导语：
如何实现工业研发/设计/生产过程中的合理实验方案设计，实现最低成本找到最佳的研发方案？MaXFlow的实验方案设计功能自上线以来，受到广泛关注，且已帮助多家企业/科研单位实现研发提效。为解决广大客户对于MaXFlow的实验方案设计功能的一些疑问，我们特别整理了下列问题，希望能让大家更直观得感受MaXFlow实验方案设计功能的便捷性和高效性。
问：MaXFlow的实验方案设计功能主要有哪些？
答：
MaXFlow的实验方案设计功能主要以“组件——工作流”的形式呈现，相关的方法包括DOE正交设计、以及嵌套机器学习方法，带有预测功能的实验方案设计组件（EDBO）。
DOE正交设计组件主要具有随机性、均匀性的特点，可以实现以较少的试验次数，较短的试验周期，较低的试验成本，获得理想/科学的试验结果。
而嵌套了机器学习方法的实验方案设计组件（EDBO）则考虑了机器学习方法的预测效果，以达到通过快速的实验迭代，基于贝叶斯优化的方法帮助探索更好方案的效果。
问：MaXFlow的实验方案设计功能主要针对的用户群体是哪些？
答：
MaXFlow的实验方案设计功能主要针对的是希望通过尽量少的实验过程，来找到最佳实验方案的情况。
在大数据以及计算机技术的帮助下，我们可以借助机器学习等手段，将其与传统研发设计流程相结合，通过分析研发中产生的数据，找到其中能够指导研发、工艺创新的新思路，这种“AI for industry”的方式可以极大程度降低研发成本和研发周期，最大化生产效率。
问：如果我想用MaXFlow的实验方案设计功能，我需要准备什么样的数据？
答：
作为具有辅助工业设计功能的智能化AI平台，MaXFlow可以在实验方案设计方面为工厂或企业提供一臂之力。
要使用相关功能，需先明确需求，我们需要大致的实验方案框架，如主要影响因素和水平，将数据整理好后输入到MaXFlow平台中，依靠相关算法，可输出实验方案，我们可以选择按照实验方案进行具体的实验操作；并将实验结果返回到MaXFlow的模型当中，模型中的算法会基于已有的实验数据，推荐预测具有更好效果的实验点，达到迭代优化的目的。因此，我们整个过程中并不需要大量的采集数据，而在最开始，只需要基本研发框架数据即可。
问：MaXFlow中基于机器学习的实验方案设计可以做多目标优化的情况吗？
答：
可以的。MaXFlow 将全新上线基于多目标优化的实验方案设计组件——DOE-ML 2.0。其中核心算法为Pareto 优化过程，贝叶斯多目标变量 Pareto 优化在解决多目标优化问题时具有优秀的搜索效率和结果准确性，尤其适用于高维复杂搜索空间。这对于工业优化当中多目标优化实验方案的需求十分契合，我们可以在高维实验空间中，较人工尝试更快速的找到实验效果更好的实验配方或工艺参数组合，快速提升研发效能。
问：如果在实验方案设计的基础上，作为研发人员，我还想知道配方中各个因素的重要性，以及他们的变化会如何影响我的实验结果，且实验结果的考量是多目标的，这样的分析需要我提取数据后手动完成吗？
答：
不需要。MaXFlow除了拥有强大的实验方案设计功能外，也有传统的数据分析以及智能的机器学习功能。针对要在研发过程中对研发数据进行分析，并优化配方的情况，也可以交由MaXFlow进行。
我们可以基于MaXFlow给出的实验方案进行实验，并通过MaXFlow的机器学习功能对实验结果进行分析，对所有配方/工艺因素进行重要性分析及排名，并且可以知道他们的变化对实验的影响。工业研发不单单依靠一种工具，结合研发人员/操作人员的经验+MaXFlow机器学习强大的数据分析能力+MaXFlow智能的实验方案推荐算法=高效智能研发！
多种机器学习评估手段
问：我是代码小白，MaXFlow如此强大的数据分析功能和建模功能需要代码基础吗？会很难上手吗？
答：
MaXFlow是一款集AI与模拟于一体的智能化平台，主要依靠工作流技术实现计算过程。整个过程无需进行代码操作，只需要拖拽组件进行连接，即可操作计算，新手友好，且容易上手。无论是高深莫测的机器学习还是深度学习，都可以通过MaXFlow平台简单搭建模型，快速上手使用。
工作流形式实现AI建模
并行尝试多种机器学习算法
多种模型评估手段
问：MaXFlow的实验方案设计功能，只能针对实验方案设计吗？
答：
MaXFlow的实验方案设计功能不仅针对实验方案设计，还可对工艺参数的组合进行优化。涉及材料、医药、生物、合成、化工、新能源、半导体、涂料等多种行业，只要满足数据特征，都可以使用该功能对研发/生产过程进行工艺优化，也可对科研性工作提供帮助。总体来说，无论是从配方还是工艺，MaXFlow的功能都能极大提升研发效率，真正做到“AI+industry”。
