جدول المحتويات
يثبّت تصميم التجارب (DoE) مجموعة من التجارب مسبقًا ويبني نموذجًا يشرح تأثير كل عامل في النتيجة. أما التحسين البايزي (Bayesian optimisation) فيختار بضع تجارب في كل مرة، مسترشدًا بنموذج لكل النتائج السابقة، لبلوغ الهدف بعدد أقل من الاختبارات. تصميم التجارب يشرح العملية، والتحسين البايزي يبحث فيها. وكثير من الفرق تحتاج إلى الاثنين.
أهم النقاط
- تصميم التجارب مجموعة مخططة من التجارب، والممارسة السليمة هي سلسلة من التجارب الصغيرة تستفيد كل منها من سابقتها (NIST/SEMATECH).
- يناسب التحسين البايزي الاختبارات التي تستغرق دقائق أو ساعات، ويتحمل النتائج المشوشة، ويعمل على أفضل وجه مع أقل من 20 متغيرًا متصلًا (Frazier, 2018).
- نتائج المقارنات المباشرة متباينة. ففي دراسة على المستوى التجريبي، وجد التحسين البايزي ظروفًا مماثلة لكنه لم يقلّص عدد التجارب؛ وفي أوساط زراعة الخلايا، يقدّر المؤلفون أنه احتاج من 3 إلى 30 مرة تجارب أقل مقارنة بتصميم التجارب المعياري.
- نموذج تصميم التجارب صالح على كامل المجال المدروس، أما نموذج التحسين البايزي فيكون عادة أدق قرب الحل الأمثل.
- منهجية عملية: الغربلة والتهيئة بتصميم كلاسيكي صغير، ثم ترك المُحسِّن يختار الدفعات التالية.
ما هو تصميم التجارب؟
يعرّف دليل NIST/SEMATECH الإلكتروني تصميم التجارب بأنه إجراء فعّال لتخطيط التجارب بحيث تدعم البيانات استنتاجات صحيحة وموضوعية. تُحدَّد العوامل ونطاقاتها، ويُختار التصميم، وتُنفَّذ كل نقاطه، ثم يُبنى نموذج إحصائي يكون عادة انحدارًا خطيًا أو تربيعيًا.
ويتوقف التصميم على السؤال المطروح. فـدليل اختيار التصاميم لدى NIST يربط الأهداف بالتصاميم: تصاميم المقارنة لاختبار تأثير عامل ما، والتصاميم العاملية الكاملة أو الجزئية وتصاميم Plackett-Burman لغربلة عوامل كثيرة، والتصاميم المركبة المركزية أو تصاميم Box-Behnken لنمذجة الانحناء عندما لا يبقى إلا 2 إلى 4 عوامل. ومع 5 عوامل أو أكثر، توصيته لدراسة سطح الاستجابة هي الغربلة أولًا.
ويزداد عدد التجارب بسرعة. فالتصميم العاملي الكامل بمستويين وستة عوامل يتطلب 64 تجربة قبل إضافة النقاط المركزية، ولهذا وُجدت التصاميم الجزئية. وتصاميم سطح الاستجابة أعلى كلفة لكل عامل:
| العوامل | التصميم المركب المركزي | تصميم Box-Behnken |
|---|---|---|
| 3 | 20 تجربة (6 نقاط مركزية) | 15 تجربة |
| 4 | 30 تجربة (6 نقاط مركزية) | 27 تجربة |
| 5 | 33 (جزئي) أو 52 (عاملي كامل) | 46 تجربة |
| 6 | 54 (جزئي) أو 91 (عاملي كامل) | 54 تجربة |
المصدر: دليل NIST/SEMATECH الإلكتروني، الجدول 3.28.
