用于制造材料的方法、装置和系统与流程

本发明涉及方法、装置、系统、计算机程序和存储计算机程序代码的有形的非暂时性计算机可读介质，用于制造具有在值的预定范围内的第一可测量材料特性的值的材料。

背景技术：

1、具有特定特性的材料可能是特定应用所期望或甚至是需要的。这样的特定特性可以是可测量的，并且规格可以指示特定材料特性的可接受值的预定范围。然而，可能并不总是知道如何制造具有特定材料特性的材料。因此，可以使用一系列实验来确定配方，即一组输入参数，其可以用于制造满足要求的材料。这样的实验系列的设计可以由专家的直觉和经验指导。在一些情况下，这可以快速得出提供具有期望特性的材料的配方。相反，在其他情况下，实验系列可能是耗时的，因为可能需要大量实验。另外，这样的实验系列可能潜在地使用许多资源，例如就输入材料而言。

2、支持实验室工作的数字工具，例如“albert”，能够存储实验数据并易于访问。这样的工具可以受益于另外的功能。

3、以下描述的示例实施方案的目的尤其是克服上述缺点中的一个或多个、保留上述一个或多个优点，和/或改进和/或适应上述技术中的一个或多个。

技术实现思路

1、根据第一示例方面，公开了一种用于制造具有第一可测量材料特性的值的材料的方法，所述第一可测量材料特性的值在值的预定范围内，该方法包括：

2、-获得第一组输入参数；

3、-使用基于存储的多个数据集训练的预测模型，基于获得的第一组输入参数来预测或触发预测材料的第一可测量材料特性的值，其中多个数据集中的一个或多个数据集包括第一可测量材料特性的相应测量值，

4、其中多个数据集中的每个数据集与多个所制造材料中的相应所制造材料相关联，其中数据集包括相应输入参数，特别是输入材料参数和/或过程参数，基于这些参数来制造相应材料，并且数据集包括相应所制造材料的相应一个或多个材料特性的相应一个或多个测量值；及

5、-至少基于第一可测量材料特性的预测值来确定或触发确定用于制造材料的第二组输入参数。

6、根据第二示例方面，公开了一种用于制造具有第一可测量材料特性的值的材料的方法，所述第一可测量材料特性的值在值的预定范围内，该方法包括：

7、-获得多个数据集，

8、其中多个数据集中的每个数据集与多个所制造材料中的相应所制造材料相关联，其中数据集包括相应输入参数，特别是输入材料参数和/或过程参数，基于这些参数来制造相应材料，并且数据集包括相应所制造材料的相应一个或多个材料特性的相应一个或多个测量值，

9、其中多个数据集中的一个或多个数据集包括第一可测量材料特性的相应测量值；

10、-存储多个数据集；及

11、-基于存储的多个数据集来训练预测模型，其用于基于第一组输入参数来预测材料的第一可测量材料特性的值。

12、在示例实施方案中，第一示例方面和第二示例方面的方法可以组合。因此，根据第一示例方面的方法可以包括关于根据第二示例方面的方法描述的一些或所有动作。类似地，根据第二示例方面的方法可以包括关于根据第一示例方面的方法描述的一些或所有动作。

13、此外，将针对两个示例方面中的每一个公开以下各项：

14、(1)一种装置或系统，其被配置为执行和/或控制根据本发明的相应方面的方法或者包括用于执行和/或控制根据本发明的相应方面的方法的相应手段。

15、装置或系统的手段可以用硬件和/或软件实现。它们可以包括例如用于执行计算机程序代码以执行所需功能的至少一个处理器、存储程序代码和/或数据的至少一个存储器，或两者。替代性地，它们可以包括例如被设计为实现所需功能的电路，例如在芯片组或芯片中实现，如集成电路。通常，手段可以包括例如一个或多个处理手段或处理器。

16、(2)一种装置或系统(特别是包括至少两个装置)，其包括至少一个处理器和包括计算机程序代码的至少一个存储器，该至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置或系统(例如该装置或系统)至少执行和/或控制根据本发明的相应方面的方法。

