实验是创新引擎。无论是改善制造过程，测试新材料还是模拟政策结果，进行管制实验的能力都是必要的。

DOE设计是一种系统的统计方法，可以帮助组织探索变量和结果之间的关系。但是，传统的能源部有其限制，尤其是当现实世界中的数据罕见，昂贵或敏感时。在这里，人工数据可用于转换如何尝试，模拟和创新。

到底是什么？

将能源部视为一种有组织的计划，进行和分析实验的方法。 DOE并没有一次测试一个因素，而是允许与多个变量同时对比，从而使团队不仅披露了重要的输入，而且可以披露它们的相互作用方式。

它在包括制造业，制药准备和公共部门在内的各个部门广泛应用，以支持研发工作，改善运营，提高产品质量并降低成本。

传统的能源部针对能源部的人工数据

尽管传统能源部仍然有价值，但通常取决于通过物质经验或历史记录收集的现实世界数据。这种方法提供了许多挑战，包括：

• 体验可能很昂贵，需要很长时间。
• 数据可能不完整，有偏见或不可用。
• 道德或法规限制可能会限制数据收集。
• 模拟稀有或极端主义场景的有限能力。

相反，与人工数据合作的能源部克服了这些限制。人工数据是人为创建的，以反映真实数据的统计特性，可用于以下方式：

• 创建大型和多样化的数据收集，以反映现实世界中的复杂性。
• 模拟轮辋案例和罕见事件。
• 保留隐私并支持组织合规性。
• 加快实验而无需进行物质实验。

人造数据是实施人工智能解决方案的公司的游戏变化，尤其是在具有严格的私人法规（例如医疗保健和融资）的部门中。 IDC人工智能计划研究总监Cathy Lang

从愿景到创新：专利方法

将人工数据与能源部合并不仅是一种概念，而且是申请专利。

在SAS中，我们开发了一个新框架，将深度学习与DOE整合在一起，以使用历史和人工数据模拟更广泛的设计空间。这种专利的现实世界挑战方法，例如无法在身体上测试所有组或达到平衡的数据组。

基本的创新是在动态的人工数据的产生中满足指定的实验需求，提高效率，降低成本并扩大分析范围的范围。框架允许：

• 合成增加了单独的实验数据以提高统计强度。
• 对深度学习模型进行了训练，以通过复杂的设计空间模拟响应表面。
• 当分析新的人工场景时，对自身拯救自己的能源算法的自适应部进行了分析。

这种方法在半导体，能源存储和仔细制造等行业中尤其具有影响力，因为物理测试是昂贵且非常非线性的变化。

通过在实验周期中包括人工智能，SAS使组织能够从想法迅速而自信地移动到洞察力。

在真实的例子中应用能源部

Hamr磁场（HAMR）是下一代的数据存储技术，该技术使用局部加热来增加硬盘驱动器上的注册密度。这对行业来说是一个进步，但它带有一个艰难的几何谜。

为了可靠地工作，Hamr需要准确控制注册头热文件。错误的污渍中的许多热量会破坏磁层的稳定。很少，赚钱密度消失了。工程师还必须保持磁稳定性，减少热应力并确保高空密度的固定性能。

传统上，工程师可以进行材料实验，以测试不同的材料，激光力和冷却机制。这些测试很昂贵，需要很长时间，并且通常不足以建模罕见失败或理解复杂的反应。

人工数据证明有价值的地方

在上面的视频中，您将看到工程师如何创建人工数据收集，这些数据收集在广泛的条件下模仿Hamr系统的热行为。这些数据组是一个统计世界统计数据，但它们包括了边缘案例，这些案例难以或不可能捕获物理。

这些数据组已被用来增加有限的物理数据，从而大大增强了训练和稳定训练。这个人工改进的数据集上的先进的预测模型在总欲望中显示15％ – 平衡了竞争性能目标，例如热缘，写下诚意和设备的年龄。

这种方法还揭示了真正的重要性，并通过改善响应的表面（可能会错过传统能源部的方法）来更准确地确定完美的设定点。这意味着创新课程更快，测试成本较低并提高产品的可靠性。

实验的未来

能源部仍然是有组织的经验的强大方法，但是与人工数据相关时，其潜力大大增加。人造数据通过实现更快，更安全，更全面的体验来消除通过行业的新创新界限，工程师和科学家可以探索昂贵或冒险的一天的可能性，或者在尝试中花费很长时间。结果是更好的体验，更好的产品，更快。

在SAS中了解有关人造数据的更多信息

内特·考克斯（Nate Cox）也为这篇博客文章做出了贡献