DE102020209994A1 - Apparatus and computer-implemented method for machine learning - Google Patents
Apparatus and computer-implemented method for machine learning Download PDFInfo
- Publication number
- DE102020209994A1 DE102020209994A1 DE102020209994.4A DE102020209994A DE102020209994A1 DE 102020209994 A1 DE102020209994 A1 DE 102020209994A1 DE 102020209994 A DE102020209994 A DE 102020209994A DE 102020209994 A1 DE102020209994 A1 DE 102020209994A1
- Authority
- DE
- Germany
- Prior art keywords
- machine
- function
- parameter
- determined
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Abstract
Vorrichtung (100) und Computerimplementiertes Verfahren zum maschinellen Lernen, wobei ein Optimierungsproblem über eine Mehrzahl Repräsentationen von Kenngrößen einer Maschine in einem latenten Raum definiert ist, wobei ein Vektor (z) im latenten Raum bestimmt wird, der das Optimierungsproblem löst und der eine Repräsentation wenigstens eines Teils der Maschine und eine Repräsentation wenigstens einer Kenngröße für die Maschine umfasst, und wobei abhängig vom Vektor (z) mit einer ersten Funktion (G(z,θg)) ein digitales Bild des wenigstens einen Teils der Maschine und ein Wert für wenigstens eine Kenngröße für die Maschine bestimmt und/oder ausgegeben wird.Device (100) and computer-implemented method for machine learning, wherein an optimization problem is defined by a plurality of representations of parameters of a machine in a latent space, wherein a vector (z) is determined in the latent space, which solves the optimization problem and which represents at least one representation of a part of the machine and a representation of at least one parameter for the machine, and being dependent on the vector (z) with a first function (G(z,θg)) a digital image of the at least one part of the machine and a value for at least one Characteristic for the machine is determined and / or issued.
Description
Stand der TechnikState of the art
Die Erfindung geht aus von einer Vorrichtung und einem computerimplementierten Verfahren zum maschinellen Lernen.The invention is based on a device and a computer-implemented method for machine learning.
Als Datengrundlage für maschinelles Lernen eines Designs einer Maschine sind digitale Bilder von Teilen der Maschine geeignet. Diese Daten enthalten genug Informationen über das Design um eine Leistungskennzahl oder andere Parameter vorherzusagen. Wünschenswert ist es, diese Daten auch für Optimierungsprozesse in einer Entwicklung der Maschine verwendbar zu machen.Digital images of parts of the machine are suitable as a data basis for machine learning of a machine design. This data contains enough information about the design to predict a key performance indicator or other parameter. It is desirable to make this data usable for optimization processes in a development of the machine.
Offenbarung der ErfindungDisclosure of Invention
Dies wird durch den Gegenstand der unabhängigen Ansprüche erreicht.This is achieved by the subject matter of the independent claims.
Ein computerimplementiertes Verfahren zum maschinellen Lernen sieht vor, dass ein Optimierungsproblem über eine Mehrzahl Repräsentationen von Kenngrößen einer Maschine in einem latenten Raum definiert ist, wobei ein Vektor im latenten Raum bestimmt wird, der das Optimierungsproblem löst und der eine Repräsentation wenigstens eines Teils der Maschine und eine Repräsentation wenigstens einer Kenngröße für die Maschine umfasst, und wobei abhängig vom Vektor mit einer ersten Funktion ein digitales Bild des wenigstens einen Teils der Maschine und ein Wert für wenigstens eine Kenngröße für die Maschine bestimmt und/oder ausgegeben wird. Das Verfahren geht aus von einem trainierten Generative Adversarial Network, in dem ein Generator dazu trainiert ist, ein Design und seine zugehörigen Leistungskennzahlen oder skalaren Parameter zu bestimmen. Im Verfahren wird ein hinsichtlich der Leistungskennzahlen oder skalaren Parameter pareto-optimales Design als Vektor im latenten Raum bestimmt und der Querschnitt und die Leistungskennzahlen oder skalaren Parameter dafür ausgegeben. Wenn skalare Parameter ausgegeben werden, können die Leistungskennzahlen beispielsweise daraus bestimmt werden.A computer-implemented method for machine learning provides that an optimization problem is defined by a plurality of representations of parameters of a machine in a latent space, with a vector being determined in the latent space which solves the optimization problem and which represents at least one part of the machine and comprises a representation of at least one parameter for the machine, and a digital image of the at least one part of the machine and a value for at least one parameter for the machine being determined and/or output depending on the vector with a first function. The method assumes a trained Generative Adversarial Network in which a generator is trained to determine a design and its associated key performance indicators or scalar parameters. In the method, a design that is Pareto-optimal in terms of key performance indicators or scalar parameters is determined as a vector in latent space and the cross section and the key performance indicators or scalar parameters are output for it. For example, if scalar parameters are output, the key performance indicators can be determined from them.