17、公开的执行根据本发明的相应方面的方法的装置可以仅包括公开的部件(例如手段、处理器、存储器)，或者还可以包括一个或多个附加部件。

18、(3)一种计算机程序，当由处理器执行时，其使装置执行和/或控制根据相应示例方面的方法的动作。

19、计算机程序可以存储在计算机可读存储介质上，特别是有形和/或非暂时性介质。计算机可读存储介质例如可以是盘或存储器等。计算机程序可以以编码计算机可读存储介质的指令的形式存储在计算机可读存储介质中。计算机可读存储介质可以旨在参与设备的操作，如内部或外部存储器(例如计算机的只读存储器(rom)或硬盘)，或者旨在分发程序，如光盘。

20、(4)一种存储计算机程序代码的有形的非暂时性计算机可读介质，该计算机程序代码当由处理器执行时使装置执行和/或控制根据相应示例方面的方法。

21、在下文中，将描述上面介绍的根据第一示例方面和/或第二示例方面的示例细节和另外的实施方案。示例细节和另外的实施方案应被理解为分别针对这些方面中的每一个的方法、装置/系统、计算机程序和计算机可读介质被等同地公开。

22、根据第一方面或第二方面的方法用于制造材料。这样的制造过程可以由一组输入参数定义，例如输入材料参数和/或过程参数。输入材料参数可以定义在制造过程中使用或输入的一种或多种材料的数量和/或质量。过程参数可以定义制造是如何完成的，例如在什么温度下。

23、取决于制造过程的这些输入参数中的一个或多个，所制造材料的特性可能改变。因此，输入参数可以适于改变所制造材料的特性。目的可以是找到当用于制造材料时导致材料具有一种或多种期望材料特性的输入参数。

24、根据第一方面或第二方面的方法用于制造具有在值的预定范围内的第一可测量材料特性的值的材料。值的预定范围可以定义期望材料特性。该范围可以由上限阈值定义。替代性地或另外，可以由下限阈值定义。该范围可以仅包括一个值或包括多个值。该值可以是连续数字、整数、布尔值，或者它们可以以任何其他格式给出。

25、第一可测量材料特性的示例是断裂应变、断裂应力、热挠曲温度(hdt)(例如经由动态力学分析(dma)，例如对于0.455mpa和/或完全固化)、杨氏模量、冲击强度或滞后。然而，根据第一示例方面或第二示例方面的方法也可以用于任何其他可测量材料特性。

26、考虑到材料，第一材料特性的值可以例如通过测量来确定。因此，可以基于第一组输入参数来制造材料，并且可以测量该材料的第一可测量材料特性的值。当改变用于制造材料的第一组输入参数时，可以重复该过程以观察所制造材料的第一可测量材料特性的值的变化。观察结果可以用于找到用于制造具有在值的预定范围内的第一可测量材料特性的值的材料的输入参数。

27、然而，代替每次制造材料以测量材料的第一可测量材料特性的值，可以预测材料的第一可测量材料特性的值。例如，在一系列制造过程中，每个制造过程具有不同的一组输入参数，一个或多个制造过程可以由根据第一示例方面或第二示例方面的方法的预测代替。

28、更具体地，根据第一示例方面的方法包括获得第一组输入参数。该第一组输入参数可以例如根据输入材料参数和过程参数部分地或完全地定义材料的制造过程。例如，可以通过对设备进行扫描、接收、检索或输出来获得。替代性地，可以例如通过用户输入来获得。

29、此外，根据第一示例方面的方法包括基于获得的第一组输入参数来预测或触发预测材料的第一可测量材料特性的值。第一可测量材料特性的值是否被预测或者预测是否被触发可以取决于执行根据第一示例方面的方法的装置和执行预测的装置。例如，根据第一示例方面的方法可以由第一装置执行，例如实验室中用户的个人计算机。然后，可以由第一装置完成预测。在其他实施方案中，可以由服务器(例如云)代替完成。在这种情况下，第一装置(例如个人计算机)可以例如通过从服务器请求预测来触发预测。然而，在另一实施方案中，例如服务器的装置可以执行根据第一示例方面的方法。然后，可以自己进行预测。

