# Multivariate Regression and Design of Experiments for Tolerance Allocation and Yield Optimization in Complex Optical Systems

## Metadata

- **SPORE ID**: SPR-2026-6726
- **Domaines**: Statistics x Optical Engineering
- **Date de generation**: 2026-07-20
- **Panel consensus score**: 6.6/10
- **Novelty score**: 0.85/1.0
- **Panel verdict**: publish_brief

## Abstract

If fabrication errors in optical systems (curvature, thickness, refractive index, alignment) are treated as a multivariate dataset and modeled via Design of Experiments (DoE) and multivariate regression, then the system’s performance (wavefront error, MTF) can be predicted and optimized to increase manufacturing yield by at least 20% while reducing tolerance-related costs by 15–30%, because the statistical model identifies critical tolerances and a robust design operating point insensitive to variations.

The proposed mechanism involves 6 causal steps: (1) Define a fractional factorial or Box-Behnken design (DoE) with 5–15 factors (fab -> (2) Simulate or experimentally measure optical performance (wavefront error, MTF) fo -> (3) Fit a multivariate polynomial regression model (e.g., second-order with interact -> (4) Perform sensitivity analysis (e.g., ANOVA, Sobol indices) to rank factors by the.

Literature grounding on 20 verified references yields a novelty score of 0.85 (novel). A 3-phase experimental protocol (budget: €20k-80k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 6.6/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If fabrication errors in optical systems (curvature, thickness, refractive index, alignment) are treated as a multivariate dataset and modeled via Design of Experiments (DoE) and multivariate regression, then the system’s performance (wavefront error, MTF) can be predicted and optimized to increase manufacturing yield by at least 20% while reducing tolerance-related costs by 15–30%, because the statistical model identifies critical tolerances and a robust design operating point insensitive to variations.

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| Fabrication error in lens curvature | continuous | -0.1% to +0.1% of nominal curvature | dimensionless (fractional deviation) |
| Fabrication error in lens thickness | continuous | -50 to +50 μm | μm |
| Fabrication error in refractive index | continuous | -0.001 to +0.001 | dimensionless (absolute deviation) |
| Alignment error (decenter) | continuous | 0 to 100 μm | μm |
| Alignment error (tilt) | continuous | 0 to 0.5 arcminutes | arcminutes |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| Wavefront error (RMS) | continuous | increase | λ (wavelengths, e.g., 632.8 nm) |
| Modulation Transfer Function (MTF) at Nyquist frequency | continuous | decrease | dimensionless (0 to 1) |
| Manufacturing yield | continuous | increase | percentage (%) |

### 1.3 Chaine causale

1. Step 1: Define a fractional factorial or Box-Behnken design (DoE) with 5–15 factors (fabrication errors) at two or three levels, covering the expected tolerance ranges.
1. Step 2: Simulate or experimentally measure optical performance (wavefront error, MTF) for each design point using ray-tracing software (e.g., Zemax, Code V).
1. Step 3: Fit a multivariate polynomial regression model (e.g., second-order with interactions) to predict performance as a function of fabrication errors, using ordinary least squares or ridge regression.
1. Step 4: Perform sensitivity analysis (e.g., ANOVA, Sobol indices) to rank factors by their effect on performance variance, identifying critical tolerances that must be tightened.
1. Step 5: Apply response surface methodology (RSM) to locate a robust design region where performance sensitivity to fabrication errors is minimized (i.e., flat response surface).
1. Step 6: Reallocate tolerances: tighten critical factors (e.g., reduce curvature tolerance from ±0.05% to ±0.02%) and relax non-critical factors (e.g., increase thickness tolerance from ±20 μm to ±50 μm), then recompute yield via Monte Carlo simulation.

**Hypotheses cles :**

- Assumption that fabrication errors are independent and normally distributed within specified tolerance ranges.
- Assumption that the optical system’s performance is a smooth, continuous function of fabrication errors (no discontinuities or bifurcations).
- Assumption that the DoE design space adequately covers the expected manufacturing variation (no extrapolation beyond tested levels).
- Assumption that the regression model (e.g., second-order polynomial) captures the true underlying relationship with sufficient accuracy (R² > 0.95).

**Inconnues identifiees :**

- We do not know whether higher-order interactions (e.g., three-factor) significantly affect performance beyond second-order terms.
- We do not know the exact cost function for tightening vs. relaxing tolerances (e.g., cost per μm of thickness tolerance).
- We do not know whether the robust design region identified by RSM remains valid under non-normal error distributions (e.g., skewed or truncated).

### 1.4 Conditions aux limites

- **The optical system must have fewer than 20 adjustable tolerance parameters (factors) to keep the DoE feasible (e.g., fractional factorial with < 100 runs).** — For >20 factors, the number of runs for a resolution V design becomes prohibitive (> 2^(20-5) = 32,768 runs).
- **Fabrication errors must be independent and identically distributed (i.i.d.) within their tolerance ranges; correlated errors (e.g., from batch effects) require additional modeling (e.g., mixed effects).** — DoE and OLS regression assume independence; violation inflates Type I error in sensitivity analysis.
- **The optical system’s performance must be differentiable with respect to fabrication errors (no catastrophic failure modes like total internal reflection loss).** — Non-differentiable regions violate the smoothness assumption of RSM and polynomial regression.
- **The tolerance ranges must be symmetric and centered on nominal values; asymmetric tolerances require transformation (e.g., log).** — DoE levels are typically symmetric; asymmetry introduces bias in the regression coefficients.

### 1.5 Cadre theorique

Statistical Design of Experiments (DoE), Multivariate Regression Analysis, Response Surface Methodology (RSM), and Robust Design (Taguchi methods) applied to optical engineering tolerancing.

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2020] Sensitivity analysis of a Graphene Field-Effect Transistors by means of Design of Experiments** — [10.1016/j.matcom.2020.06.005](https://doi.org/10.1016/j.matcom.2020.06.005)
  - Similarite: analogous
  - Difference cle: Applies DoE to electronic devices (GFETs), not optical systems. The hypothesis extends this statistical approach to the specific domain of optical lens tolerance allocation and multivariate regression modeling of fabrication errors.
- **[2021] Robust-Oriented Optimization of Switched Reluctance Motors Considering Manufacturing Fluctuation** — [10.1109/tte.2021.3137385](https://doi.org/10.1109/tte.2021.3137385)
  - Similarite: analogous
  - Difference cle: Focuses on robust design optimization for electric motors, not optical systems. The hypothesis specifically targets optical engineering tolerancing (curvature, thickness, refractive index) using regression modeling.
- **[2023] Computationally-efficient statistical design and yield optimization of resonator-based notch filters using feature-based surrogates** — [10.1038/s41598-023-42056-7](https://doi.org/10.1038/s41598-023-42056-7)
  - Similarite: analogous
  - Difference cle: Applies statistical design and yield optimization to microwave filters, not optical systems. The hypothesis proposes a similar methodology but for complex optical systems with multivariate regression.
- **[2018] An Approach to the Sensitivity Analysis in Variation Simulations considering Form Deviations** — [10.1016/J.PROCIR.2018.03.314](https://doi.org/10.1016/J.PROCIR.2018.03.314)
  - Similarite: related
  - Difference cle: Focuses on sensitivity analysis in variation simulations for mechanical assemblies, not optical systems. The hypothesis proposes a specific statistical framework (DoE + regression) for optical tolerance allocation.