Vorzugsweise wird für ein Training eine Vielzahl von Trainingsvektoren bereitgestellt, die je eine Repräsentation eines mit Werten für eine Mehrzahl Leistungskennzahlen für eine Maschine annotierten zweidimensionalen digitalen Bildes und dieser Werte in einem latenten Raum darstellen, wobei mit der ersten Funktion für je einen Trainingsvektor ein digitales Bild und Werte für die Mehrzahl der Leistungskennzahlen für das digitale Bild bestimmt werden, wobei mit einer zweiten Funktion abhängig vom digitalen Bild und abhängig von einer vorgegebenen Verteilung über Daten für digitale Bilder ein Gütemaß bestimmt wird, wobei abhängig vom Gütemaß wenigstens ein Parameter der ersten Funktion bestimmt wird, für den das Gütemaß eine Bedingung erfüllt. Im Training wird im Generative Adversarial Network der Generator dazu trainiert, ein Design und seine zugehörigen Leistungskennzahlen zu bestimmen.A large number of training vectors are preferably provided for training, each representing a representation of a two-dimensional digital image annotated with values for a plurality of performance indicators for a machine and these values in a latent space, with the first function being a digital image for each training vector and values for the plurality of key performance indicators for the digital image are determined, with a second function depending on the digital image and depending on a predetermined distribution over data for digital images determining a quality measure, wherein depending on the quality measure at least one parameter of the first function is determined is, for which the quality measure fulfills a condition. In the Generative Adversarial Network training, the generator is trained to determine a design and its associated key performance indicators.
Es kann vorgesehen sein, dass das digitale Bild eines Querschnitts unterschiedliche Teile der Maschine in verschiedenen Farben digital wiedergibt, wobei abhängig vom digitalen Bild ein Trainingsvektor bestimmt wird.Provision can be made for the digital image of a cross section to digitally reproduce different parts of the machine in different colors, with a training vector being determined as a function of the digital image.
Es kann vorgesehen sein, dass jedes der digitalen Bilder des Querschnitts dieselbe Größe in Pixel aufweist.Provision can be made for each of the digital images of the cross section to have the same size in pixels.
Wenigstens eine Kenngröße der Mehrzahl der Kenngrößen kann eine Dimension für eine Leistungskenngröße der Maschine umfassen, wobei die erste Funktion trainiert wird, die Leistungskenngröße abhängig vom Trainingsvektor zu bestimmen oder wobei die erste Funktion trainiert ist, die Leistungskenngröße abhängig vom Vektor zu bestimmen, wobei der skalare Parameter bestimmt und/oder ausgegeben wird. Dadurch können Leistungsparameter als Kenngrößen verwendet werden.At least one parameter of the plurality of parameters can include a dimension for a performance parameter of the machine, with the first function being trained to determine the performance parameter as a function of the training vector, or with the first function being trained to determine the performance parameter as a function of the vector, with the scalar Parameter is determined and / or issued. As a result, performance parameters can be used as parameters.