30、使用预测模型，基于获得的第一组输入参数来预测材料的第一可测量材料特性的值。例如在根据第一示例方面的方法开始之前，可以基于存储的多个数据集来训练预测模型。在训练时，多个数据集中的一个或多个数据集包括第一可测量材料特性的相应测量值。多个数据集中的每个数据集与多个所制造材料中的相应所制造材料相关联，其中数据集包括相应输入参数，特别是输入材料参数和/或过程参数，基于这些参数来制造相应材料，并且数据集包括相应所制造材料的相应一个或多个材料特性的相应一个或多个测量值。因此，相应关联可以由以下事实给出：相应数据集包括制造相应材料的相应输入参数以及相应所制造材料的相应一个或多个材料特性的相应一个或多个测量值。然而，应理解，这样的关联可以采用各种形式。因此，相应关联可以包括相应数据集与相应所制造材料之间的进一步连接。

31、可以看出，预测模型是或已经基于与先前进行的制造过程有关的数据来进行训练的。因此，至少在一些实施方案中，预测模型不基于物理过程和/或化学过程的直接代数建模。在各种实施方案中，这一原理可以产生预测模型可用于各种输入参数组和/或可测量材料特性的上下文中的优点，例如无需使预测模型适于用于物理过程和/或化学过程的代数建模的特定模型。

32、在各种实施方案中，预测模型可以是机器学习模型，例如监督学习模型。因此，存储的多个数据集中的数据集可以至少被分为一组训练数据集和一组用于训练的测试数据集。

33、预测模型可以仅涉及第一可测量材料特性，使得可以使用预测模型来预测该第一可测量材料特性的值。因此，单个预测模型可以特别不涉及或不用于预测另外的第一可测量材料特性的值。替代地，可以根据一个第一可测量材料特性来训练一个预测模型。因此，为了预测多个第一可测量材料特性的相应值，可以分别训练多个预测模型。

34、此外，预测模型可以是回归模型，例如贝叶斯线性回归模型或高斯回归过程。与基于神经网络的模型相比，回归模型的优点可以在于，它们需要较少的用于训练的输入数据集。考虑到用于生成用于训练的数据集的制造过程在资源(例如时间和/或输入材料)方面可能是昂贵的，这可能是特别有益的。

35、数据集可以以任何合适的格式存储和/或处理，特别是以电子和/或机器可读格式。例如，数据集可以表示为表或表的一部分。然而，它也可以表示为编程语言的结构或对象。数据集可以本地存储在例如训练预测模型的装置上，和/或远程存储在例如能够与训练预测模型的装置通信的装置上。

36、根据第一示例方面的方法还包括至少基于第一可测量材料特性的预测值来确定或触发确定用于制造材料的第二组输入参数。在各种实施方案中，可以将第一可测量材料特性的预测值与第一可测量材料特性的值的预定范围进行比较。根据比较结果，可以确定第二组输入参数。

37、让我们考虑这一原理的以下简单示例。首先，基于一组输入参数(组0)来制造材料。测量所制造材料的第一可测量材料特性的值。经发现，该值位于值的预定(例如期望的)范围之外。因此，确定与组0不同的第一组输入参数。目的是找到一组允许制造具有在值的预定范围内的第一可测量材料特性的值的材料的输入参数。作为示例，假设与组0相比，作为输入的材料a的数量被定义为在第一组输入参数中增加。第一组输入参数被馈送到装置，使得该装置获得第一组。如上所述，该装置使用预测模型、基于获得的第一组输入参数来预测或触发预测材料的第一可测量材料特性的值。然而，作为示例，预测值甚至可以进一步位于第一可测量材料特性的值的预定范围之外。因此，至少基于第一可测量材料特性的预测值，可以确定第二组输入参数。在给定示例中，与第一组输入参数相比，作为输入的材料a的数量在第二组输入参数中减少。目的可以是指定一组输入参数，基于该组输入参数可以制造具有比基于第一组输入参数制造或预测的材料更接近第一可测量材料特性的值的预定范围的值的材料。

