让机器学习手把手指导你的下一步实验-基于贝叶斯优化的序贯实验

在企业的日常研发工作中， 工程师可能会面对众多潜在影响因子及这些因子间的复杂组合而无所适从，不知道如何通过实验构建这些因子与最终响应间的数学模型。类似困扰常出现在锂电池行业对于电解液配方的研究、医药行业对于生物制剂配方的设计，以及化工行业对于合成路线的确定等，其中涉及到的成分因子与过程因子均远超课本中经典实验设计方案所能承受，使企业在成倍增加研发成本的同时产品性能却难以突破。

来自普林斯顿大学学者2021年的一篇Nature“爆款”文章1为我们提供了一种基于机器学习来高效探索因子最优组合的方法。无需复杂的编程，借助JMP强大的数据处理与机器学习功能，大家不妨跟我们来一起体验一下普林斯顿大学的基于贝叶斯优化的序贯实验吧。

01 通俗易懂说说什么是序贯实验&贝叶斯优化

所谓序贯实验（Sequential Experimentation），即为进行实验时不预先固定总实验次数，每做完一阶段实验并获得实验数据之后，我们都需要进行决策分析，来决定下一阶段实验的具体类型及其中因子的取值。每一次的决策分析均可视为一次对实验方向的修正，帮助我们更接近最终优化目标（如最大产量、最小不合格率、最大强度等）。我们不断重复这个实验-决策-实验的过程，直到达成某个给定的停止规则。

本文中所指的机器学习方法均是指贝叶斯优化（Bayesian Optimization）。贝叶斯优化常被应用于机器学习模型的超参数优化，即在计算成本受限、优化方向不明的情况下找到最佳的超参数组合（与我们做实验设计的目标完全一致！）。该优化方法以贝叶斯定理为指导，在每次迭代地时候，都会综合考虑之前观测到的所有历史信息（先验信息）来决定下一步优化的方向，这又与序贯实验中实验-决策-实验的理念相一致。那我们为什么不能将这两种