Table des Matières
Un plan d'expériences (DoE) fixe un ensemble d'essais à l'avance et ajuste un modèle qui explique l'effet de chaque facteur sur le résultat. L'optimisation bayésienne choisit quelques essais à la fois, guidée par un modèle de tous les résultats obtenus, pour atteindre une cible en moins d'essais. Le DoE explique un procédé ; l'optimisation bayésienne le parcourt. Beaucoup d'équipes ont besoin des deux.
Points clés
- Un plan d'expériences est un ensemble d'essais planifié, et la bonne pratique consiste à enchaîner de petites expériences, chacune éclairée par la précédente (NIST/SEMATECH).
- L'optimisation bayésienne convient aux essais qui prennent des minutes ou des heures, tolère les résultats bruités et fonctionne le mieux avec moins de 20 variables continues (Frazier, 2018).
- Les comparaisons directes sont contrastées. Dans une étude à l'échelle pilote, l'optimisation bayésienne a trouvé des conditions comparables mais n'a pas réduit le nombre d'essais ; pour des milieux de culture cellulaire, les auteurs estiment qu'elle a demandé 3 à 30 fois moins d'essais qu'un plan d'expériences standard.
- Le modèle issu d'un plan d'expériences est valable sur tout le domaine étudié. Celui d'une optimisation bayésienne est en général surtout précis près de l'optimum.
- Une démarche pratique : faire le criblage et l'initialisation avec un petit plan classique, puis laisser l'optimiseur choisir les séries suivantes.
Qu'est-ce qu'un plan d'expériences ?
L'e-Handbook NIST/SEMATECH définit le plan d'expériences comme une procédure efficace de planification des essais permettant d'en tirer des conclusions valides et objectives. On choisit les facteurs et leurs plages, on sélectionne un plan, on réalise tous les points, puis on ajuste un modèle statistique, en général une régression linéaire ou quadratique.
Le plan dépend de la question posée. Le guide de choix des plans du NIST associe objectifs et plans : plans comparatifs pour tester l'influence d'un facteur, plans factoriels complets ou fractionnaires et plans de Plackett-Burman pour cribler de nombreux facteurs, plans composites centrés ou de Box-Behnken pour modéliser la courbure lorsqu'il ne reste que 2 à 4 facteurs. Avec 5 facteurs ou plus, sa recommandation pour une surface de réponse est de cribler d'abord.
Le nombre d'essais augmente vite. Un plan factoriel complet à deux niveaux et six facteurs demande 64 essais avant les points au centre, d'où l'existence des plans fractionnaires. Les plans de surface de réponse coûtent plus cher par facteur :
| Facteurs | Plan composite centré | Plan de Box-Behnken |
|---|---|---|
| 3 | 20 essais (6 points au centre) | 15 essais |
| 4 | 30 essais (6 points au centre) | 27 essais |
| 5 | 33 (fractionnaire) ou 52 (factoriel complet) | 46 essais |
| 6 | 54 (fractionnaire) ou 91 (factoriel complet) | 54 essais |
Source : e-Handbook NIST/SEMATECH, tableau 3.28.
Deux points sont souvent oubliés. D'abord, un plan d'expériences n'est pas censé être une seule grande campagne. Le NIST indique qu'une approche itérative est la meilleure et, au final, la plus économique, chaque étape montrant comment conduire la suivante. Ensuite, les formulations demandent des plans particuliers : dans une expérience de mélange, les facteurs sont des proportions dont la somme doit faire 100 %, ce que l'on traite avec des plans en réseau simplexe et des plans simplexe centrés.
Qu'est-ce que l'optimisation bayésienne ?
L'optimisation bayésienne est une boucle en deux parties. Un modèle de substitution, le plus souvent un processus gaussien, prédit le résultat de toute formulation non testée avec une incertitude étroite dans les zones bien explorées et plus large ailleurs. Une fonction d'acquisition, comme l'amélioration espérée (expected improvement), note ensuite chaque candidat en équilibrant deux objectifs : tester là où le modèle prévoit un bon résultat, et tester là où il sait peu de chose. Les meilleurs candidats partent au laboratoire, leurs résultats mettent à jour le modèle, et la boucle recommence.
Le tutoriel de Frazier précise le domaine d'emploi de la méthode : des fonctions objectifs dont l'évaluation prend des minutes ou des heures, des mesures bruitées et des domaines continus de moins de 20 dimensions. Le travail de formulation au laboratoire correspond souvent à ce profil, même si certains projets comptent davantage de variables et doivent d'abord être restreints.
En chimie, le test le plus connu est celui de Shields et ses collègues, qui ont comparé la méthode à des chimistes et ingénieurs experts sur une réaction catalysée au palladium. Elle a surpassé la prise de décision humaine à la fois en efficacité moyenne et en régularité. Leur logiciel, EDBO, est open source sous licence MIT.
Les contraintes industrielles sont prises en charge par les outils courants. BoTorch peut restreindre les candidats par des contraintes linéaires d'égalité et d'inégalité, ce qui couvre les totaux de mélange et les limites de dosage, et ses méthodes multi-objectifs apprennent le front de Pareto, c'est-à-dire l'ensemble des compromis où améliorer une cible en dégrade une autre.