38、是否确定第二组输入参数或者是否触发该确定可以取决于执行根据第一示例方面的方法的装置和执行该确定的实体。例如，根据第一示例方面的方法可以由第一装置执行，例如实验室中的例如用户的例如个人计算机。然后，可以由第一装置完成该确定。然而，它可以由服务器(例如云)代替完成。在这种情况下，第一装置(例如个人计算机)可以例如通过从服务器请求确定来触发该确定。然而，在另一实施方案中，用户可以执行第二组输入参数的确定。因此，至少基于第一可测量材料特性的预测值来确定用于制造材料的第二组输入参数可以通过例如经由屏幕、打印机或任何其他界面例如向用户输出第一可测量材料特性的预测值来触发。

39、一方面，使装置至少基于第一可测量材料特性的预测值来确定用于制造材料的第二组输入参数可能是有益的，例如节省时间。另一方面，触发用户至少基于第一可测量材料特性的预测值来确定用于制造材料的第二组输入参数可能是有益的。这对于能够确定更好的第二组输入参数的有经验的用户来说尤其如此。在本上下文中，“更好”可以被理解为是指根据第二组输入参数制造的材料具有比根据另一第二组输入参数制造的材料更接近第一可测量材料特性的值的预定范围的值。

40、除了根据第一示例方面的方法之外，还公开了根据第二示例方面的方法。为了简明起见，关于根据第一示例方面的方法的描述应被理解为也适用于根据第二示例方面的方法。此外，应理解，第一示例方面和第二示例方面的方法的一些或所有动作可以组合在一种方法中。

41、根据第二示例方面的方法包括基于存储的多个数据集来训练预测模型，其用于基于第一组输入参数来预测材料的第一可测量材料特性的值。如关于根据第一示例方面的方法描述的，预测模型可以是机器学习模型，例如监督学习模型，特别是例如回归模型。

42、为了基于存储的多个数据集来训练预测模型，需要多个数据集。因此，根据第二示例方面的方法包括获得多个数据集并存储该多个数据集。多个数据集中的每个数据集与多个所制造材料中的相应所制造材料相关联，其中数据集包括相应输入参数，特别是输入材料参数和/或过程参数，基于这些参数来制造相应材料。此外，数据集包括相应所制造材料的相应一个或多个材料特性的相应一个或多个测量值，并且多个数据集中的一个或多个数据集包括第一可测量材料特性的相应测量值。

43、多个数据集的获得和存储可以对应于或可以不对应于两个不同的步骤。例如，可以例如基本上同时例如从相同的装置接收多个数据集。然后，可以存储该多个数据集。另一方面，也可能一个接一个地获得和存储数据集，从而形成获得和存储的多个数据集。

44、例如，可以通过从另一装置接收或检索信息、例如使用因特网，或者例如扫描例如来自装置的输出来获得数据集。替代性地，可以例如通过用户输入来获得数据集。多个数据集中的所有数据集可以以相同的方式获得。然而，这不是必需的，并且多个数据集中的一个或多个数据集可以以不同的方式获得。

45、在各种实施方案中，装置(例如服务器)执行根据第二示例方面的方法。它可以从多个不同的装置获得多个数据集中的数据集。例如，它可以从与多个用户和/或相应实验室相关联的装置收集数据。这可能是有益的，因为其可以帮助增加多个数据集中的数据集的数量。因此，在各种实施方案中，与仅从与例如有限数量的实验室(例如1个)相关联的一个或多个装置获得或收集数据时相比，可能可以使用更多的数据集来训练预测模型。

46、在各种情况下，从多个用户和/或相应实验室获得数据可能由于缺乏协调而具有不理想的效果。因此，在根据第二示例方面的方法的各种实施方案中，其中多个数据集是从多个装置获得的，该方法还包括：向多个装置提供用于协调与相同类型的输入有关的输入参数的信息。其中，该提供可以以各种方式完成，例如通过提供用于访问的平台，如网站，或者例如通过例如经由因特网向多个装置发送信息。