وكثيرًا ما تُنسى نقطتان. الأولى أن تصميم التجارب لا يُقصد به أن يكون حملة واحدة كبيرة، إذ يذكر NIST أن النهج التكراري هو الأفضل والأكثر اقتصادًا في النهاية، وأن كل مرحلة تبيّن كيف تُجرى المرحلة التالية. والثانية أن التركيبات تحتاج إلى تصاميم خاصة: ففي تجربة الخلائط تكون العوامل نسبًا يجب أن يكون مجموعها 100%، وتُعالج بتصاميم الشبكة البسيطة وتصاميم مركز البسيط.
ما هو التحسين البايزي؟
التحسين البايزي حلقة من جزأين. نموذج بديل (surrogate model)، يكون غالبًا عملية غاوسية (Gaussian process)، يتنبأ بنتيجة أي تركيبة لم تُختبر مع درجة عدم يقين تضيق في المناطق المستكشفة جيدًا وتتسع بعيدًا عنها. ثم تقيّم دالة اكتساب (acquisition function)، مثل التحسن المتوقع (expected improvement)، كل مرشح بالموازنة بين هدفين: الاختبار حيث يتوقع النموذج نتيجة جيدة، والاختبار حيث لا يعرف إلا القليل. تُرسل أفضل المرشحات إلى المختبر، وتحدّث نتائجها النموذج، ثم تتكرر الحلقة.
ويحدد الدليل التعليمي لـ Frazier مجال ملاءمة الطريقة: دوال هدف يستغرق تقييمها دقائق أو ساعات، وقياسات مشوشة، ومجالات متصلة تقل أبعادها عن 20. وكثيرًا ما يطابق عمل التركيب في المختبر هذا الوصف، وإن كانت بعض المشاريع تضم متغيرات أكثر وتحتاج إلى تضييقها أولًا.
وفي الكيمياء، أشهر اختبار للطريقة هو الذي أجراه Shields وزملاؤه، إذ قارنوها بكيميائيين ومهندسين خبراء في تفاعل محفَّز بالبلاديوم. وقد تفوّقت على اتخاذ القرار البشري في الكفاءة المتوسطة وفي الاتساق معًا. وبرنامجهم EDBO مفتوح المصدر بترخيص MIT.
وتدعم الأدوات المعتادة القيود الصناعية. إذ يستطيع BoTorch حصر المرشحات بـقيود المساواة وعدم المساواة الخطية، وهو ما يغطي مجموع مكونات الخليط وحدود الجرعات، كما تتعلم أساليبه متعددة الأهداف جبهة باريتو، أي مجموعة الحلول الوسط التي يؤدي فيها تحسين هدف إلى تراجع هدف آخر.
كيف تُقارن الطريقتان؟
| تصميم التجارب الكلاسيكي | التحسين البايزي | |
|---|---|---|
| السؤال الرئيسي | أي العوامل مهمة، وكيف؟ | أي تجربة نجري بعد ذلك لبلوغ الهدف؟ |
| طريقة اختيار التجارب | كل تجارب المرحلة مثبتة مسبقًا | بضع تجارب في كل مرة، بعد كل جولة نتائج |
| النموذج | انحدار خطي أو تربيعي مع تقدير التأثيرات | عملية غاوسية أو نموذج بديل آخر مع تقدير عدم اليقين |
| أين يكون النموذج موثوقًا | على كامل المجال المدروس | أساسًا قرب أفضل النتائج المحققة |
| الهدف | يمكنه دراسة عدة استجابات دون تحديد الأفضل | يتطلب هدفًا واضحًا، أو مفاضلات صريحة بين عدة أهداف |
| الخلائط | تصاميم خلائط مخصصة | قيود مساواة خطية |
| استخدام بيانات سابقة غير مخططة | ليس في التحليل المعياري | نعم، كنقاط انطلاق للنموذج |
| الأسهل تبريرًا أمام المدقق | نعم: خطة ثابتة وإحصاء معياري | يتطلب سجلًا لكل جولة ولسبب اقتراح كل تجربة |
| الأدوات المعتادة | أي برنامج إحصائي | BoTorch وAx وEDBO ومكتبات Python مماثلة |
ماذا تُظهر المقارنات المباشرة؟
لا تؤيد المقارنات المنشورة القول بأن التحسين البايزي يحتاج دائمًا إلى تجارب أقل.
