DE102020209994A1 - Apparatus and computer-implemented method for machine learning - Google Patents

Apparatus and computer-implemented method for machine learning Download PDF

Info

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
Application number
DE102020209994.4A
Other languages
German (de)
Inventor
Christian Daniel
Michael Pfeiffer
Kathrin Skubch
Stefan Falkner
Mohammad Nassar Albunni
Adrian Heinrich Sichau
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to DE102020209994.4A priority Critical patent/DE102020209994A1/en
Publication of DE102020209994A1 publication Critical patent/DE102020209994A1/en
Pending legal-status Critical Current

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.
Further advantageous embodiments result from the following description and the drawing. In the drawing shows
  • 1 a schematic view of a device for machine learning,
  • 2 Steps in a machine learning process.

In 1 ist eine Vorrichtung 100 zum maschinellen Lernen schematisch dargestellt.In 1 an apparatus 100 for machine learning is shown schematically.

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 device 100 comprises a generator 102 comprising a generator function G(z,θg). For training, the device 100 can comprise a discriminator comprising a discriminator function D(x, θd). The device 100 includes an optimizer 104, which includes an optimization function for solving an optimization problem. The generator 102, the discriminator and the optimizer 104 can be in the form of computing devices or can be implemented on a computing device. The device 100 is designed to carry out steps in the computer-implemented method described below.

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 generator 102.

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 step 201, a large number of training vectors are provided in the 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 for the plurality of performance indicators in the latent space.

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 subsequent step 202, a generated image and values for the majority of the key performance indicators for the generated image are determined for each training vector with the generator function G(z,θg).

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 subsequent step 203, at least one parameter θg of the generator G(z, θg) is determined. In the example, a quality measure minG maxD V(D,G) is defined depending on the discriminator function D(x, θd) depending on the generated image and depending on a predetermined distribution pg over data x for generated images.

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 generator 102 is trained to determine generated two-dimensional digital image as a design and metrics as its associated performance metrics that are not recognized as generated by the discriminator.

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 generator 102 is trained to determine a design and its associated key performance indicators or scalar parameters.

In einem Schritt 204 wird der Vektor z im latenten Raum bestimmt, der das Optimierungsproblem löst.In a step 204, the vector z is determined in the latent space, which solves the optimization problem.

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 step 205, depending on the vector z that solves the optimization problem, a two-dimensional digital image and values for at least one parameter for the machine are determined and/or output using the generator function G(z,θg).

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 output 205.

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 generator 102 generates a generated digital image of a design and its parameters, e.g. performance indicators or scalar parameters. The function to be optimized is the generator function G(z,θg), which serves as a performance indicator. Optimization is then much more promising in the latent space, which is much smaller in terms of dimensions compared to the image space. The calculations for the multivariable optimization MZO can be carried out very quickly in the latent space. Once the optimal latent vector z is determined, the associated design can be created through evaluation of generator 102 and then actually simulated or built.

Claims (11)