47、例如，用于协调与相同类型的输入有关的输入参数的信息可以是输入参数列表。输入参数“温度”例如可以在列表中作为过程参数的示例。因此，接收该信息的多个装置可以例如提示用户在创建数据集时录入输入参数“温度”的数据。除了要使用的输入参数列表之外，用于协调输入参数的信息可以包括类似于要使用的输入参数的不期望的输入参数列表。例如，输入参数列表可以包括作为要使用的输入参数的输入参数“温度”，并且还可以包括作为不使用的输入参数的输入参数“加热”和“温度(temp.)”。由此获得多个数据集的多个装置中的装置因此可以使用相同的输入参数，例如通过将例如它们的相应输入参数“加热”替换和/或转换为输入参数“温度”。在训练预测模型时使用协调的输入参数可以显著提高预测模型的预测能力。

48、另外或替代性地，在各种实施方案中，根据第一示例方面和/或第二示例方面的方法可以包括以下：识别多个数据集中的两个或更多个数据集，其中两个或更多个数据集中的至少一个数据集包括第一输入参数，其中两个或更多个数据集中的至少一个其他的数据集包括不同的第一输入参数，并且其中这两个第一输入参数涉及相同类型的输入；以及确定两个或更多个数据集的协调的第一输入参数用于训练预测模型。因此，虽然在前面的段落中描述了多个装置有助于协调输入参数，但是在本段落中描述了执行根据第一示例方面或第二示例方面的方法的装置协调输入参数。可以考虑如上所述的类似示例。也就是说，第一输入参数可以是“以摄氏度为单位的温度”。不同的第一输入参数可以是“以开尔文为单位的加热”。两个输入参数都可以与相同类型的输入有关，例如温度。因此，协调的第一输入参数可以是“以开尔文为单位的温度”，并且两个第一输入参数可以相应地转换。

49、多个数据集中的两个或更多个数据集的识别，其中两个或更多个数据集中的至少一个数据集包括第一输入参数，其中两个或更多个数据集中的至少一个其他的数据集包括不同的第一输入参数，并且其中这两个第一输入参数涉及相同类型的输入，可以例如基于输入参数的相应单位和/或相应标签来完成。例如，可以基于以下事实来识别两个数据集：两个数据集中的一个包括单位为摄氏度的第一输入参数，并且两个数据集中的另一个包括不同的第一输入参数，例如具有不同的标签，而且单位为摄氏度。另外或替代性地，可以基于以下事实来识别两个数据集：两个数据集中的一个包括以第一方式标记的第一输入参数(例如“温度(temp.)”)，并且两个数据集中的另一个包括不同的第一输入参数，然而，该第一输入参数以有关的方式被标记，例如“温度”。如前所述，在训练预测模型时使用协调的输入参数可以显著提高预测模型的预测能力。

50、上述方法可以被认为是特征工程方法的示例。类似的方法不仅可以被执行以便协调输入参数，而且可以被执行以便导出特征，例如使得该方法包括：识别多个数据集中的两个或更多个数据集，其中两个或更多个数据集中的至少一个数据集包括第一输入参数，其中两个或更多个数据集中的至少一个其他的数据集包括不同的第一输入参数；以及基于用于训练预测模型的两个或更多个数据集来确定导出的第一输入参数。导出的第一输入参数例如可以通过使用基于第一输入参数和不同的第一输入参数的计算，例如通过将它们相加或相乘来确定。然而，在供选择的实施方案中，在预测模型的训练时不使用导出的特征。

51、如上所述，根据第一示例方面或第二示例方面的方法可以分别由一个装置执行。该装置可以例如是服务器，术语“服务器”被理解为还包括云或服务器网络。替代性地，该装置例如可以是个人计算机或任何其他电子设备，例如笔记本电脑、智能手机或平板电脑。

52、然而，同样如上所述，根据第一示例方面或第二示例方面的方法可以由多于一个装置执行，例如多个装置或者装置和用户(即人)的组合。在各种实施方案中，装置或系统可以执行根据第一示例方面和第二示例方面的方法。该装置例如可以是服务器；系统可以例如包括服务器和另一电子设备。

53、在下文中，描述了根据第一示例方面和/或第二示例方面的方法的示例实施方案的进一步示例细节。应理解，根据示例方面中的任一个的方法的实施方案可以包括下面描述的示例细节的任何组合。