Vorzugsweise umfasst wenigstens eine Kenngröße der Mehrzahl der Kenngrößen eine Dimension für einen skalaren Parameter der Maschine, wobei die erste Funktion trainiert wird, den skalaren Parameter abhängig vom Trainingsvektor zu bestimmen oder wobei die erste Funktion trainiert ist, den skalaren Parameter abhängig vom Vektor zu bestimmen, wobei der skalare Parameter bestimmt und/oder ausgegeben wird. Dadurch können skalare Parameter eingesetzt werden, die Eigenschaften der Maschine definieren.Preferably, at least one parameter of the plurality of parameters includes a dimension for a scalar parameter of the machine, with the first function being trained to determine the scalar parameter as a function of the training vector or with the first function being trained to determine the scalar parameter as a function of the vector, wherein the scalar parameter is determined and/or output. This allows the use of scalar parameters that define the properties of the machine.
Es kann vorgesehen sein, dass der skalare Parameter eine Leistung, eine Spannung oder eine Stromstärke der Maschine definiert.It can be provided that the scalar parameter defines a power, a voltage or a current of the machine.
Es kann vorgesehen sein, dass das Optimierungsproblem für eine Mehrgrößenoptimierung durch eine Summe definiert ist, deren Summanden durch Variable definiert sind, die je eine Repräsentation je einer der Kenngrößen sind. Dies ermöglicht eine besonders effiziente Entwicklung eines Designs mit gegenüber anderen Optimierungsverfahren geringem Bedarf an Rechenzeit oder Rechenleistung.It can be provided that the optimization problem for a multi-variable optimization is defined by a sum whose addends are defined by variables that are each a representation of one of the parameters. This enables a particularly efficient development of a design with a low demand for computing time or computing power compared to other optimization methods.
Es kann vorgesehen sein, dass wenigstens ein Summand mit einem Gewicht multipliziert wird, wobei das Gewicht vorgegeben oder vorgebbar ist. Dadurch kann auf das Design Einfluss genommen werden.It can be provided that at least one addend is multiplied by a weight, the weight being predetermined or predeterminable. This can influence the design.
Eine Vorrichtung zum maschinellen Lernen sieht vor, dass die Vorrichtung ausgebildet ist, das Verfahren auszuführen.A device for machine learning provides that the device is designed to carry out the method.
Weitere vorteilhafte Ausführungsformen ergeben sich aus der folgenden Beschreibung und der Zeichnung. In der Zeichnung zeigt
-
1 eine schematische Ansicht einer Vorrichtung zum maschinellen Lernen, -
2 Schritte in einem Verfahren zum maschinellen Lernen.
-
1 a schematic view of a device for machine learning, -
2 Steps in a machine learning process.
In
Die Vorrichtung 100 umfasst einen Generator 102, der eine Generatorfunktion G(z,θg) umfasst. Die Vorrichtung 100 kann für ein Training einen Diskriminator umfassen, der eine Diskriminatorfunktion D(x, θd) umfasst. Die Vorrichtung 100 umfasst einen Optimierer 104, der eine Optimierungsfunktion für eine Lösung eines Optimierungsproblems umfasst. Der Generator 102, der Diskriminator und der Optimierer 104 können als Recheneinrichtungen ausgebildet oder auf einer Recheneinrichtung implementiert sein. Die Vorrichtung 100 ist ausgebildet Schritte in dem im Folgenden beschriebenen computerimplementierten Verfahren auszuführen.The
Im Beispiel ist ein Vektor z definiert, der eine Repräsentation in einem latenten Raum darstellt. Der Vektor z umfasst Elemente die eine Repräsentation eines zweidimensionalen digitalen Bildes darstellen. Das zweidimensionale digitale Bild gibt im Beispiel eine Abbildung wenigstens eines Teils einer Maschine digital wieder. Das digitale Bild ist beispielsweise ein Querschnitt wenigstens eines Teils der Maschine.In the example a vector z is defined, which represents a representation in a latent space. The vector z includes elements representing a representation of a two-dimensional digital image. In the example, the two-dimensional digital image digitally reproduces an image of at least part of a machine. The digital image is, for example, a cross section of at least part of the machine.
