JAREX: 다중 목표 알고리즘 공정 특성화를 위한 획득 함수

의약품 공정 특성화(Pharmaceutical process characterization)는 품질 설계(Quality by Design)에 핵심적입니다. 이는 공정 매개변수의 변화가 제품 품질 사양 충족 능력에 어떻게 영향을 미치는지 정의함으로써, 입증 가능한 허용 범위(proven acceptable ranges)와 견고한 제조를 지원하기 때문입니다. 하지만 실제로는 특성화가 여전히 요인 설계 실험(factorial design of experiments, DOE) 접근 방식에 크게 의존하고 있으며, 이는 고차원 공간에서 다변량 합격/불합격 경계를 해결하는 데 비효율적입니다. 베이즈 최적화(Bayesian optimization)가 공정 최적화를 혁신했지만, 다중 목표 공정 특성화를 위한 적응형 방법은 여전히 부족합니다. 본 논문에서는 다중 목표 공정 특성을 위한 베이즈 능동 학습 획득 함수인 JAREX (Joint Acceptable Region EXploration)를 소개합니다. JAREX는 특성화 문제를 공동 경계 학습(joint boundary-learning) 문제로 공식화하고, 여러 목표에 걸친 임계 기준의 동시 만족을 통해 정의되는 공동 합격 영역(joint pass region)을 복구하기 위해 실험을 적응적으로 선택합니다. JAREX는 낙관적인 공동 실현 가능 마스크(optimistic joint-feasibility mask)와 무작위 스트래들(randomized straddle)의 다중 목표 확장 기능을 결합하여, 실패의 공동 경계(joint edge of failure)에 샘플링을 집중시킵니다. 우리의 벤치마크 연구는 JAREX가 전체 실험 예산 범위에 걸쳐 요인 DOE, 공간 채움 설계(space-filling designs), 그리고 탐욕적 목표별 전략보다 더 정확하고 샘플 효율적으로 공동 합격 영역을 복구함을 시사합니다. 배치(batched) 실험의 경우, 경계 식별 작업에 대한 높은 정확도를 유지하면서 반복적인 공정 특성화 실험 횟수를 절반 이상 줄입니다. 오픈 소스 obsidian 패키지에 구현된 JAREX는 고차원 공간에서 샘플 효율적인 범위 찾기를 지원하는 적응형 다중 목표 알고리즘 공정 특성화를 위한 모듈식 프레임워크를 제공합니다.