Comment les deux approches se comparent-elles ?
| Plan d'expériences classique | Optimisation bayésienne | |
|---|---|---|
| Question principale | Quels facteurs comptent, et comment ? | Quel essai faire ensuite pour atteindre la cible ? |
| Choix des essais | Tous les essais d'une étape fixés à l'avance | Quelques-uns à la fois, après chaque série de résultats |
| Modèle | Régression linéaire ou quadratique avec estimation des effets | Processus gaussien ou autre modèle de substitution avec incertitude |
| Où le modèle est fiable | Sur tout le domaine étudié | Surtout près des meilleurs résultats trouvés |
| Objectif | Peut étudier plusieurs réponses sans désigner de gagnant | Exige un objectif clair, ou des compromis explicites entre plusieurs |
| Mélanges | Plans de mélange dédiés | Contraintes d'égalité linéaires |
| Utilisation de données passées non planifiées | Pas dans l'analyse standard | Oui, comme points de départ du modèle |
| Le plus facile à justifier devant un auditeur | Oui : plan fixe, statistiques standard | Exige un journal de chaque série et de la raison de chaque essai proposé |
| Outils courants | Tout logiciel de statistique | BoTorch, Ax, EDBO et bibliothèques Python similaires |
Que montrent les comparaisons directes ?
Les comparaisons publiées ne confirment pas l'idée que l'optimisation bayésienne demande toujours moins d'essais.
Délignification du bois, échelle pilote. Des chercheurs du VTT ont comparé un plan de Box-Behnken à trois facteurs et 15 essais avec une optimisation bayésienne partie de 5 de ces essais, à laquelle s'ajoutaient 10 essais proposés par l'algorithme. Les deux méthodes ont abouti à des résultats comparables à l'échelle pilote, et l'optimisation bayésienne n'a pas réduit le nombre d'essais nécessaires. Son modèle était plus précis près de l'optimum, tandis que celui du plan d'expériences avait des erreurs plus faibles sur tout le domaine. Des simulations ont montré que le choix des essais initiaux influençait fortement la convergence et que le bruit la ralentissait. Les auteurs concluent que les deux méthodes ne s'excluent pas et recommandent de s'appuyer sur la connaissance du domaine pour choisir les essais initiaux.
Milieux de culture cellulaire. Une étude de 2025 publiée dans Nature Communications a optimisé des mélanges de milieux, des mélanges de cytokines et des sources de carbone par optimisation bayésienne, avec notamment un facteur qualitatif à 19 modalités. Les auteurs obtiennent de meilleures conditions avec 3 à 30 fois moins d'essais que ce qu'ils estiment nécessaire pour un plan d'expériences standard. Cette comparaison est une estimation, pas une campagne de plan d'expériences menée en parallèle, et le gain le plus élevé concerne le cas à 9 facteurs avec variables qualitatives. Ils signalent aussi un compromis : des séries courtes demandent plus d'itérations pour converger, des séries longues augmentent le nombre total d'essais.
Choix du modèle de substitution. Sur cinq systèmes expérimentaux en science des matériaux, Liang et ses collègues ont constaté que les forêts aléatoires et les processus gaussiens à noyaux anisotropes avaient des performances comparables, et que les deux faisaient mieux que le processus gaussien couramment utilisé sans détermination automatique de la pertinence (ARD). Le paramétrage du modèle compte plus que l'étiquette « bayésienne ».
La tendance est cohérente : le gain de l'optimisation bayésienne augmente avec le nombre de facteurs et le coût de chaque essai, et diminue quand le problème est assez petit pour un plan classique compact.
Quand choisir un plan d'expériences, et quand l'optimisation bayésienne ?
Choisissez un plan d'expériences classique quand :
- vous devez savoir quels facteurs comptent et dans quelle mesure, par exemple pour fixer une fenêtre opératoire ou une plage de spécification ;
- il y a 2 à 4 facteurs et un plan de surface de réponse tient dans votre budget ;
- le résultat sera examiné par des équipes qualité ou réglementaires qui attendent des statistiques standard ;
- vous avez plusieurs réponses et pas encore de façon convenue de les hiérarchiser.
Choisissez l'optimisation bayésienne quand :
- chaque essai est long ou coûteux et vous voulez atteindre une cible, pas cartographier tout le domaine ;
- il y a plus de facteurs qu'un plan de surface de réponse ne peut en absorber, mais moins d'une vingtaine environ ;
- vous disposez d'un historique utile de projets passés qu'un plan fixe ignorerait ;
- l'objectif, ou le compromis entre plusieurs cibles, peut être énoncé clairement. Les auteurs du VTT insistent sur le fait que la méthode exige un indicateur de performance clairement défini.
Comment les combiner en pratique ?
- Écrire l'objectif et les contraintes. Indiquer la cible, la plage acceptable de chaque autre propriété, les limites de coût et les composants interdits ou plafonnés.