### 2.2 Base de preuves

- **[2020] Sensitivity analysis of a Graphene Field-Effect Transistors by means of Design of Experiments** — [10.1016/j.matcom.2020.06.005](https://doi.org/10.1016/j.matcom.2020.06.005)
  - Type: analogous | Citations: 12
  - Demonstrates the use of Design of Experiments (DoE) to assess the impact of manufacturing tolerances (channel thickness, oxide thickness) on device performance, directly analogous to the proposed use of DoE for optical tolerances.
- **[2021] Robust-Oriented Optimization of Switched Reluctance Motors Considering Manufacturing Fluctuation** — [10.1109/tte.2021.3137385](https://doi.org/10.1109/tte.2021.3137385)
  - Type: analogous | Citations: 28
  - Proposes a robust-oriented design optimization method considering manufacturing tolerances, supporting the hypothesis's goal of finding a 'robust design' operating point less sensitive to variations.
- **[2023] Computationally-efficient statistical design and yield optimization of resonator-based notch filters using feature-based surrogates** — [10.1038/s41598-023-42056-7](https://doi.org/10.1038/s41598-023-42056-7)
  - Type: analogous | Citations: 8
  - Applies statistical design and yield optimization to account for manufacturing tolerances in microwave filters, supporting the hypothesis's approach of using statistical methods for yield improvement in optical systems.
- **[2018] Prediction of Manufacturing Processes Errors: Gradient Boosted Trees Versus Deep Neural Networks** — [10.1109/EUC.2018.00012](https://doi.org/10.1109/EUC.2018.00012)
  - Type: indirect | Citations: 14
  - Explores machine learning for predicting manufacturing errors, supporting the hypothesis's concept of treating fabrication errors as a multivariate dataset to be modeled.
- **[2024] Improving the Interpretability of Data-Driven Models for Additive Manufacturing Processes Using Clusterwise Regression** — [10.3390/math12162559](https://doi.org/10.3390/math12162559)
  - Type: indirect | Citations: 10
  - Uses multivariate polynomial regression to model the relationship between input factors and output geometry in additive manufacturing, supporting the hypothesis's use of regression for optical systems.
- **[2023] Frequency Tracking Method and Compensation Parameters Optimization to Improve Capacitor Deviation Tolerance of the Wireless Power Transfer System** — [10.1109/TIE.2022.3232657](https://doi.org/10.1109/TIE.2022.3232657)
  - Type: indirect | Citations: 21
  - Uses Sobol sensitivity method to rank the importance of capacitor deviations, supporting the hypothesis's screening step to identify critical tolerances.
- **[2020] Biodiesel production using heterogeneous catalyst, application of Taguchi robust design and response surface methodology to optimise diesel engine performance fuelled with Jatropha biodiesel blends** — [10.1080/01430750.2020.1789741](https://doi.org/10.1080/01430750.2020.1789741)
  - Type: analogous | Citations: 33
  - Applies Taguchi robust design and response surface methodology (RSM) for optimization, directly supporting the hypothesis's proposed use of RSM for robust design.
- **[2020] Multi-response robust design optimization of natural draft biomass cook stove using response surface methodology and desirability function** — [10.1016/j.biombioe.2020.105507](https://doi.org/10.1016/j.biombioe.2020.105507)
  - Type: analogous | Citations: 26
  - Uses RSM and desirability function for multi-response robust design optimization, supporting the hypothesis's approach of finding a robust design operating point.
- **[2024] Removal of Amoxicillin From Wastewater Onto Activated Carbon: Optimization of Analytical Parameters by Response Surface Methodology** — [10.1177/15593258241271655](https://doi.org/10.1177/15593258241271655)
  - Type: analogous | Citations: 14
  - Uses RSM and Box-Behnken design for process optimization, supporting the hypothesis's proposed statistical experimental design methodology.
- **[2024] Response surface methodology for process optimization in livestock wastewater treatment: A review** — [10.1016/j.heliyon.2024.e30326](https://doi.org/10.1016/j.heliyon.2024.e30326)
  - Type: analogous | Citations: 64
  - Reviews the application of RSM for process optimization, providing a methodological foundation for the hypothesis's proposed use of RSM.
- **[2020] High-yield, wafer-scale fabrication of ultralow-loss, dispersion-engineered silicon nitride photonic circuits** — [10.1038/s41467-021-21973-z](https://doi.org/10.1038/s41467-021-21973-z)
  - Type: tangential | Citations: 429
  - Focuses on high-yield fabrication of photonic circuits, but does not use statistical DoE or regression for tolerance optimization. It provides context for the importance of yield in optical manufacturing.
- **[2023] Accuracy characterization of Shack–Hartmann sensor with residual error removal in spherical wavefront calibration** — [10.37188/lam.2023.036](https://doi.org/10.37188/lam.2023.036)
  - Type: tangential | Citations: 77
  - Deals with wavefront measurement accuracy, a component of optical system performance, but does not address tolerance allocation or statistical modeling of fabrication errors.
- **[2020] Real-time determination and visualization of two independent quantities during a manufacturing process of pharmaceutical tablets by near-infrared hyperspectral imaging combined with multivariate analysis.** — [10.1016/j.ijpharm.2020.119871](https://doi.org/10.1016/j.ijpharm.2020.119871)
  - Type: tangential | Citations: 26
  - Uses multivariate analysis for process monitoring in pharmaceutical manufacturing, but not for tolerance allocation or robust design in optical systems.
- **[2020] Design and analysis of hybrid optical distribution network for worst-case scenario of E2-class symmetric coexistence 80 Gbps TWDM NG-PON2 architecture for FTTX access networks** — [10.1016/j.ijleo.2020.166168](https://doi.org/10.1016/j.ijleo.2020.166168)
  - Type: tangential | Citations: 27
  - Considers worst-case scenario in optical network design, but does not use statistical DoE or regression for tolerance optimization.
- **[2023] Training for “Worst-Case” Scenarios in Sidestepping: Unifying Strength and Conditioning and Perception–Action Approaches** — [10.1186/s40798-023-00566-8](https://doi.org/10.1186/s40798-023-00566-8)
  - Type: tangential | Citations: 13
  - Discusses worst-case scenarios in a biomechanical context, not related to optical engineering or statistical tolerance allocation.
- **[2025] Mechanisms Underlying Range of Motion Improvements Following Acute and Chronic Static Stretching: A Systematic Review, Meta-analysis and Multivariate Meta-regression** — [10.1007/s40279-025-02204-7](https://doi.org/10.1007/s40279-025-02204-7)
  - Type: tangential | Citations: 13
  - Uses multivariate meta-regression in a sports science context, not related to optical engineering or manufacturing tolerance optimization.
- **[2024] Screening of Wheat Genotypes for Water Stress Tolerance Using Soil–Water Relationships and Multivariate Statistical Approaches** — [10.3390/agronomy14051029](https://doi.org/10.3390/agronomy14051029)
  - Type: tangential | Citations: 12
  - Uses multivariate statistical approaches for screening in agriculture, not related to optical engineering or tolerance allocation.
- **[2024] The LISA-PPV Formula: An Ensemble Artificial Intelligence-Based Thick Intraocular Lens Calculation Formula for Vitrectomized Eyes.** — [10.1016/j.ajo.2024.02.037](https://doi.org/10.1016/j.ajo.2024.02.037)
  - Type: tangential | Citations: 11
  - Uses AI for IOL power calculation, a specific optical application, but does not use DoE or regression for general tolerance allocation in complex optical systems.
- **[2023] Single‐Atom Control of Arsenic Incorporation in Silicon for High‐Yield Artificial Lattice Fabrication** — [10.1002/adma.202312282](https://doi.org/10.1002/adma.202312282)
  - Type: tangential | Citations: 7
  - Focuses on high-yield fabrication at the atomic scale, but does not use statistical DoE or regression for tolerance optimization in macroscopic optical systems.

### 2.3 Contre-preuves et limitations connues

Aucune contre-preuve identifiee.