Für die Maschine sind im Beispiel Kenngrößen definiert. Der Vektor z umfasst Elemente, die eine Repräsentation von Werten für eine Mehrzahl der Kenngrößen.Parameters are defined for the machine in the example. The vector z includes elements that represent values for a plurality of the parameters.
Das digitale Bild ist mit Werten für die Mehrzahl Kenngrößen für die Maschine annotiert.The digital image is annotated with values for the majority of parameters for the machine.
Die Generatorfunktion G(z,θg) ist ausgebildet, den Vektor z auf ein generiertes Bild und Werte für die Mehrzahl der Kenngrößen für das generierte Bild abzubilden.The generator function G(z,θg) is designed to map the vector z onto a generated image and values for the majority of the parameters for the generated image.
Für ein Training sind Trainingsvektoren zT definiert, die denselben Aufbau aufweisen.Some training vectors that have the same structure are defined for training.
Das Optimierungsproblem ist über eine Mehrzahl Repräsentationen der Kenngrößen im latenten Raum definiert.The optimization problem is defined by a number of representations of the parameters in the latent space.
Das im Folgenden beschriebene Verfahren umfasst ein Training des Generators 102.The method described below includes training the
In einem Schritt 201 wird im Training eine Vielzahl von Trainingsvektoren zT bereitgestellt, die je eine Repräsentation eines mit Werten für eine Mehrzahl Leistungskennzahlen für eine Maschine annotierten zweidimensionalen digitalen Bildes und dieser Werte für die Mehrzahl Leistungskennzahlen im latenten Raum darstellen.In a
Das digitale Bild gibt im Beispiel einen Querschnitt wenigstens eines Teils der Maschine digital wieder. Das digitale Bild des Querschnitts kann unterschiedliche Teile der Maschine in verschiedenen Farben digital wiedergeben.In the example, the digital image digitally reproduces a cross section of at least part of the machine. The digital image of the cross section can digitally represent different parts of the machine in different colors.
Jedes der digitalen Bilder des Querschnitts kann dieselbe Größe n x m in Pixel aufweist, wobei n und m die Anzahl Pixel je einer Seite eines rechteckigen Bildes angibt.Each of the digital images of the cross-section may have the same size n x m in pixels, where n and m are the number of pixels on each side of a rectangular image.
Es kann vorgesehen sein, aus einer Datenbank, die mit Kenngrößen annotierte digitale Bilder umfasst, abhängig vom jeweiligen annotierten digitalen Bild je einen Trainingsvektor zT zu bestimmen. Dazu kann ein Encoder vorgesehen werden, der ausgebildet ist, ein digitales Bild und die annotierten Werte der Kenngrößen auf den Vektor zT im latenten Raum abzubilden.Provision can be made to determine a training vector, depending on the respective annotated digital image, from a database that includes digital images annotated with parameters. For this purpose, an encoder can be provided, which is designed to map a digital image and the annotated values of the parameters onto the vector, partially in the latent space.
Die Kenngröße kann eine Dimension für eine Leistungskenngröße der Maschine umfassen. In diesem Fall wird die Generatorfunktion G(z,θg) trainiert, die Leistungskenngröße abhängig vom Trainingsvektor zT zu bestimmen.The parameter may include a dimension for a performance parameter of the machine. In this case, the generator function G(z,θg) is trained to determine the performance parameter as a function of the training vector zT.
Die Kenngröße kann eine Dimension für einen skalaren Parameter der Maschine umfassen. In diesem Fall wird die Generatorfunktion G(z,θg) trainiert, den skalaren Parameter abhängig vom Trainingsvektor zT zu bestimmen. Der skalare Parameter kann eine Leistung, eine Spannung oder eine Stromstärke der Maschine definieren.The parameter can include a dimension for a scalar parameter of the machine. In this case the generator function G(z,θg) is trained to determine the scalar parameter depending on the training vector zT. The scalar parameter can define a power, voltage or current of the machine.