نزع اللجنين من الخشب على المستوى التجريبي. قارن باحثون في مركز VTT تصميم Box-Behnken بثلاثة عوامل و15 تجربة بتحسين بايزي انطلق من 5 من هذه التجارب وأضاف 10 تجارب من اختياره. وتوصلت الطريقتان إلى نتائج متقاربة على المستوى التجريبي، ولم يقلّص التحسين البايزي عدد التجارب اللازمة. كان نموذجه أدق قرب الحل الأمثل، بينما كانت أخطاء نموذج تصميم التجارب أقل على كامل مجال التصميم. وأظهرت المحاكاة أن اختيار التجارب الأولى أثّر بقوة في التقارب، وأن التشويش أبطأه. وخلص المؤلفون إلى أن الطريقتين لا تستبعد إحداهما الأخرى، وأوصوا بالاستعانة بالمعرفة بالمجال لاختيار التصميم الأولي.
أوساط زراعة الخلايا. حسّنت دراسة نُشرت عام 2025 في Nature Communications مزائج من الأوساط ومزائج من السيتوكينات ومصادر الكربون بالتحسين البايزي، مع عامل نوعي (categorical) له 19 خيارًا. ويفيد المؤلفون بالوصول إلى ظروف أفضل باستخدام من 3 إلى 30 مرة تجارب أقل مما قدّروه لتصميم التجارب المعياري. وهذه المقارنة تقدير، لا حملة تصميم تجارب أُجريت بالتوازي، وأكبر وفر يخص الحالة ذات 9 عوامل مع متغيرات نوعية. كما يشيرون إلى مفاضلة: الدفعات الصغيرة تحتاج إلى جولات أكثر للتقارب، والدفعات الكبيرة ترفع العدد الإجمالي للتجارب.
اختيار النموذج البديل. عبر خمسة أنظمة تجريبية في علوم المواد، وجد Liang وزملاؤه أن الغابات العشوائية (random forests) والعمليات الغاوسية ذات النوى غير المتماثلة حققت أداءً متقاربًا، وأن كلتيهما تفوقت على العملية الغاوسية الشائعة الاستخدام دون التحديد التلقائي للأهمية (ARD). فإعداد النموذج أهم من وصفه بأنه «بايزي».
والنمط واضح: يزداد مكسب التحسين البايزي مع عدد العوامل وكلفة كل اختبار، ويتقلص حين تكون المسألة صغيرة بما يكفي لتصميم كلاسيكي مضغوط.
متى نختار تصميم التجارب، ومتى التحسين البايزي؟
اختاروا تصميم التجارب الكلاسيكي عندما:
- تحتاجون إلى معرفة العوامل المؤثرة ومقدار تأثيرها، مثلًا لتحديد نافذة تشغيل أو نطاق مواصفة؛
- يكون عدد العوامل من 2 إلى 4 ويتسع لتصميم سطح الاستجابة ضمن ميزانيتكم؛
- ستُراجع النتيجة فرق الجودة أو الجهات التنظيمية التي تنتظر إحصاءً معياريًا؛
- تكون لديكم عدة استجابات دون طريقة متفق عليها لترتيبها بعد.
اختاروا التحسين البايزي عندما:
- يكون كل اختبار طويلًا أو مكلفًا وتريدون بلوغ هدف، لا رسم خريطة المجال كله؛
- تكون العوامل أكثر مما يحتمله تصميم سطح الاستجابة، لكن أقل من 20 تقريبًا؛
- يتوفر لديكم سجل مفيد من مشاريع سابقة سيتجاهله التصميم الثابت؛
- يمكن صياغة الهدف، أو المفاضلة بين عدة أهداف، بوضوح. ويشدد مؤلفو VTT على أن الطريقة تتطلب مؤشر أداء محددًا بوضوح.