### 2.4 Evaluation de nouveaute

- **Score**: 0.85/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | Applying DoE and multivariate regression to a triplet lens system will identify that curvature and refractive index tolerances account for >70% of wavefront error variance, and tightening these by 50% while relaxing thickness tolerances by 100% will increase yield from 60% to at least 80%. | Yield increase of at least 20 percentage points (from 60% to ≥80%) with a 95% confidence interval of ±5%. | Monte Carlo simulation (10,000 samples) of wavefront error using the fitted regression model, with yield defined as RMS wavefront error < λ/14 (Marechal criterion). | H0: The yield after tolerance reallocation is ≤60% (no improvement). | One-tailed z-test for proportions, alpha = 0.05, power = 0.80. |
| 2 | The response surface model will locate a robust design point (e.g., a specific combination of nominal curvatures and thicknesses) where the predicted wavefront error variance is at least 30% lower than at the original design point. | Reduction in wavefront error variance of ≥30% (e.g., from σ² = 0.02 λ² to ≤0.014 λ²). | Variance of wavefront error computed from 1,000 Monte Carlo samples at the original and robust design points, using the regression model. | H0: The variance at the robust design point is ≥90% of the variance at the original design point (i.e., no significant reduction). | F-test for equality of variances (one-tailed), alpha = 0.05. |
| 3 | The multivariate regression model will predict MTF at Nyquist frequency with a root mean squared error (RMSE) of less than 0.02 (on a 0–1 scale) when validated against 100 independent ray-trace simulations. | RMSE < 0.02 for MTF predictions. | Compute RMSE = sqrt(mean((MTF_predicted - MTF_simulated)^2)) over 100 validation points. | H0: RMSE ≥ 0.02 (model is not sufficiently accurate). | One-sample t-test on squared errors (H0: mean squared error ≥ 0.0004), alpha = 0.05. |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €20k-80k

### 4.1 Phase 1 — In Silico Validation

**Objectif**: To rapidly falsify the core hypothesis that a second-order polynomial regression model, fitted to a Box-Behnken design, can predict wavefront error and MTF with sufficient accuracy (R² > 0.95, RMSE < 0.02) to enable a 20% yield improvement via tolerance reallocation, using only ray-tracing simulations.

**Methodologie**: 1. **System Definition**: Model a Cooke triplet lens (f/2.8, 50mm EFL) in Zemax OpticStudio (or Code V). Define nominal parameters and tolerance ranges as per hypothesis (curvature ±0.1%, thickness ±50µm, refractive index ±0.001, decenter 0-100µm, tilt 0-0.5 arcmin).
2. **DoE Construction**: Generate a Box-Behnken design with 5 factors (curvature, thickness, refractive index, decenter, tilt) at 3 levels (-1, 0, +1) using JMP or Python's pyDOE3 library. This yields 46 runs (including 6 center points).
3. **Simulation**: For each DoE run, perturb the nominal lens in Zemax using the ZPL macro language or the Python API (zospy). Compute RMS wavefront error (at 632.8nm) and MTF at Nyquist frequency (e.g., 100 lp/mm). Export results as a CSV.
4. **Model Fitting**: In Python (scikit-learn, statsmodels), fit a second-order polynomial regression with all two-way interactions (15 terms + 5 linear + 5 quadratic = 25 terms). Use ordinary least squares (OLS). Compute R², adjusted R², and RMSE on a separate validation set of 20 random points (not in DoE).
5. **Sensitivity Analysis**: Compute ANOVA (Type III sums of squares) and Sobol indices (using SALib) to rank factor importance. Identify if curvature and refractive index account for >70% of variance.
6. **Tolerance Reallocation & Yield Prediction**: Tighten curvature tolerance from ±0.05% to ±0.02% and refractive index from ±0.001 to ±0.0005. Relax thickness from ±20µm to ±50µm. Run Monte Carlo (10,000 samples) in Zemax using the 'Tolerance' operand (TOLR) or custom Python script. Compute yield as % of samples with RMS wavefront error < λ/14 (44.5nm at 632.8nm). Compare to baseline yield (original tolerances).
7. **Robust Design Search**: Use response surface methodology (RSM) in Python (scipy.optimize) to find a nominal design point (curvature, thickness) that minimizes predicted wavefront error variance (computed via error propagation formula from regression coefficients). Compare variance at this point vs. original nominal.

- Cout: €500-2000
- Duree: 4-6 weeks
- Equipement: Standard workstation (16GB RAM, 4+ cores)
- Logiciels: Zemax OpticStudio (or Code V) with license, Python 3.9+ with numpy, scipy, pandas, scikit-learn, statsmodels, SALib, pyDOE3, matplotlib, JMP (optional, for DoE design)

**Criteres de succes :**

- Regression model R² on validation set: ≥ 0.95
- RMSE for MTF prediction: < 0.02 (on 0-1 scale)
- Yield improvement after tolerance reallocation: ≥ 20 percentage points (e.g., from 60% to ≥80%)
- Variance reduction at robust design point: ≥ 30% reduction in wavefront error variance

- **GO**: All four success criteria are met (R²≥0.95, RMSE<0.02, yield improvement ≥20pp, variance reduction ≥30%).
- **NO-GO**: Any criterion fails (e.g., R²<0.90, RMSE>0.03, yield improvement <10pp).
- **PIVOT**: R²≥0.90 but <0.95, or yield improvement 10-19pp: consider adding cubic terms or a different DoE (e.g., Central Composite Design) and re-running Phase 1.

### 4.2 Phase 2 — Minimal Experimental Validation

**Objectif**: To confirm that the regression model and tolerance reallocation strategy, derived from simulation, hold for a small set of physically fabricated and measured lenses, validating the causal link between fabrication errors and optical performance.

**Methodologie**: 1. **Lens Procurement**: Order 10 Cooke triplet lenses from a precision optics manufacturer (e.g., Edmund Optics, Thorlabs) with standard tolerances (baseline). Request that the manufacturer provide measured fabrication errors (curvature, thickness, refractive index, decenter, tilt) for each lens via a certified metrology report (e.g., interferometer for curvature, micrometer for thickness, refractometer for index).
2. **Baseline Measurement**: Measure wavefront error (RMS) of each lens using a Shack-Hartmann wavefront sensor (e.g., Thorlabs WFS150-5C) at 632.8nm. Measure MTF using an MTF bench (e.g., Trioptics ImageMaster) at Nyquist frequency. Record 10 measurements per lens to estimate measurement noise.
3. **Model Validation**: Use the measured fabrication errors as inputs to the regression model from Phase 1 to predict wavefront error and MTF. Compare predictions to actual measurements. Compute RMSE and R² on these 10 physical samples.
4. **Tolerance Reallocation**: Based on Phase 1 results, order 10 additional lenses with tightened tolerances on curvature (±0.02%) and refractive index (±0.0005), and relaxed tolerances on thickness (±50µm). Again, obtain measured fabrication errors from the manufacturer.
5. **Yield Comparison**: Measure wavefront error and MTF for the 10 reallocated-tolerance lenses. Compute yield (fraction with RMS wavefront error < λ/14). Compare to baseline yield using Fisher's exact test (small sample).

- Cout: €8k-15k
- Duree: 2-3 months
- Equipement: Shack-Hartmann wavefront sensor (e.g., Thorlabs WFS150-5C), MTF measurement bench (e.g., Trioptics ImageMaster), Collimated laser source (632.8nm, e.g., HeNe laser), Optical breadboard, mounts, and alignment tools
- Logiciels: Wavefront sensor software (Thorlabs WFS software), MTF analysis software (Trioptics), Python for data analysis

**Criteres de succes :**

- Prediction accuracy on physical lenses: RMSE < 0.03 λ for wavefront error, RMSE < 0.03 for MTF
- Yield improvement in reallocated group: ≥ 20 percentage points (e.g., from 50% to ≥70%)

- **GO**: Both success criteria met: RMSE < 0.03 for both metrics, and yield improvement ≥20pp (p<0.10).
- **NO-GO**: RMSE > 0.05 for either metric, or yield improvement <10pp (p>0.20).
- **PIVOT**: RMSE 0.03-0.05 but yield improvement ≥20pp: consider adding a calibration factor to the model (e.g., linear scaling) and re-testing with 5 additional lenses.