Mit der Generatorfunktion G(z,θg) wird in einem anschließenden Schritt 202 für je einen Trainingsvektor zT ein generiertes Bild und Werte für die Mehrzahl der Leistungskennzahlen für das generierte Bild bestimmt.In a
In einem anschließenden Schritt 203 wird wenigstens ein Parameter θg des Generators G(z, θg) bestimmt. Im Beispiel ist abhängig von der Diskriminatorfunktion D(x, θd) abhängig vom generierten Bild und abhängig von einer vorgegebenen Verteilung pg über Daten x für generierte Bilder ein Gütemaß minG maxD V(D,G) definiert.In a
Das Gütemaß ist beispielsweise wie in lan Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio: Generative Adversarial Networks. In: NIPS. 2014 beschrieben definiert.For example, the measure of excellence is as in Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio: Generative Adversarial Networks. In: NIPS. 2014 described defined.
Abhängig vom Gütemaß minG maxD V(D,G) wird im Beispiel der wenigstens ein Parameter θg des Generators G(z, θg) bestimmt, für den das Gütemaß minG maxD V(D,G) eine Bedingung erfüllt. Im Beispiel wird der wenigstens ein Parameter θg bestimmt, der das Gütemaß minG maxD V(D,G) minimiert.Depending on the quality measure minG maxD V(D,G), in the example the at least one parameter θg of the generator G(z, θg) is determined for which the quality measure minG maxD V(D,G) satisfies a condition. In the example, the at least one parameter θg is determined, which minimizes the quality measure minG maxD V(D,G).
Im Training kann auch die Diskriminatorfunktion D(x, θd), genauer wenigstens ein Parameter θd der Diskriminatorfunktion D(x, θd) trainiert werden. Der Generator 102 wird dazu trainiert, generiertes zweidimensionales digitales Bild als ein Design und Kenngrößen als seine zugehörigen Leistungskennzahlen zu bestimmen, die vom Diskriminator nicht als generiert erkannt werden.The discriminator function D(x, θd), more precisely at least one parameter θd of the discriminator function D(x, θd), can also be trained in the training. The
Wenn das Verfahren von einem trainierten Generative Adversarial Network ausgeht, werden die Schritte 201 bis 203 nicht ausgeführt. Der Generator 102 ist nach dem Training dazu trainiert, ein Design und seine zugehörigen Leistungskennzahlen oder skalaren Parameter zu bestimmen.If the method is based on a trained Generative Adversarial Network, steps 201 to 203 are not carried out. After training, the
In einem Schritt 204 wird der Vektor z im latenten Raum bestimmt, der das Optimierungsproblem löst.In a
In einem Schritt 205 wird abhängig vom Vektor z , der das Optimierungsproblem löst, mit der Generatorfunktion G(z,θg) ein zweidimensionales digitales Bild und Werte für wenigstens eine Kenngröße für die Maschine bestimmt und/oder ausgegeben.In a
Im Beispiel wird ein hinsichtlich der Leistungskennzahlen oder skalaren Parameter pareto-optimales Design als Vektor im latenten Raum bestimmt und der Querschnitt und die Leistungskennzahlen skalaren Parameter dafür ausgegeben. Wenn skalare Parameter ausgegeben werden, können die Leistungskennzahlen beispielsweise daraus bestimmt werden.In the example, a Pareto-optimal design in terms of key performance indicators or scalar parameters is determined as a vector in latent space and the cross section and the key performance indicators scalar parameters are output for it. For example, if scalar parameters are output, the key performance indicators can be determined from them.
Das Optimierungsproblem für eine Mehrgrößenoptimierung MZO kann durch eine Summe definiert sein, deren Summanden durch Variable definiert sind, die je eine Repräsentation je einer der Kenngrößen sind. In diesem Fall kann wenigstens ein Summand mit einem Gewicht multipliziert werden, wobei das Gewicht vorgegeben oder vorgebbar ist.The optimization problem for a multivariable optimization MZO can be defined by a sum whose addends are defined by variables that are each a representation of one of the parameters. In this case, at least one addend can be multiplied by a weight, the weight being predetermined or predeterminable.