- Cribler s'il y a beaucoup de facteurs. Un plan factoriel fractionnaire ou de Plackett-Burman écarte les facteurs peu influents, comme le recommande le NIST avant une surface de réponse.
- Initialiser le modèle. Utiliser un petit plan classique, l'historique, ou les deux, choisis avec la connaissance du procédé pour que les premiers points couvrent la zone qui vous intéresse.
- Adapter la taille des séries au laboratoire. La caler sur le nombre d'échantillons que vos techniciens et équipements peuvent traiter par série, en gardant de la place pour les répétitions.
- Enchaîner les séries et tout consigner. Pour chaque formulation proposée, noter la valeur prédite, la valeur mesurée et la raison de la proposition.
- S'arrêter selon une règle fixée à l'avance, par exemple une formulation conforme à toute la spécification ou aucune amélioration sur deux séries.
- Confirmer et expliquer. Répéter la meilleure formulation. Si vous avez besoin d'une fenêtre opératoire robuste, réaliser un petit plan classique autour d'elle.
Ce que nous avons constaté chez KABAS AI
Notre Virtual Lab sert à la R&D de formulation, où ce choix se pose dans chaque projet. Les deux déploiements que nous pouvons décrire publiquement suivent la démarche combinée décrite ci-dessus.
Chez ADFC (groupe Sonatrach), la démarche publiée commence par la définition des objectifs de performance de chaque phase de forage et par une simulation à partir des formulations de référence historiques. Elle utilise ensuite l'optimisation multicritère et des scénarios « what-if » pour produire un programme d'essais de laboratoire ciblé, compare résultats simulés et réels, puis enregistre les formulations validées pour les réutiliser. Chez ENAD Shymeca, l'historique des formulations a été migré avant toute optimisation, et des objectifs comme l'efficacité de lavage face au coût sont équilibrés ensemble. L'étude de cas fait état d'une réduction de 40 % des cycles d'essais physiques.
La leçon pratique rejoint celle de l'étude du VTT : le résultat dépend moins de l'algorithme que des données de départ et d'un objectif clair. Les formulations passées qui n'ont jamais fait partie d'un plan d'expériences sont souvent le meilleur point de départ, à condition d'être enregistrées de façon cohérente. Une courte évaluation de maturité IA montre si c'est le cas des vôtres.
Pour une vue d'ensemble, lisez notre guide de référence sur le laboratoire virtuel pour la R&D industrielle et le guide d'optimisation de formulations par IA, étape par étape. Pour la production plutôt que la R&D, voir le contrôle de procédé par IA dans la chimie. Notre page solutions pour la chimie montre comment cette approche s'intègre au département R&D d'une entreprise chimique.
Sources
- 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
- Documentation Ax : 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)
- Documentation BoTorch : Constraints
- Documentation BoTorch : 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
Questions fréquentes
L'optimisation bayésienne est-elle une forme de plan d'expériences ?
Au sens large, oui : c'est une méthode pour décider quels essais réaliser. On parle souvent de plan d'expériences adaptatif ou séquentiel. La différence avec un plan d'expériences classique est qu'elle choisit quelques essais à la fois à partir d'un modèle de tous les résultats obtenus, au lieu de figer l'ensemble des essais avant le premier.
Combien d'essais faut-il pour une optimisation bayésienne ?
Il n'y a pas de nombre fixe. Cela dépend du nombre de facteurs étudiés, de la dispersion des méthodes d'essai et de la façon dont les premiers essais ont été choisis. Dans une étude publiée à l'échelle pilote, l'optimiseur est parti de 5 essais planifiés et en a ajouté 10 ; dans une étude sur les milieux de culture cellulaire, un mélange de quatre milieux a été optimisé en 4 séries de 6 essais.
L'optimisation bayésienne indique-t-elle quels facteurs sont influents ?
Moins directement qu'un plan d'expériences. Son modèle est construit pour trouver un bon résultat : il est généralement plus précis près de l'optimum et moins précis ailleurs. Si vous avez besoin d'estimer les effets et d'un modèle valable sur tout le domaine, par exemple pour fixer une fenêtre opératoire, un plan classique est le meilleur outil.
L'optimisation bayésienne gère-t-elle des formulations dont les composants doivent totaliser 100 % ?
Oui. Les contraintes de mélange sont des contraintes d'égalité linéaires, et des bibliothèques open source comme BoTorch acceptent des contraintes linéaires d'égalité et d'inégalité lors du choix des prochains candidats. Les plans d'expériences classiques traitent le même cas avec des plans de mélange dédiés, comme les plans en réseau simplexe (simplex-lattice) et simplexe centré (simplex-centroid).
De quels logiciels a-t-on besoin ?
Les plans classiques sont disponibles dans tous les logiciels de statistique courants. Pour l'optimisation bayésienne, des bibliothèques Python open source comme BoTorch, Ax et EDBO sont largement utilisées. La difficulté est rarement le logiciel : c'est plutôt un historique propre des formulations, conditions et résultats dont le modèle peut apprendre.