### 4.3 Phase 3 — Full Experimental Protocol

**Objectif**: To rigorously validate the DoE-based tolerance allocation methodology on a production-scale sample (N=100+ lenses), demonstrating a statistically significant ≥20% yield improvement and ≥15% cost reduction, with results suitable for publication in a peer-reviewed journal (e.g., Optics Express, Applied Optics).

**Methodologie**: 1. **Large-Scale Lens Procurement**: Partner with an optics manufacturer (e.g., Jenoptik, Excelitas) to produce 200 Cooke triplet lenses: 100 with standard tolerances (baseline) and 100 with optimized tolerances (tightened curvature and refractive index, relaxed thickness and alignment). Ensure random assignment to groups. Obtain certified metrology for all fabrication errors.
2. **High-Throughput Metrology**: Set up an automated measurement station: Shack-Hartmann wavefront sensor (e.g., Thorlabs WFS150-5C) and MTF bench (e.g., Trioptics ImageMaster) with robotic lens handling (e.g., 6-axis robot arm). Measure all 200 lenses over 2-3 weeks (10 lenses/hour).
3. **Model Refinement**: Use the full dataset (200 lenses) to refit the regression model, including potential batch effects (mixed-effects model with random intercept for manufacturing batch). Compare to the Phase 1 model.
4. **Cost Analysis**: Collect cost data from the manufacturer for each tolerance level (e.g., cost per lens for curvature ±0.02% vs. ±0.05%). Compute total manufacturing cost per lens for baseline and optimized groups. Perform a cost-benefit analysis (yield × revenue per lens - cost per lens).
5. **Robustness Testing**: Validate the robust design point by measuring wavefront error variance for a subset of lenses (N=20) manufactured at the robust nominal (slightly adjusted curvatures). Compare variance to original nominal using F-test.
6. **Publication Preparation**: Document all methods, results, and statistical analyses. Prepare figures (e.g., parity plot of predicted vs. measured wavefront error, yield bar chart with confidence intervals, cost vs. yield Pareto frontier). Submit to a peer-reviewed journal.

- Cout: €50k-200k+
- Duree: 9-18 months
- Equipement: Automated wavefront sensor station (Shack-Hartmann), Automated MTF bench (Trioptics ImageMaster), Robotic lens handler (e.g., from PI or Aerotech), Environmental chamber (temperature/humidity control, ±0.1°C), Fizeau interferometer (for curvature verification), Coordinate measuring machine (for thickness verification)
- Logiciels: Zemax OpticStudio (for model updates), Python/R for statistical analysis (mixed-effects models, cost optimization), JMP or Minitab for DoE and RSM, LabVIEW or Python for automation control

**Criteres de succes :**

- Yield improvement: ≥ 20 percentage points (e.g., from 60% to ≥80%) with 95% CI excluding zero
- Cost reduction: ≥ 15% reduction in per-lens manufacturing cost
- Model generalizability: RMSE < 0.02 λ for wavefront error on held-out test set (20% of data)

- **GO**: All three success criteria met with statistical significance (p<0.05 for yield, cost reduction >15%, RMSE<0.02).
- **NO-GO**: Yield improvement <10pp (p>0.05) or cost reduction <5%.
- **PIVOT**: Yield improvement 10-19pp but cost reduction >20%: consider a different tolerance allocation (e.g., tighten only curvature, relax everything else) and re-run the optimization loop.

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Open Zemax OpticStudio (or Code V) and model a Cooke triplet lens using the built-in 'Cooke 40 degree field' example (or a similar stock design). Export the lens data as a text file for later perturbation.
- **Outils**: Zemax OpticStudio (or Code V), Python 3.9+ with numpy, scipy, pandas, scikit-learn, pyDOE3
- **Donnees ouvertes**: Zemax sample lens library (Cooke triplet example), Python package pyDOE3 (pip install pyDOE3), SALib for Sobol indices (pip install SALib)

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.85/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 7.5/10

**Forces :**
- Marché captif immédiat : les fabricants de systèmes optiques de précision (objectifs pour smartphones, caméras de surveillance, instruments médicaux) dépensent 15-25% de leur COGS en rework et rebuts liés aux tolérances. Un gain de 20% de rendement sur une ligne produisant 1M d'unités/an représente une économie de €500k-2M/an, justifiant un budget outil de €50-200k.
- Avantage concurrentiel défendable : la méthode crée une barrière à l'entrée par l'accumulation de données de fabrication propriétaires. Chaque projet de lentille triplet/quadruplet calibré avec le modèle enrichit une base d'apprentissage qui améliore la précision prédictive, rendant le service difficile à répliquer sans historique client.
- Timeline réaliste : le protocole en 3 phases (4 semaines simulation → 3 mois proto → 12 mois production) permet un pilote commercialisable en 18 mois, avec un ROI client démontré dès la phase 2 sur un jeu de 20 lentilles physiques.

**Faiblesses :**
- Barrière d'adoption majeure : les ingénieurs opticiens sont formés aux méthodes déterministes (Zemax, Code V) et au tolérancement gaussien. L'introduction de DoE multivarié nécessite une formation interne et un changement culturel, freinant l'adoption dans les PME sous-traitantes qui représentent 40% du marché.
- Risque de non-généralisation : le triplet est un cas d'école. Les systèmes complexes (objectifs à 10+ éléments, optiques freeform) peuvent avoir des interactions non-linéaires que le polynôme d'ordre 2 ne capture pas, limitant le marché aux systèmes de complexité modérée (3-6 éléments).
- Dépendance à la qualité des données : le modèle exige des données de fabrication réelles (mesures de courbure, épaisseur, indice) qui sont souvent bruitées ou indisponibles chez les sous-traitants, augmentant le coût d'acquisition client.

**Recommandation**: Cibler en priorité les fabricants d'objectifs pour caméras de smartphones (Samsung Electro-Mechanics, Sunny Optical, Largan) qui produisent >100M unités/an et ont des marges serrées. Proposer un engagement 'zero risk' : phase 1 gratuite sur leur design existant, paiement uniquement si le gain de rendement dépasse 15% en phase 2. Parallèlement, déposer un brevet de procédé sur la méthode de sélection des facteurs critiques dans un système optique à lentilles multiples. Le marché total adressable (fabricants optiques avec >€10M CA) est estimé à 300-500 entreprises, avec un potentiel de chiffre d'affaires de €15-30M/an en 3 ans.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ERC Starting Grant 2026 | European Research Council | 0.75 | 1 500 000 € - 2 000 000 € (sur 5 ans) | 15% (2024) |
| ANR PRCE 2025 (Projet de Recherche Collaborative - Entreprise) | Agence Nationale de la Recherche (France) | 0.8 | 300 000 € - 600 000 € (sur 3-4 ans) | 20% (2024) |
| EIC Pathfinder Open 2025 | European Innovation Council (Horizon Europe) | 0.65 | 3 000 000 € - 4 000 000 € (sur 3-4 ans, consortium multi-pays) | 8% (2024) |