Wenn die Generatorfunktion G(z,θg) trainiert ist, die Leistungskenngröße abhängig vom Vektor z zu bestimmen, wird die Leistungskenngröße bestimmt und/oder ausgegeben 205.If the generator function G(z,θg) is trained to determine the performance parameter as a function of the vector z, the performance parameter is determined and/or
Wenn die Generatorfunktion G(z,θg) trainiert ist, den skalaren Parameter abhängig vom Vektor z zu bestimmen, wird der skalare Parameter bestimmt und/oder ausgegeben.When the generator function G(z,θg) is trained to determine the scalar parameter depending on the vector z, the scalar parameter is determined and/or output.
Für einen Entwurf eines Designs werden im Beispiel die Schritt 203 bis 205 für unterschiedliche Vektoren z wiederholt, dafür verschiedene generierte zweidimensionale Bilder und deren Kenngrößen bestimmt und mit diesen eine Performanzevaluation durchgeführt. Die Performanz eines jeweiligen Designs kann durch Simulation oder Experiment mit einer Maschine, die nach dem jeweiligen Design arbeitet, bestimmt werden. Dazu kann eine Kostenfunktion vorgesehen werden, mit der die Performanz abhängig von den Kenngrößen und/oder weiteren Betriebsgrößen der Maschine bestimmt wird.In the example, steps 203 to 205 are repeated for different vectors z for drafting a design, for which purpose different generated two-dimensional images and their parameters are determined and a performance evaluation is carried out with these. The performance of a particular design can be determined by simulation or experimentation with a machine that operates on the particular design. For this purpose, a cost function can be provided, with which the performance is determined as a function of the parameters and/or other operating variables of the machine.
Es kann vorgesehen sein, abhängig von der Performanz eine Paretofront für das die Mehrgrößenoptimierung MZO zu bestimmen, und die Mehrgrößenoptimierung abhängig von dieser Paretofront zu wiederholen.Provision can be made to determine a Pareto front for the multi-variable optimization MZO as a function of the performance and to repeat the multi-variable optimization as a function of this Pareto front.
Das Verfahren endet beispielsweise, wenn die Performanz eine Bedingung erfüllt.The method ends, for example, when the performance satisfies a condition.
Der latente Raum ist von deutlich niedriger Dimension als der Bildraum der zweidimensionalen digitalen Bilder. Der latente Raum enthält im Beispiel die für den Optimierungsprozess relevanten Informationen. Deshalb wird die Mehrgrößenoptimierung MZO direkt im latenten Raum ausgeführt, statt im Bildraum durch. Mit dem oben beschriebenen Trainingsprozess lässt sich der latent Raum unkompliziert in die oben beschriebene Optimierung einbauen: Der Generator 102 generiert zu jedem latenten Vektor z ein generiertes digitales Bild eines Designs und dessen Kenngrößen, z.B. Leistungskennzahlen oder skalare Parameter. Die zu optimierende Funktion ist die Generatorfunktion G(z,θg), die als Leistungsindikator dient. In dem bezüglich der Dimensionen gegenüber dem Bildraum viel kleineren latenten Raum ist eine Optimierung dann wesentlich vielversprechender. Die Berechnungen für die Mehrgrößenoptimierung MZO können im latenten Raum sehr schnell durchgeführt werden. Sobald der optimale latente Vektor z bestimmt ist, kann das zugehörige Design mittels Auswertung des Generators 102 erstellt und dann tatsächlich simuliert oder gebaut werden.The latent space is of significantly lower dimension than the image space of the two-dimensional digital images. In the example, the latent space contains the information relevant to the optimization process. Therefore, the multivariate optimization MZO is performed directly in latent space, rather than through image space. With the training process described above, the latent space can be easily incorporated into the optimization described above: For each latent vector z, the