كيف نجمع بينهما عمليًا؟
- كتابة الهدف والقيود. تحديد الهدف، والنطاق المقبول لكل خاصية أخرى، وحدود الكلفة، والمكونات المحظورة أو المسقوفة.
- الغربلة عند كثرة العوامل. يستبعد التصميم العاملي الجزئي أو تصميم Plackett-Burman العوامل ضعيفة التأثير، كما يوصي NIST قبل دراسة سطح الاستجابة.
- تهيئة النموذج. استخدام تصميم كلاسيكي صغير أو السجل التاريخي أو كليهما، مع اختيارها بالاستعانة بالمعرفة بالعملية حتى تغطي النقاط الأولى المنطقة التي تهمكم.
- ملاءمة حجم الدفعة مع المختبر. ضبطه على عدد العينات التي يستطيع الفنيون والأجهزة معالجتها في كل جولة، مع ترك مجال للتكرارات.
- تنفيذ الجولات وتسجيل كل شيء. لكل تركيبة مقترحة، تسجيل القيمة المتوقعة والقيمة المقيسة وسبب الاقتراح.
- التوقف وفق قاعدة متفق عليها مسبقًا، مثل تركيبة تستوفي المواصفة كاملة أو غياب أي تحسن خلال جولتين.
- التأكيد والتفسير. تكرار أفضل تركيبة. وإذا احتجتم إلى نافذة تشغيل متينة، فأجروا تصميمًا كلاسيكيًا صغيرًا حولها.
ما الذي رأيناه في KABAS AI
يُستخدم Virtual Lab لدينا في البحث والتطوير للتركيبات، حيث يُطرح هذا الاختيار في كل مشروع. والنشران اللذان يمكننا وصفهما علنًا يتبعان المنهجية المركبة الموصوفة أعلاه.
لدى ADFC (مجمع سوناطراك)، تبدأ المنهجية المنشورة بتحديد أهداف الأداء لكل مقطع حفر والمحاكاة انطلاقًا من الوصفات المرجعية التاريخية. ثم تستخدم التحسين متعدد المعايير وسيناريوهات «ماذا لو» لإعداد برنامج اختبارات مخبرية مركّز، وتقارن النتائج المحاكاة بالفعلية، وتخزّن التركيبات المعتمدة لإعادة استخدامها. وفي ENAD Shymeca، نُقلت بيانات التركيب التاريخية قبل أي تحسين، ويُوازن بين أهداف مثل فعالية التنظيف والتكلفة معًا. وتشير دراسة الحالة إلى انخفاض دورات الاختبارات الفيزيائية بنسبة 40%.
والدرس العملي هو ما تشير إليه دراسة VTT: تتوقف النتيجة على بيانات الانطلاق ووضوح الهدف أكثر مما تتوقف على الخوارزمية. وكثيرًا ما تكون الوصفات السابقة التي لم تكن جزءًا من أي تصميم تجارب أفضل نقطة انطلاق، بشرط أن تكون مسجلة بطريقة متسقة. ويبيّن تقييم سريع للجاهزية للذكاء الاصطناعي ما إذا كانت سجلاتكم كذلك.
وللصورة الأشمل، اقرؤوا دليلنا المرجعي حول المختبر الافتراضي للبحث والتطوير الصناعي ودليل تحسين التركيبات بالذكاء الاصطناعي خطوة بخطوة. وللإنتاج بدل البحث والتطوير، راجعوا التحكم في العمليات بالذكاء الاصطناعي في الصناعة الكيميائية. وتبيّن صفحة حلول الكيمياء كيف يندمج هذا النهج في قسم البحث والتطوير لدى شركة كيميائية.
المصادر
- NIST/SEMATECH e-Handbook: What is design of experiments?