- **ERC Starting Grant 2026** (European Research Council): L'approche DoE + régression multivariée pour l'optimisation du tolérancement optique est une rupture méthodologique par rapport aux approches déterministes ou Monte Carlo classiques. Le protocole en 3 phases permet de démontrer la faisabilité (Phase 1) puis la validité expérimentale (Phase 2-3), ce qui correspond au cahier des charges ERC (preuve de concept en 5 ans). Le budget permet d'ajouter un postdoc en statistiques et un ingénieur optique.
- **ANR PRCE 2025 (Projet de Recherche Collaborative - Entreprise)** (Agence Nationale de la Recherche (France)): L'aspect industriel (réduction de coûts, augmentation de rendement) et la nécessité d'un partenaire fabricant de lentilles pour la Phase 3 (production de 100+ lentilles) correspondent parfaitement au format PRCE. Le budget permet de financer un ingénieur de recherche et les coûts de fabrication. Le TRL cible (4-5) est cohérent avec les attendus du programme.
- **EIC Pathfinder Open 2025** (European Innovation Council (Horizon Europe)): Bien que le budget soit trop élevé pour l'hypothèse seule, le Pathfinder Open finance des idées radicalement nouvelles (TRL 2-3) avec un potentiel de rupture technologique. L'approche statistique pour le tolérancement optique pourrait être présentée comme une nouvelle méthodologie générique applicable à d'autres systèmes complexes (microélectronique, MEMS). Un consortium incluant un laboratoire d'optique, un statisticien et un fabricant de systèmes optiques serait nécessaire.

**Recommandation financement**: Cibler en priorité un ERC Starting Grant (2026) avec un narratif fondamental sur les limites des méthodes de tolérancement actuelles et l'innovation statistique, en ajoutant une phase de validation expérimentale plus large (budget 1.5-2 M€). En parallèle, déposer une demande ANR PRCE (2025) avec un industriel partenaire pour la Phase 3 (budget 300-500 k€). En cas d'échec, un EIC Pathfinder Open (TRL 2-3) pourrait financer la preuve de concept exploratoire.

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 8.2/10 | strong_accept | Excellente articulation entre les phases in silico, minimale et production, permettant une validation progressive et une gestion des risques claire avec des critères GO/NO-GO/PIVOT quantifiés. |
| domain_expert | 7.8/10 | accept | La chaîne causale proposée (DoE → Régression → Analyse de sensibilité → RSM → Réallocation des tolérances) est une séquence méthodologique classique et rigoureuse en ingénierie de la robustesse, bien ancrée dans la littérature du Design for Six Sigma (DFSS) et du Robust Design de Taguchi. L'application à l'optique est une extension naturelle et prometteuse. |
| contrarian | 3.0/10 | weak_reject | La tentative de formaliser le problème de tolérancement via une approche statistique multivariée est conceptuellement séduisante et pourrait, en principe, réduire l'empirisme coûteux des itérations de conception optique. |
| industrialist | 7.5/10 | accept | Marché captif immédiat : les fabricants de systèmes optiques de précision (objectifs pour smartphones, caméras de surveillance, instruments médicaux) dépensent 15-25% de leur COGS en rework et rebuts liés aux tolérances. Un gain de 20% de rendement sur une ligne produisant 1M d'unités/an représente une économie de €500k-2M/an, justifiant un budget outil de €50-200k. |
| funding_strategist | 6.5/10 | weak_accept | Approche statistique (DoE + régression multivariée) appliquée à un problème industriel classique (tolérancement optique) : originalité méthodologique forte, peu explorée dans la littérature optique. |

**Consensus score**: 6.6/10
**Verdict final**: publish_brief

### 6.1 Consensus

- L'approche statistique (DoE + régression multivariée) pour l'optimisation du tolérancement optique est une extension méthodologique prometteuse et bien ancrée dans la littérature du Robust Design.
- Le protocole de validation en 3 phases (in silico, minimale, production) est clair, séquentiel et falsifiable, réduisant le risque technique et permettant un financement par étapes.
- Le potentiel d'impact économique direct (réduction de coûts de 15-30%, augmentation du rendement de 20%) est reconnu comme aligné avec les priorités industrielles et de compétitivité.

### 6.2 Points de desaccord

- Le Contrarian et le Methodologist s'opposent sur la validité de l'hypothèse de linéarité (polynôme d'ordre 2) pour les systèmes optiques complexes : le premier la juge naïve et catastrophique, le second la considère comme une limite gérable avec des plans de repli.
- Le Domain Expert et l'Industrialist divergent sur la généralisabilité : le premier estime que l'hypothèse sous-estime la complexité des systèmes réels (aberrations, corrélations), tandis que le second voit un marché captif immédiat pour les systèmes de complexité modérée.
- Le Funding Strategist souligne un TRL actuel très bas (1-2) et un budget demandé trop faible pour les appels européens majeurs, contrastant avec l'optimisme de l'Industrialist sur le ROI rapide.

### 6.3 Critical path

La validation expérimentale de l'hypothèse de lissage polynomial d'ordre 2 sur un système optique réel (ex: doublet ou triplet) est le facteur le plus déterminant. Sans cette preuve, le modèle reste une spéculation théorique, et l'ensemble de la chaîne de valeur (prédiction de rendement, réduction de coûts) s'effondre.

**Recommandation finale**: Le panel recommande la publication du brief, car l'hypothèse présente une approche méthodologique rigoureuse et un potentiel industriel clair, malgré des désaccords sur la validité des hypothèses sous-jacentes. Les critiques du Contrarian (non-linéarité catastrophique, corrélations, surajustement) sont sérieuses mais ne justifient pas un rejet à ce stade, car le protocole en 3 phases permet de les tester expérimentalement. Pour renforcer la crédibilité, le brief doit explicitement mentionner un plan de repli en cas d'échec de l'hypothèse de linéarité (ex: ajout de termes cubiques, utilisation de processus Gaussiens) et intégrer une validation croisée du modèle de régression avec un jeu de test externe. La publication est conditionnée à l'ajout de ces éléments dans le brief final.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- No papers in the provided list directly apply Design of Experiments (DoE) and multivariate regression to tolerance allocation in complex optical systems. This confirms the novelty but also highlights a gap in the available literature for direct evidence.
- The provided papers do not include any that demonstrate the use of response surface methodology (RSM) for finding a 'robust design' operating point in optical systems, leaving this specific mechanism unsupported by direct evidence in the list.

### 7.2 Competence gaps

- Phase 1: Optical design and ray-tracing (Zemax/Code V)
- Phase 1: Python scripting for automation
- Phase 1: Statistical modeling (regression, ANOVA, DoE)
- Phase 2: Optical metrology (wavefront sensing, MTF measurement)
- Phase 2: Lens alignment and handling
- Phase 2: Statistical analysis (small-sample inference)
- Phase 3: Optical metrology automation
- Phase 3: Mixed-effects modeling (e.g., lme4 in R)
- Phase 3: Industrial statistics and cost engineering
- Phase 3: Scientific writing and publication

### 7.3 Epistemic gaps

- We do not know whether higher-order interactions (e.g., three-factor) significantly affect performance beyond second-order terms.
- We do not know the exact cost function for tightening vs. relaxing tolerances (e.g., cost per μm of thickness tolerance).
- We do not know whether the robust design region identified by RSM remains valid under non-normal error distributions (e.g., skewed or truncated).