Claims (11)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020209994.4A DE102020209994A1 (en) | 2020-08-06 | 2020-08-06 | Apparatus and computer-implemented method for machine learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020209994.4A DE102020209994A1 (en) | 2020-08-06 | 2020-08-06 | Apparatus and computer-implemented method for machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020209994A1 true DE102020209994A1 (en) | 2022-02-10 |
Family
ID=79686194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020209994.4A Pending DE102020209994A1 (en) | 2020-08-06 | 2020-08-06 | Apparatus and computer-implemented method for machine learning |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020209994A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200202045A1 (en) | 2018-12-20 | 2020-06-25 | Dassault Systemes | Designing a 3d modeled object via user-interaction |
-
2020
- 2020-08-06 DE DE102020209994.4A patent/DE102020209994A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200202045A1 (en) | 2018-12-20 | 2020-06-25 | Dassault Systemes | Designing a 3d modeled object via user-interaction |
Non-Patent Citations (4)
Title |
---|
ARAMANTE, Rodrigo: What is latent space? Online-Beitrag vom 27.12.2019. URL: https://stats.stackexchange.com/questions/442352/what-is-a-latent-space [abgerufen am 18.05.2021] |
BOJANOWSKI, Piotr [et al.]: Optimizing the latent space of generative networks. 20.05.2019. URL: https://arxiv.org/pdf/1707.05776 [abgerufen am 18.05.2021] |
GOODFELLOW, Ian J. [u.a.]: Generative adversarial networks. Version 1. 10-06-2014. S. 1-9. URL: https://arxiv.org/pdf/1406.2661v1.pdf [abgerufen am 2019-09-12]. - arXiv:1406.2661v1 |
JIANG, Jiaqi [et al.]: Free-form diffractive metagrating design based on generative adversarial networks. In: ACS Nano, Vol. 13, 2019, No. 8, S. 8872-8878. - ISSN 1936-0851 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102016011520B4 (en) | Production equipment with machine learning system and assembly and testing unit | |
DE202017102381U1 (en) | Device for improving the robustness against "Adversarial Examples" | |
DE102017125256A1 (en) | Search for a neural architecture | |
EP2999998B1 (en) | Methods for ascertaining a model of an output variable of a technical system | |
DE112018004693T5 (en) | IMPROVE THE EFFICIENCY OF A NEURONAL NETWORK | |
DE112014003114T5 (en) | Method of adapting primitive shapes to a set of 3D points | |
DE112020004471T5 (en) | Inference device, training device, inference method and training method | |
DE102019203634A1 (en) | Method and device for controlling a robot | |
DE212022000039U1 (en) | Engine model optimization device | |
WO2022017984A1 (en) | Method for predicting a residual service life of vehicle batteries of a fleet of electric vehicles | |
EP2854045A1 (en) | Method and system for the evaluation of recorded measured values of a system | |
DE19513960A1 (en) | Reproduction of graph in memory by depth- and breadth-first searches | |
DE102014225039A1 (en) | Method and apparatus for providing sparse Gaussian process models for calculation in an engine control unit | |
DE102018132658A1 (en) | Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle | |
DE102020209994A1 (en) | Apparatus and computer-implemented method for machine learning | |
DE102019205359B4 (en) | Method and device for controlling a technical device | |
DE102021209769A1 (en) | Efficient generation of calibration data for multiphase solids with heterogeneous microstructure using machine learning | |
DE102019007514A1 (en) | HEAT EVALUATION DEVICE, HEAT EVALUATION METHOD AND WARM UP EVALUATION PROGRAM | |
DE102020133654B3 (en) | Computer-implemented method for modifying a component of a computer-generated model of a motor vehicle | |
DE102018216310A1 (en) | Method and device for processing data of a technical system | |
DE102021202567A1 (en) | Device and computer-aided method for simulating the properties of a component | |
DE102020205963B3 (en) | Device and computer-implemented method for operating a test bench | |
DE102018220064A1 (en) | Determination of values of production parameters | |
DE102019209563A1 (en) | Method and device for carrying out a functional test | |
DE102022200418A1 (en) | Device, system and computer-implemented method for operating a technical system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |