の目標値が学習データの Y から遠い場合、学習モデルに基づく次の実験条件候補の提案とその実験を繰り返すことを前提として、ベイズ最適化を用いることが効果的です。ユーザーの多数の説明変数 X の候補に対し、学習モデルを用いて Y の目標値を達成する可能性の高い候補を出力します。その中から次の実験で行い、それが目標値に到達していなくても、学習データに追加して、さらに予測⇒実験⇒データ追加を繰り返すことで、少ない実験数で目標値に到達できます。なお Y が複数あるときにも対応可能です。

操作方法

データファイル読み込みにて、学習データと予測データをそれぞれ表示させます。

MI予測・ベイズ最適化タブにて以下の項目を設定し、「作成」をクリックすると、予測データに対し目的変数Yの予測値が表示されます。

1. 目的変数Y

   予測の対象となる物性・活性・特性等の特徴量を選択します。

2. 説明変数X

   分子記述子や、原料・添加剤等の配合比、合成条件やプロセス条件等の特徴量を選択します。ここでは学習データと予測データの両方に含まれる特徴量を選択してください。

3. オートスケーリング

   「MIモデル最適化」のオートスケーリングと同様です。通常はチェックを入れます。

4. 目標設定

   選択した目的変数Yごとに目標設定を行い、予測に使用するモデルを指定します。

   目的変数 Y が単数のとき、以下の獲得関数から一つを選択します。

   ・PTR (Probability in Target Range)：

   設定した Y の目標値上限・目標値下限の中に入る確率 (目標値上限および目標値下限を入力してください)

   ・PI (Probability of Improvement)：

   Y の予測結果が学習データの Y の最大値より大きくなる確率

   ・EI (Expected Improvement)：

   Y の予測結果に対し学習データの Y の最大値の更新幅の期待値

   ・MI (Mutual Information)：

   Y の推定値＋ばらつき

   

   目的変数 Y が複数のとき、それぞれ設定から①目標値に合わせたい、②最大化目指す、③最小化目指す、のどれかを選択します。①のとき、目標値上限と目標値下限を入力します。

   ①はPTR、②③は PI を獲得関数として用い計算します。

   

また目的変数 Y が複数のとき、目標設定CSVファイルが使用できます。

1. 設定ファイル読み込み

   ユーザーが作成した目標設定CSVファイルを読み込みます。

2. 設定内容出力

   入力した目標設定の内容を出力し、PC内に保存できます。

3. クリア

   入力した目標設定をリセットします。

結果にて、目的変数 Y の予測値とその標準偏差、並びに獲得関数の計算値を示します。