## References

[1] G. Spinelli, P. Lamberti, et al. (2020). *Sensitivity analysis of a Graphene Field-Effect Transistors by means of Design of Experiments*. DOI: [10.1016/j.matcom.2020.06.005](https://doi.org/10.1016/j.matcom.2020.06.005)
[2] Kaikai Diao, Xiaodong Sun, et al. (2021). *Robust-Oriented Optimization of Switched Reluctance Motors Considering Manufacturing Fluctuation*. DOI: [10.1109/tte.2021.3137385](https://doi.org/10.1109/tte.2021.3137385)
[3] Sławomir Kozieł, Tanveerul Haq (2023). *Computationally-efficient statistical design and yield optimization of resonator-based notch filters using feature-based surrogates*. DOI: [10.1038/s41598-023-42056-7](https://doi.org/10.1038/s41598-023-42056-7)
[4] I. Anghel, T. Cioara, et al. (2018). *Prediction of Manufacturing Processes Errors: Gradient Boosted Trees Versus Deep Neural Networks*. DOI: [10.1109/EUC.2018.00012](https://doi.org/10.1109/EUC.2018.00012)
[5] G. Mattera, Gianfranco Piscopo, et al. (2024). *Improving the Interpretability of Data-Driven Models for Additive Manufacturing Processes Using Clusterwise Regression*. DOI: [10.3390/math12162559](https://doi.org/10.3390/math12162559)
[6] Yi Wang, Zhongping Yang, et al. (2023). *Frequency Tracking Method and Compensation Parameters Optimization to Improve Capacitor Deviation Tolerance of the Wireless Power Transfer System*. DOI: [10.1109/TIE.2022.3232657](https://doi.org/10.1109/TIE.2022.3232657)
[7] Aparna Singh, S. Sinha, et al. (2020). *Biodiesel production using heterogeneous catalyst, application of Taguchi robust design and response surface methodology to optimise diesel engine performance fuelled with Jatropha biodiesel blends*. DOI: [10.1080/01430750.2020.1789741](https://doi.org/10.1080/01430750.2020.1789741)
[8] M. P. Kshirsagar, V. Kalamkar, et al. (2020). *Multi-response robust design optimization of natural draft biomass cook stove using response surface methodology and desirability function*. DOI: [10.1016/j.biombioe.2020.105507](https://doi.org/10.1016/j.biombioe.2020.105507)
[9] M. Abbas, Mohamed Trari (2024). *Removal of Amoxicillin From Wastewater Onto Activated Carbon: Optimization of Analytical Parameters by Response Surface Methodology*. DOI: [10.1177/15593258241271655](https://doi.org/10.1177/15593258241271655)
[10] Arif Reza, Lide Chen, et al. (2024). *Response surface methodology for process optimization in livestock wastewater treatment: A review*. DOI: [10.1016/j.heliyon.2024.e30326](https://doi.org/10.1016/j.heliyon.2024.e30326)
[11] Junqiu Liu, Guanhao Huang, et al. (2020). *High-yield, wafer-scale fabrication of ultralow-loss, dispersion-engineered silicon nitride photonic circuits*. DOI: [10.1038/s41467-021-21973-z](https://doi.org/10.1038/s41467-021-21973-z)
[12] Yi He, Mingdi Bao, et al. (2023). *Accuracy characterization of Shack–Hartmann sensor with residual error removal in spherical wavefront calibration*. DOI: [10.37188/lam.2023.036](https://doi.org/10.37188/lam.2023.036)
[13] Takashi Nishii, Katsuhiro Matsuzaki, et al. (2020). *Real-time determination and visualization of two independent quantities during a manufacturing process of pharmaceutical tablets by near-infrared hyperspectral imaging combined with multivariate analysis.*. DOI: [10.1016/j.ijpharm.2020.119871](https://doi.org/10.1016/j.ijpharm.2020.119871)
[14] R. Pagare, Santosh Kumar, et al. (2020). *Design and analysis of hybrid optical distribution network for worst-case scenario of E2-class symmetric coexistence 80 Gbps TWDM NG-PON2 architecture for FTTX access networks*. DOI: [10.1016/j.ijleo.2020.166168](https://doi.org/10.1016/j.ijleo.2020.166168)
[15] D. Kadlec, Matt Miller-Dicks, et al. (2023). *Training for “Worst-Case” Scenarios in Sidestepping: Unifying Strength and Conditioning and Perception–Action Approaches*. DOI: [10.1186/s40798-023-00566-8](https://doi.org/10.1186/s40798-023-00566-8)
[16] Lewis A Ingram, Grant R. Tomkinson, et al. (2025). *Mechanisms Underlying Range of Motion Improvements Following Acute and Chronic Static Stretching: A Systematic Review, Meta-analysis and Multivariate Meta-regression*. DOI: [10.1007/s40279-025-02204-7](https://doi.org/10.1007/s40279-025-02204-7)
[17] M. Sheta, M. Hasham, et al. (2024). *Screening of Wheat Genotypes for Water Stress Tolerance Using Soil–Water Relationships and Multivariate Statistical Approaches*. DOI: [10.3390/agronomy14051029](https://doi.org/10.3390/agronomy14051029)
[18] Jiaqing Zhang, Aixia Jin, et al. (2024). *The LISA-PPV Formula: An Ensemble Artificial Intelligence-Based Thick Intraocular Lens Calculation Formula for Vitrectomized Eyes.*. DOI: [10.1016/j.ajo.2024.02.037](https://doi.org/10.1016/j.ajo.2024.02.037)
[19] T. Stock, O. Warschkow, et al. (2023). *Single‐Atom Control of Arsenic Incorporation in Silicon for High‐Yield Artificial Lattice Fabrication*. DOI: [10.1002/adma.202312282](https://doi.org/10.1002/adma.202312282)
[20] B. Schleich, S. Wartzack (2018). *An Approach to the Sensitivity Analysis in Variation Simulations considering Form Deviations*. DOI: [10.1016/J.PROCIR.2018.03.314](https://doi.org/10.1016/J.PROCIR.2018.03.314)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 8.2/10 | **Verdict**: strong_accept | **Confidence**: 0.92
- **Strengths**: Excellente articulation entre les phases in silico, minimale et production, permettant une validation progressive et une gestion des risques claire avec des critères GO/NO-GO/PIVOT quantifiés.; Prédictions falsifiables bien formulées avec des bornes précises (e.g., intervalle de confiance à 95% de ±5% pour le rendement) et des méthodes de test explicites (Monte Carlo, RMSE sur validation).; Identification et traitement proactif des biais potentiels : mesure du bruit de mesure (10 répétitions par lentille en Phase 2), effets de lot (modèle mixte en Phase 3), et randomisation des groupes en Phase 3.
- **Weaknesses**: La puissance statistique de la Phase 2 est très faible (n=10 par groupe) pour détecter une différence de 20 points de pourcentage de rendement. Le test exact de Fisher mentionné aura une puissance très limitée, risquant un faux négatif (NO-GO) même si l'effet est réel.; Le protocole ne contrôle pas le biais de confirmation lié à l'utilisation du même modèle de régression pour identifier les tolérances critiques ET pour prédire le rendement après réallocation. Il y a un risque de circularité : le modèle surestime l'effet des facteurs qu'il a lui-même identifiés comme importants.; L'hypothèse de linéarité des effets (modèle polynomial d'ordre 2) pour des systèmes optiques complexes est forte. Les interactions d'ordre supérieur (e.g., courbure × épaisseur × indice) sont courantes en optique et pourraient invalider le modèle dès la Phase 1, sans plan de repli clair au-delà de l'ajout de termes cubiques.
- **Questions**: Comment comptez-vous valider que le modèle de régression ne souffre pas de surapprentissage (overfitting) sur les 46 runs du Box-Behnken, malgré les 25 termes du modèle ? Un R² ajusté ou une validation croisée (k-fold) sur les données d'entraînement est-il prévu ?; En Phase 2, comment garantissez-vous que les 10 lentilles du groupe 'tolérances optimisées' sont fabriquées avec les mêmes procédés (hors tolérances) que les 10 lentilles de référence, pour éviter un biais de sélection lié à un changement de lot de matière ou d'opérateur ?; Le coût de fabrication par lentille est une variable clé pour la prédiction de réduction des coûts de 15-30%. Comment ce coût sera-t-il modélisé ? Est-il linéaire avec la sévérité des tolérances, ou existe-t-il des seuils (e.g., coût fixe d'un nouveau calibre) qui pourraient fausser l'optimisation ?
- **Recommendation**: Ce protocole est d'une rigueur exemplaire pour un travail de recherche en ingénierie optique. Je recommande son acceptation avec une mise en garde sur la puissance de la Phase 2. Pour renforcer la crédibilité, je suggère d'augmenter l'échantillon de la Phase 2 à au moins 30 lentilles par groupe (via un budget supplémentaire) ou d'utiliser un plan séquentiel (e.g., test séquentiel de Wald) pour arrêter tôt si l'effet est très fort. De plus, une validation croisée du modèle de régression (Phase 1) avec un jeu de test externe de 50 points, et non 20, augmenterait la confiance dans la généralisabilité.