- NIST/SEMATECH e-Handbook: What are the steps of DOE?
- NIST/SEMATECH e-Handbook: Select and use an appropriate experimental design
- NIST/SEMATECH e-Handbook: Fractional factorial designs
- NIST/SEMATECH e-Handbook: Comparisons of response surface designs
- NIST/SEMATECH e-Handbook: Mixture designs
- Frazier, A Tutorial on Bayesian Optimization, arXiv 1807.02811, 2018
- Ax documentation: Introduction to Bayesian optimization
- Shields et al., Bayesian reaction optimization as a tool for chemical synthesis, Nature 590, 2021
- EDBO: Experimental Design via Bayesian Optimization (GitHub)
- BoTorch documentation: Constraints
- BoTorch documentation: Multi-objective Bayesian optimization
- Rummukainen et al., Traditional or adaptive design of experiments? A pilot-scale comparison on wood delignification, Heliyon 10, 2024
- Narayanan et al., Accelerating cell culture media development using Bayesian optimization-based iterative experimental design, Nature Communications, 2025
- Liang et al., Benchmarking the performance of Bayesian optimization across multiple experimental materials science domains, arXiv 2106.01309, 2021
الأسئلة الشائعة
هل التحسين البايزي نوع من تصميم التجارب؟
بالمعنى الواسع، نعم: فهو طريقة لتحديد التجارب التي ينبغي إجراؤها، ويُسمّى غالبًا تصميم التجارب التكيفي أو التتابعي. والفرق عن تصميم التجارب الكلاسيكي أنه يختار بضع تجارب في كل مرة اعتمادًا على نموذج لكل النتائج السابقة، بدل تثبيت مجموعة التجارب كاملة قبل التجربة الأولى.
كم تجربة يحتاج التحسين البايزي؟
لا يوجد عدد ثابت. فالأمر يتوقف على عدد العوامل المدروسة، ومدى تشتت طرق الاختبار، وطريقة اختيار التجارب الأولى. في دراسة منشورة على المستوى التجريبي (pilot)، انطلق المُحسِّن من 5 تجارب مخططة وأضاف 10 تجارب من اختياره؛ وفي دراسة حول أوساط زراعة الخلايا، حُسِّن مزيج من أربعة أوساط في 4 جولات من 6 تجارب.
هل يبيّن التحسين البايزي العوامل المؤثرة؟
ليس بالوضوح الذي يوفره تصميم التجارب. فنموذجه مبني للعثور على نتيجة جيدة، لذا يكون عادة أدق قرب الحل الأمثل وأقل دقة في المناطق الأخرى. وإذا كنتم تحتاجون إلى تقدير التأثيرات ونموذج صالح على كامل المجال، مثلًا لتحديد نافذة التشغيل، فإن التصميم الكلاسيكي هو الأداة الأنسب.
هل يتعامل التحسين البايزي مع تركيبات يجب أن يكون مجموع مكوناتها 100%؟
نعم. قيود الخلائط هي قيود مساواة خطية، وتقبل المكتبات مفتوحة المصدر مثل BoTorch قيود المساواة وعدم المساواة الخطية عند اختيار المرشحات التالية. أما تصميم التجارب الكلاسيكي فيعالج الحالة نفسها بتصاميم خلائط مخصصة مثل تصميم الشبكة البسيطة (simplex-lattice) وتصميم مركز البسيط (simplex-centroid).
ما البرمجيات التي نحتاجها؟
تتوفر التصاميم الكلاسيكية في جميع البرمجيات الإحصائية الشائعة. أما التحسين البايزي فتُستخدم له على نطاق واسع مكتبات Python مفتوحة المصدر مثل BoTorch وAx وEDBO. والصعوبة نادرًا ما تكون في البرمجيات، بل في وجود سجل منظم للتركيبات والظروف والنتائج يمكن للنموذج أن يتعلم منه.