54、在根据第一示例方面的方法的各种实施方案中，用于制造材料的第二组输入参数的确定可以通过输出第一可测量材料特性的预测值来触发。例如，可以通过向用户(例如本领域的专家)输出预测值来触发该确定，该用户确定用于制造材料的第二组输入参数。然后，该输出可以对应于例如在屏幕上显示预测值、可听地输出预测值或在一张纸上打印预测值。另外或替代性地，用于制造材料的第二组输入参数的确定可以通过例如经由因特网或任何其他有线或无线通信链路向装置输出预测值来触发。然后，接收、扫描或获得预测值的其他装置可以确定第二组输入参数。

55、此外，在各种实施方案中，根据第一示例方面的方法可以包括确定或触发确定与预测值有关的不确定性。不确定性可以是根据预定义规则确定或计算的度量。比较根据相同的预定义规则确定的两个或更多个不确定性可以允许确定相应有关预测值中的哪一个更可能是正确的和/或更接近正确值。不确定性的示例测量可以是预测或预测模型的标准偏差或方差。然而，确定不确定性可能存在不同的预定义规则，并且比较根据不同的预定义规则确定的不确定性可能不允许得出相应有关预测值中的哪一个更可能是正确的和/或更接近正确值的结论。此外，不确定性可以是连续值或离散值。另外或替代性地，它也例如可以是二进制值，例如“1”或“0”或者“true”或“false”。

56、在根据第一示例方面的方法的各种实施方案中，不确定性是基于获得的第一组输入参数和存储的多个数据集来确定的。因此，不确定性可以不或不仅仅基于预测或预测模型的标准偏差或方差来确定。替代地，例如可能针对获得的第一组输入参数中的一个或多个输入参数和/或其组合来过滤存储的多个数据集。然后，例如，如果在存储的多个数据集中没有与获得的第一组输入参数中的一个、一些或所有输入参数相关联的数据集，则可以确定存在不确定性，例如不确定性可以是“true”或对应于(例如高)值。相反，如果在存储的多个数据集中存在与获得的第一组输入参数中的例如一些或例如所有或例如预定数量的输入参数相关联的一个或多个数据集，则不确定性可以是“false”或对应于另一个(例如低)值。

57、可以在进一步的步骤中考虑所确定的不确定性。例如，在根据第一示例方面的方法的各种实施方案中，第二组输入参数可以进一步基于所确定的不确定性。例如，如果不确定性是例如“true”和/或在值的预定范围之外，则可以确定第二组输入参数与第一组输入参数部分地或完全地相同或类似。该想法可以是基于第二组(在本示例中对应于第一组)输入参数来制造材料，因为与预测值有关的不确定性是例如高、例如“true”或例如在值的预定范围之外。相反，如果不确定性是例如“false”或在值的预定范围内，则可以确定第二组输入参数与第一组输入参数部分地或完全地不同。

58、在根据第一示例方面的方法的各种实施方案中，如果不确定性位于一个或多个值的预定范围之外，则不触发和/或不执行用于制造材料的第二组输入参数的确定。一个或多个值的预定范围可以对应于连续数或离散数的闭区间或开区间。另外或替代性地，一个或多个值的预定范围可以是单个值，例如诸如“true”或“false”或者“0”或“1”的二进制值。不触发或执行用于制造材料的第二组输入参数的确定可能是有益的，因为它可以避免基于不可信的预测值来确定第二组输入参数。

59、在根据第一示例方面的方法的各种实施方案中，如果第一组输入参数包括一个参数，对于该参数，在包括该参数作为输入参数的存储的多个数据集中存在少于预定数量的数据集，则不确定性位于一个或多个值的预定范围之外。例如，如果第一组输入参数包括一个参数，对于该参数，在包括该参数作为输入参数的存储的多个数据集中存在少于预定数量的数据集，则不确定性可以被设置或确定为按照定义在一个或多个值的预定范围之外的值。因此，在各种实施方案中，如果第一组输入参数包括一个参数，对于该参数，在包括该参数作为输入参数的存储的多个数据集中存在少于预定数量的数据集，则将不触发和/或不执行用于制造材料的第二组输入参数的确定。