#### Domain Expert

- **Score**: 7.8/10 | **Verdict**: accept | **Confidence**: 0.88
- **Strengths**: La chaîne causale proposée (DoE → Régression → Analyse de sensibilité → RSM → Réallocation des tolérances) est une séquence méthodologique classique et rigoureuse en ingénierie de la robustesse, bien ancrée dans la littérature du Design for Six Sigma (DFSS) et du Robust Design de Taguchi. L'application à l'optique est une extension naturelle et prometteuse.; L'hypothèse identifie correctement les défis clés de l'allocation de tolérances en optique : la nécessité de passer d'une approche de 'worst-case' (souvent trop conservatrice) à une approche statistique pour maximiser le rendement, et l'importance de distinguer les paramètres critiques des non-critiques pour réduire les coûts.; La base de preuves, bien que majoritairement issue de domaines connexes (électronique, moteurs, micro-ondes), établit une analogie solide et démontre que les outils statistiques proposés (DoE, RSM, Sobol) ont fait leurs preuves pour des problèmes de tolérancement similaires dans d'autres disciplines d'ingénierie de précision.
- **Weaknesses**: L'hypothèse sous-estime la complexité des systèmes optiques réels. L'hypothèse de continuité lisse (Step 2, Assumption 2) peut être violée en présence de fortes aberrations (e.g., caustiques, bifurcations de points de fonctionnement) ou de phénomènes de diffraction non-linéaires, rendant un modèle polynomial de second ordre potentiellement inadéquat.; Le mécanisme proposé néglige l'étape cruciale de la validation expérimentale du modèle de régression. Un R² > 0.95 sur des données de simulation ne garantit pas la précision sur des données de fabrication réelles, où des corrélations entre défauts (e.g., erreurs de centrage liées au montage) ou des distributions non-normales (e.g., bimodales) sont courantes.; La revendication d'une réduction des coûts de 15-30% est trop ambitieuse et non justifiée. Le coût de resserrement d'une tolérance n'est pas linéaire et peut être exponentiel pour des tolérances très serrées (e.g., centrage nanométrique). L'hypothèse ne fournit aucun modèle de coût ni référence pour étayer cette fourchette.
- **Questions**: Comment le mécanisme proposé gère-t-il les interactions d'ordre supérieur (3 facteurs et plus) qui sont fréquentes dans les systèmes optiques complexes (ex: interaction entre le décentrage, le tilt et l'épaisseur d'air) et qui peuvent dominer la performance pour des combinaisons de défauts extrêmes ?; Quelle est la stratégie pour valider expérimentalement le modèle de régression et la région de conception robuste identifiée par RSM, en particulier face à des distributions de défauts de fabrication non-idéales (e.g., asymétriques, tronquées) qui ne sont pas couvertes par l'hypothèse de normalité ?; Pouvez-vous proposer un modèle de coût réaliste (même simplifié) pour l'optique de précision (ex: coût d'usinage en fonction de la tolérance de rayon de courbure) qui permettrait de justifier quantitativement la réallocation des tolérances et l'objectif de réduction de coût de 15-30% ?
- **Recommendation**: L'hypothèse est théoriquement cohérente et le mécanisme proposé est plausible, représentant une avancée méthodologique intéressante pour l'optique de précision. Cependant, pour renforcer la proposition, il est impératif d'ajouter une étape de validation expérimentale ou de simulation Monte Carlo plus poussée incluant des distributions non-normales, et de remplacer les objectifs de coût génériques par un modèle de coût spécifique à l'optique. Une étude de cas sur un système optique simple (e.g., un doublet achromatique) serait très convaincante.

#### Contrarian

- **Score**: 3.0/10 | **Verdict**: weak_reject | **Confidence**: 0.85
- **Strengths**: La tentative de formaliser le problème de tolérancement via une approche statistique multivariée est conceptuellement séduisante et pourrait, en principe, réduire l'empirisme coûteux des itérations de conception optique.; L'utilisation de plans d'expérience (DoE) pour explorer un espace de paramètres de fabrication est une idée classique mais potentiellement applicable, si les hypothèses sous-jacentes sont vérifiées.
- **Weaknesses**: FAIL REASON #1: Non-linéarité catastrophique et effets de seuil ignorés. L'hypothèse que la performance optique (OPD, MTF) est une fonction polynomiale lisse et continue des erreurs de fabrication est naïve. Dans les systèmes optiques complexes, de petites variations combinées (ex : courbure + désalignement) peuvent provoquer des sauts de phase, des aberrations de champ soudaines ou une chute brutale du MTF (ex : passage sous la limite de diffraction). Un polynôme d'ordre 2 ne capturera jamais ces discontinuités, rendant le modèle inutilisable pour la prédiction de rendement en queue de distribution.; FAIL REASON #2: Indépendance et normalité des erreurs de fabrication : un vœu pieux. L'hypothèse centrale (erreurs indépendantes et normales) est systématiquement violée dans la fabrication réelle. Les erreurs de centrage, de tilt et d'épaisseur sont corrélées (ex : usinage sur le même tour, dilatation thermique). De plus, les distributions sont souvent tronquées, bimodales ou asymétriques (ex : dérive d'outil). Si le modèle est calibré sur des données simulées avec des hypothèses irréalistes, l'optimisation du tolérancement sera non seulement inefficace, mais pourrait dégrader le rendement réel en relâchant des tolérances sur des facteurs qui sont en fait corrélés à des facteurs critiques.; FAIL REASON #3: Le problème du passage à l'échelle (curse of dimensionality) et du surajustement. Avec 5 à 15 facteurs, un modèle de régression polynomiale avec interactions d'ordre 2 nécessite un nombre de points de DoE exponentiel (ex: 91 points pour 13 facteurs avec un Box-Behnken). Pour un système optique complexe (ex: objectif de lithographie à 20 lentilles), le nombre de facteurs est bien supérieur à 15. L'auteur sous-estime massivement le coût computationnel (simulations Zemax) et le risque de surajustement (R² > 0.95 annoncé est un signal d'alarme typique de surajustement). Le modèle ne généralisera pas à des combinaisons d'erreurs non vues dans le plan d'expérience.
- **Questions**: Pouvez-vous démontrer, sur un système optique réel (ex: triplet ou doublet), que la performance (RMS OPD) est effectivement une fonction polynomiale d'ordre 2 des erreurs de fabrication, avec un test de manque d'ajustement (lack-of-fit) significatif ? Si non, comment justifiez-vous le choix du modèle ?; Comment comptez-vous gérer les corrélations entre facteurs de fabrication (ex: corrélation entre épaisseur et courbure due au procédé de polissage) qui violent l'hypothèse d'indépendance de votre DoE et de votre régression ?
- **Recommendation**: Avant de prétendre à une optimisation du rendement, l'auteur doit d'abord valider expérimentalement que la surface de réponse est effectivement lisse et approximable par un polynôme d'ordre 2 sur un système optique simple (ex: un doublet collé). Il doit également fournir une analyse de sensibilité aux distributions non-normales et aux corrélations, par exemple via une simulation de Monte Carlo avec des copules. Sans cela, le papier reste une spéculation théorique sans fondement pratique.