Computerimplementiertes Verfahren zum maschinellen Lernen, dadurch gekennzeichnet, dass 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 (204), 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 (205).Computer-implemented method for machine learning, characterized in that 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 (204) that solves the optimization problem and a representation at least one 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 a parameter for the machine is determined and/or output (205). Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass für ein Training eine Vielzahl von Trainingsvektoren (zT) bereitgestellt wird (201), 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 (G(z,θg)) für je einen Trainingsvektor (zT) ein digitales Bild und Werte für die Mehrzahl der Leistungskennzahlen für das digitale Bild bestimmt werden (202), wobei mit einer zweiten Funktion (D(x, θd)) abhängig vom digitalen Bild und abhängig von einer vorgegebenen Verteilung (pg) über Daten (x) für digitale Bilder ein Gütemaß (minG maxD V(D,G)) bestimmt wird, wobei abhängig vom Gütemaß wenigstens ein Parameter (θg) der ersten Funktion (G(z, θg)) bestimmt wird (203), für den das Gütemaß eine Bedingung (minG) erfüllt.procedure after claim 1 , characterized in that a plurality of training vectors (zT) is provided (201) for training, each representing a representation of a two-dimensional digital image annotated with values for a plurality of key performance indicators for a machine and these values in a latent space, with the first function (G(z,θg)) for each training vector (zT) a digital image and values for the plurality of performance indicators for the digital image are determined (202), with a second function (D(x, θd) ) depending on the digital image and depending on a predetermined distribution (pg) over data (x) for digital images, a quality measure (minG maxD V(D,G)) is determined, with at least one parameter (θg) of the first function depending on the quality measure (G(z, θg)) is determined (203) for which the figure of merit satisfies a condition (minG). Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das digitale Bild eines Querschnitts unterschiedliche Teile der Maschine in verschiedenen Farben digital wiedergibt, wobei abhängig vom digitalen Bild ein Trainingsvektor (zT) bestimmt wird (201).procedure after claim 2 , characterized in that the digital image of a cross-section digitally reproduces different parts of the machine in different colors, a training vector (zT) being determined (201) as a function of the digital image. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass jedes der digitalen Bilder des Querschnitts dieselbe Größe (n x m) in Pixelaufweist (201).Method according to any one of the preceding claims, characterized in that each of the digital images of the cross-section has the same size (nxm) in pixels (201). Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass wenigstens eine Kenngröße der Mehrzahl der Kenngrößen eine Dimension für eine Leistungskenngröße der Maschine umfasst, wobei die erste Funktion (G(z,θg))) trainiert wird, die Leistungskenngröße abhängig vom Trainingsvektor (zT) zu bestimmen oder wobei die erste Funktion (G(z,θg))) trainiert ist, die Leistungskenngröße abhängig vom Vektor (z) zu bestimmen, wobei die Leistungskenngröße bestimmt und/oder ausgegeben wird (205).Method according to one of the preceding claims, characterized in that at least one parameter of the plurality of parameters comprises a dimension for a performance parameter of the machine, the first function (G(z,θg))) being trained, the performance parameter depending on the training vector (zT ) or wherein the first function (G(z,θg))) is trained to determine the performance parameter as a function of the vector (z), the performance parameter being determined and/or output (205). Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass wenigstens eine Kenngröße der Mehrzahl der Kenngrößen eine Dimension für einen skalaren Parameter der Maschine umfasst, wobei die erste Funktion (G(z,θg))) trainiert wird (201), den skalaren Parameter abhängig vom Trainingsvektor (zT) zu bestimmen oder wobei die erste Funktion (G(z,θg))) trainiert ist, den skalaren Parameter abhängig vom Vektor (z) zu bestimmen, wobei der skalare Parameter bestimmt und/oder ausgegeben wird (205).Method according to one of the preceding claims, characterized in that at least one parameter of the plurality of parameters comprises a dimension for a scalar parameter of the machine, the first function (G(z,θg))) being trained (201), the scalar parameter to be determined as a function of the training vector (zT) or where the first function (G(z,θg))) is trained to determine the scalar parameter as a function of the vector (z), the scalar parameter being determined and/or output (205) . Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass der skalare Parameter eine Leistung, eine Spannung oder eine Stromstärke der Maschine definiert.procedure after claim 6 , characterized in that the scalar parameter defines a power, a voltage or a current of the machine. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass das Optimierungsproblem für eine Mehrgrößenoptimierung (MZO) durch eine Summe definiert ist (204), deren Summanden durch Variable definiert sind, die je eine Repräsentation je einer der Kenngrößen sind.Method according to one of the preceding claims, characterized in that the optimization problem for multi-variable optimization (MZO) is defined (204) by a sum whose addends are defined by variables which are each a representation of one of the parameters. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass wenigstens ein Summand mit einem Gewicht multipliziert wird (204), wobei das Gewicht vorgegeben oder vorgebbar ist.procedure after claim 8 , characterized in that at least one summand is multiplied by a weight (204), the weight being predetermined or predeterminable. Vorrichtung (100) zum maschinellen Lernen, dadurch gekennzeichnet, dass die Vorrichtung ausgebildet ist, das Verfahren nach einem der Ansprüche 1 bis 9 auszuführen.Device (100) for machine learning, characterized in that the device is designed to use the method according to one of Claims 1 until 9 to execute. Computerprogramm, gekennzeichnet durch computerlesbare Instruktionen, bei deren Ausführung durch einen Computer das Verfahren nach einem der Ansprüche 1 bis 9 ausgeführt wird.Computer program, characterized by computer-readable instructions, when executed by a computer, the method according to one of Claims 1 until 9 is performed.
DE102020209994.4A 2020-08-06 2020-08-06 Apparatus and computer-implemented method for machine learning Pending DE102020209994A1 (en)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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