60、此外，在根据第一示例方面的方法的各种实施方案中，第一组输入参数是通过用户输入或对用户输入的响应获得的。例如，用户可以使用执行根据第一示例方面的方法的装置的用户界面来录入或选择第一组输入参数。由此，该装置获得第一组输入参数。替代性地或另外，用户可以触发装置，以从另一装置请求第一组输入参数。该装置可以响应于请求并且因此响应于用户输入而从其他装置获得第一组输入参数。

61、在根据第一示例方面的方法的各种实施方案中，迭代地和/或重复地执行根据第一示例方面的方法。例如，在一系列例如实验的制造过程中，为了找到一组输入参数来制造具有在值的预定范围内的第一可测量材料特性的值的材料，根据第一示例方面的方法可以代替几个物理制造过程。在这种情况下，一次迭代的第一组输入参数可以对应于先前迭代的第二组输入参数。例如，可以触发用户，以至少基于第一可测量材料特性的预测值来确定用于制造材料的第二组输入参数，例如经由装置的屏幕上的输出。然后，用户可以确定第二组输入参数，并将其录入装置作为下一次迭代的第一组输入参数。替代性地，装置本身可以例如根据预定义的规则来确定第二组输入参数，从而获得下一次迭代的第一组输入参数。由于迭代过程，可能有效地开发该组输入参数，以找到用于制造具有在值的预定范围内的第一可测量材料特性的值的材料的输入参数。

62、此外，在各种实施方案中，根据第一示例方面的方法可以包括基于第一组输入参数或第二组输入参数来制造或触发制造材料。例如，基于用于材料的第一可测量材料特性的第一组输入参数预测的值可以位于值的预定范围内，例如材料所期望的范围。因此，可以使用该组输入参数来制造材料。这组输入参数不仅可以被理解为第一组输入参数，而且可以被理解为部分或全部相同的确定的第二组输入参数。然而，在其他情况下，也可以基于第一组输入参数或第二组输入参数来制造材料；例如，因为在一系列实验制造过程中，预测可以代替一些制造过程，而其他制造过程仍然执行。

63、另外，在各种实施方案中，根据第一示例方面的方法可以包括测量基于第一组输入参数或第二组输入参数制造的材料的第一可测量材料特性的值或获得该第一可测量材料特性的测量值，并提供该测量值用于训练预测模型。因此，在各种实施方案中，根据第二示例方面的方法可以包括获得基于第一组输入参数制造的材料的第一可测量材料特性的测量值，并在训练预测模型时使用该测量值。例如，用户或测量设备可以测量基于第一组输入参数或第二组输入参数制造的材料的第一可测量材料特性的值。然后，执行根据第一示例方面的方法的装置可以例如从用户或测量设备获得测量值。接着，该装置可以例如向另一装置提供用于训练预测模型的测量值。其他装置例如可以是执行根据第二示例方面的方法的装置，该装置获得测量值并将其用于训练预测模型。提供和对应的获得例如可以例如使用因特网例如以电子方式完成。

64、在根据第一示例方面或第二示例方面的方法的各种实施方案中，使用服务器，来完成预测模型的训练和/或使用预测模型基于所获得的第一组输入参数预测材料的第一可测量材料特性的值。在该上下文中“使用服务器”可以被理解为包括请求被发送到服务器并且服务器相应地动作的情况。然而，还可以被理解为包括在执行根据第一示例方面或第二示例方面的方法的装置与服务器之间存在协作的情况。这样的协作可能意味着例如共享任务或者交换信息片段。使用服务器可以具有多个装置可以使用服务器的优点，例如服务器可以仅进行一次训练或预测，并且多个装置可以使用所得预测模型或预测值。在各种实施方案中，服务器可以是执行根据第二示例方面的方法的装置。

65、此外，在根据第二示例方面的方法的各种实施方案中，其中使用测量值的预测模型的训练是增量或顺序训练。例如，装置接收多个测量值，包括前一句中提及的测量值。例如，在预定时间之后，使用多个接收的测量值中的一些或所有测量值来更新预测模型，而不使用先前用于训练预测模型的多个数据集中的所有数据集。