#### Industrialist

- **Score**: 7.5/10 | **Verdict**: accept | **Confidence**: 0.75
- **Strengths**: Marché captif immédiat : les fabricants de systèmes optiques de précision (objectifs pour smartphones, caméras de surveillance, instruments médicaux) dépensent 15-25% de leur COGS en rework et rebuts liés aux tolérances. Un gain de 20% de rendement sur une ligne produisant 1M d'unités/an représente une économie de €500k-2M/an, justifiant un budget outil de €50-200k.; Avantage concurrentiel défendable : la méthode crée une barrière à l'entrée par l'accumulation de données de fabrication propriétaires. Chaque projet de lentille triplet/quadruplet calibré avec le modèle enrichit une base d'apprentissage qui améliore la précision prédictive, rendant le service difficile à répliquer sans historique client.; Timeline réaliste : le protocole en 3 phases (4 semaines simulation → 3 mois proto → 12 mois production) permet un pilote commercialisable en 18 mois, avec un ROI client démontré dès la phase 2 sur un jeu de 20 lentilles physiques.
- **Weaknesses**: Barrière d'adoption majeure : les ingénieurs opticiens sont formés aux méthodes déterministes (Zemax, Code V) et au tolérancement gaussien. L'introduction de DoE multivarié nécessite une formation interne et un changement culturel, freinant l'adoption dans les PME sous-traitantes qui représentent 40% du marché.; Risque de non-généralisation : le triplet est un cas d'école. Les systèmes complexes (objectifs à 10+ éléments, optiques freeform) peuvent avoir des interactions non-linéaires que le polynôme d'ordre 2 ne capture pas, limitant le marché aux systèmes de complexité modérée (3-6 éléments).; Dépendance à la qualité des données : le modèle exige des données de fabrication réelles (mesures de courbure, épaisseur, indice) qui sont souvent bruitées ou indisponibles chez les sous-traitants, augmentant le coût d'acquisition client.
- **Questions**: Quel est le modèle de revenu : licence logicielle (€20k-50k/an par site) ou service de consulting par projet (€30k-80k par étude) ? Le marché préfère le paiement à la performance (partage des économies de rebut) pour réduire le risque perçu.; Comment protéger la propriété intellectuelle ? Les algorithmes de régression sont du domaine public. L'IP réside dans la méthodologie de design d'expérience spécifique aux optiques (choix des facteurs, plages de variation) et dans la base de données de calibration. Un brevet sur le procédé 'DoE pour allocation de tolérances optiques' est-il envisageable ?; Quel est le coût d'acquisition client typique ? Vendre à des directeurs de production optique nécessite un proof-of-concept gratuit (phase 1+2) de €15k de temps ingénieur. Combien de ces pilotes sont nécessaires avant de signer un contrat cadre ?
- **Recommendation**: Cibler en priorité les fabricants d'objectifs pour caméras de smartphones (Samsung Electro-Mechanics, Sunny Optical, Largan) qui produisent >100M unités/an et ont des marges serrées. Proposer un engagement 'zero risk' : phase 1 gratuite sur leur design existant, paiement uniquement si le gain de rendement dépasse 15% en phase 2. Parallèlement, déposer un brevet de procédé sur la méthode de sélection des facteurs critiques dans un système optique à lentilles multiples. Le marché total adressable (fabricants optiques avec >€10M CA) est estimé à 300-500 entreprises, avec un potentiel de chiffre d'affaires de €15-30M/an en 3 ans.

#### Funding Strategist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.7
- **Strengths**: Approche statistique (DoE + régression multivariée) appliquée à un problème industriel classique (tolérancement optique) : originalité méthodologique forte, peu explorée dans la littérature optique.; Protocole de validation clair, séquentiel et falsifiable (Phase 1 in silico, Phase 2 expérimentale minimale, Phase 3 production) : réduit le risque technique et permet un financement par étapes.; Potentiel d'impact économique direct (réduction de coûts de 15-30%, augmentation du rendement de 20%) : aligné avec les priorités de compétitivité industrielle de Horizon Europe et des programmes nationaux.
- **Weaknesses**: TRL actuel très bas (TRL 1-2) : l'hypothèse n'est validée que par simulation sur un triplet, sans preuve expérimentale. Les programmes ERC ou ANR JCJC exigent souvent un TRL plus avancé ou un saut conceptuel plus radical.; Budget demandé (20-80 k€) trop faible pour la plupart des appels européens (Horizon Europe Collaborative Projects) : nécessite un cofinancement ou un programme spécifique 'preuve de concept'.; Consortium non défini : l'hypothèse est mono-équipe (optique + statistiques). Un consortium idéal nécessiterait un partenaire industriel (fabricant de lentilles) et un statisticien spécialisé en plans d'expériences, ce qui n'est pas explicité.
- **Questions**: Quel est le TRL cible à la fin du projet ? Si TRL 4-5, un programme ERC Proof of Concept ou ANR PRCE est plus adapté. Si TRL 2-3, un ERC Starting Grant ou ANR JCJC peut convenir mais avec un narratif plus fondamental.; Quel est le marché visé (optique de précision, spatial, médical, smartphone) ? Cela conditionne le choix du programme (ex: EIC Accelerator pour deep tech, Horizon Europe Cluster 4 pour photonique industrielle).; Quelle est la propriété intellectuelle envisagée ? Un brevet sur la méthodologie DoE appliquée au tolérancement optique serait un atout pour l'EIC Transition ou un ERC PoC.
- **Recommendation**: Cibler en priorité un ERC Starting Grant (2026) avec un narratif fondamental sur les limites des méthodes de tolérancement actuelles et l'innovation statistique, en ajoutant une phase de validation expérimentale plus large (budget 1.5-2 M€). En parallèle, déposer une demande ANR PRCE (2025) avec un industriel partenaire pour la Phase 3 (budget 300-500 k€). En cas d'échec, un EIC Pathfinder Open (TRL 2-3) pourrait financer la preuve de concept exploratoire.

### B. Semantic Scholar Search Queries

- [novelty] `design of experiments tolerance optical systems` — Direct search for the core hypothesis combining DoE and tolerance allocation in optics
- [novelty] `multivariate regression lens manufacturing errors` — Search for statistical modeling of fabrication deviations as multivariate data in lens design
- [novelty] `response surface methodology optical tolerance optimization` — Check if RSM has been applied to tolerance optimization in optical systems
- [novelty] `statistical screening tolerances optical fabrication yield` — Verify if statistical screening of critical tolerances for yield improvement exists in optics
- [evidence] `Monte Carlo tolerance analysis optical systems` — Find evidence of current standard method for tolerance analysis in optics
- [evidence] `worst case tolerance stack optical design` — Identify traditional sequential tolerance methods used in optical engineering
- [evidence] `wavefront error sensitivity lens parameters` — Gather evidence on how fabrication errors affect optical performance metrics
- [evidence] `MTF tolerance sensitivity manufacturing deviations` — Find evidence linking specific manufacturing errors to MTF degradation
- [cross_domain] `design of experiments manufacturing tolerance optimization` — Search for DoE applied to tolerance allocation in non-optical manufacturing fields
- [cross_domain] `multivariate regression robust design mechanical tolerances` — Find precedents of regression modeling for robust design in mechanical engineering
- [cross_domain] `response surface methodology robust parameter design` — Identify cross-domain use of RSM for reducing sensitivity to variations

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-07-20*