66、应理解，在各种实施方案中，可以迭代地和/或重复地执行根据第二示例方面的方法。这可能是有益的，因为预测模型不仅被训练一次，而且其他或另外的值被用作训练预测模型的基础。在各种实施方案中，可以分别迭代地和/或重复地执行根据第一示例方面的方法和根据第二示例方面的方法。迭代或重复可以是同步的，但情况并非一定如此。例如，在预定义时间间隔中，可以存在根据第一示例方面的方法的几次迭代或重复，而根据第二示例方面的方法仅存在一次迭代或重复。作为示例，根据第二示例方面的方法可以每小时、每天、每周、每月或每年或者小于该时间、大于该时间或在该时间之间的任何时间进行再训练。

67、在根据第一示例方面或第二示例方面的方法的各种实施方案中，存储的多个数据集相对于一个或多个输入参数是稀疏的。如果矩阵或阵列的大多数元素为零，则可以认为矩阵或阵列是稀疏的。零值元素的数量除以元素的总数(例如，m×n矩阵的m×n)有时被称为矩阵的稀疏性。在本上下文中，用于评估矩阵是否稀疏的标准可以是确定其稀疏性是否例如高于50％、高于60％、高于70％、高于75％、高于80％或高于90％。

68、在各种实施方案中，存储的多个数据集甚至可以被认为相对于一个或多个输入参数“太”稀疏。因此，在各种实施方案中，在包括一个或多个输入参数的用于训练预测模型的数据集的数量小于或等于预定数量的情况下，在训练预测模型时忽略一个或多个输入参数。例如，可能出现仅存在一个包括特定输入参数的数据集的情况。可以决定在训练预测模型时忽略该输入参数。然后，预定数量为例如1。然而，预定数量可以是任何其他数量，例如0或任何其他正整数。

69、如上所述的忽略特征可以基于以下观察来完成。忽略输入参数可以减少输入参数的数量，并且因此减少训练的复杂性。同时，例如在一些情况下，具有有限数量(例如小于或等于预定数量)的包括特定输入参数的数据集无论如何可能不足以实现关于该输入参数的可靠训练和/或预测。此外，已经观察到，在各种情况下，减少输入参数的数量的更复杂的过程，例如成分分析，可能导致预测模型的预测或预测能力比在各种情况下上述计算上更有效的过程更差。

70、在各种实施方案中，根据第二示例方面的方法还包括基于相应所制造材料的相应一个或多个材料特性来选择多个数据集的子集，其中多个数据集中的相应数据集包括相应一个或多个测量值，其中在训练预测模型时忽略多个数据集中不是该选定子集的一部分的数据集。这可能的效果是，用于训练预测模型的输入参数的数量以及因此训练的复杂性被降低。

71、例如，可以训练预测模型，以预测第一可测量材料特性(例如拉伸强度)的值。多个数据集可以包括与示例性可测量材料特性“拉伸强度”无关、但与一种或多种其他可测量材料特性(例如“断裂应变”)有关的各种数据集。因此，可以从多个数据集中选择子集，使得例如该子集仅包括与可测量材料特性“拉伸强度”有关的数据集。然后，子集的一些或所有数据集可以用于训练预测模型，而例如多个数据集中的其他数据集不用于训练。应理解，对于例如与不同的可测量材料特性有关的另一预测模型，可以选择不同的子集。

72、如上所述，在根据第一示例方面或第二示例方面的方法的各种实施方案中，预测模型是回归模型。回归模型可以被理解为是指考虑到一个或多个输入变量(例如第一组输入参数)的值，预测目标变量(例如材料的第一可测量材料特性)的值的模型。

73、回归模型的一个非常简单的示例可以是线性回归模型。其中，使用模型参数w＝(w0,…,wm-1)t，从输入变量x＝(x1,…,xd)t的向量预测值y，即

74、

75、其中已知为基础函数，并且其中为了符号简洁，省略了对x的依赖性。基础函数的一个非常简单的示例可以是多项式，即此外，在一个非常简单的示例中，参数w可以由最大似然性确定，即训练，即

76、wml＝(φtφ)-1φtt

77、其中t是对于输入变量x观察到的目标变量的值的向量。应理解，在根据第一示例方面或第二示例方面的方法的各种实施方案中可以使用更复杂的模型。

78、在下文中，参考附图提供示例实施方案的更详细描述。