JP2021081843A - 設計支援装置、設計支援方法、および設計支援プログラム - Google Patents

Abstract

【課題】過去の設計過程で行った実験や解析の結果を用いなくとも、構造物の設計支援に有用な情報を生成する。【解決手段】設計支援装置（１）は、三次元の設計空間を設定する設計空間設定部（１０１）と、上記設計空間内における複数の単位立体の配置によって構造物の構造を表した構造物モデルを、上記単位立体の配置を変化させることにより複数パターン生成する構造物モデル生成部（１０２）と、を備えている。【選択図】図１

Description

本発明は、構造物の設計支援に用いられる設計支援装置等に関する。

従来から、コンピュータにより構造物の設計を支援する技術が知られている。例えば、下記の特許文献１には、過去の設計過程で行った実験や解析の結果を学習したニューラルネットを用いて、構造物の特性データの予測値を算出する設計支援システムが開示されている。

特開平４−３６７９６５号公報

上記特許文献１の技術には、ニューラルネットを構築するために、過去の設計過程で行った実験や解析の結果を予め大量に蓄積しておく必要があるという難点がある。本発明の一態様は、上記の問題点に鑑みてなされたものであり、その目的は、過去の設計過程で行った実験や解析の結果を用いなくとも、構造物の設計支援に有用な情報を生成することができる設計支援装置等を提供することにある。

上記の課題を解決するために、本発明の一態様に係る設計支援装置は、構造物の設計を支援する設計支援装置であって、三次元の設計空間を設定する設計空間設定部と、上記設計空間内における複数の単位立体の配置によって上記構造物の構造を表した構造物モデルを、上記単位立体の配置を変化させることにより複数パターン生成する構造物モデル生成部と、を備えている。

上記の課題を解決するために、本発明の一態様に係る設計支援方法は、１または複数の情報処理装置により構造物の設計を支援する設計支援方法であって、三次元の設計空間を設定する設計空間設定ステップと、上記設計空間内における複数の単位立体の配置によって上記構造物の構造を表した構造物モデルを、上記単位立体の配置を変化させることにより複数パターン生成する構造物モデル生成ステップと、を含む。

本発明の一態様によれば、過去の設計過程で行った実験や解析の結果を用いなくとも、構造物の設計支援に有用な情報を生成することができる。

本発明の一実施形態に係る設計支援装置の要部構成の一例を示すブロック図である。 上記設計支援装置が生成する構造物モデルの例を示す図である。 上記構造物モデルからマトリクスデータを生成する方法の例を示す図である。 構造物モデルの生成から予測モデルの生成までの処理の一例を示すフローチャートである。 上記設計支援装置が行う強化学習の概要を示す図である。 強化学習からその学習結果に基づく構造決定までの処理の一例を示すフローチャートである。 本発明の変形例に係る設計支援システムの構成例を示すブロック図である。

〔装置構成〕
本発明の一実施形態に係る設計支援装置１の構成を図１に基づいて説明する。図１は、設計支援装置１の要部構成の一例を示すブロック図である。設計支援装置１は、構造物の設計支援に有用な情報を生成し、出力することにより、構造物の設計を支援する装置である。

設計支援装置１は、ＣＡＥ（Computer Aided Engineering）に利用することができる。そして、設計支援装置１を用いることにより、設計の対象となる構造物の寸法、形状、およびトポロジーを最適化することが可能になる。設計の対象となる構造物は任意であり、製品であってもよいし、部品であってもよい。設計支援装置１によれば、例えば、自動車用の衝撃吸収材の最適な構造を決定することも可能である。

図示のように、設計支援装置１は、制御部１０、記憶部１１、入力部１２、および出力部１３を備えている。また、制御部１０には、設計空間設定部１０１、構造物モデル生成部１０２、特性値算出部１０３、マトリクスデータ生成部１０４、教師データ生成部１０５、および予測モデル生成部１０６が含まれている。さらに、制御部１０には、特性値予測部１０７、強化学習部１０８、制約条件判定部１０９、および構造決定部１１０が含まれている。

制御部１０は、設計支援装置１の各部を統括して制御する制御装置である。記憶部１１は、設計支援装置１が使用する各種データを記憶する記憶装置である。入力部１２は、設計支援装置１に対する入力操作を受け付ける入力装置である。出力部１３は、制御部１０の制御に従ってデータを出力する出力装置である。記憶部１１、入力部１２、および出力部１３は、設計支援装置１と一体に構成されていてもよいし、設計支援装置１に有線または無線接続された設計支援装置１とは別体の装置であってもよい。

設計空間設定部１０１は、設計の対象となる構造物について、三次元の設計空間を設定する。そして、構造物モデル生成部１０２は、設計空間設定部１０１が設定した設計空間内における複数の単位立体の配置によって構造物の構造を表した構造物モデルを生成する。また、構造物モデル生成部１０２は、単位立体の配置を変化させることにより複数パターンの構造物モデルを生成することができる。

上記の構成によれば、設定した三次元の設計空間内に収まる複数パターンの構造物モデルを生成することができる。また、生成する構造物モデルは、複数の単位立体の配置によって構造物の構造を表したものであるため、これを解析することにより、構造物モデルが示す構造物の特性を算出することができる。

よって、上記構造物モデルは、構造物の設計に利用できる有用な情報であるといえる。したがって、上記の構成によれば、過去の設計過程で行った実験や解析の結果を用いなくとも、構造物の設計支援に有用な情報を生成することができるという効果を奏する。

なお、詳細は以下説明するが、上記構造物モデルは、構造物の特性値を予測するための予測モデルの生成に用いるモデルである。設計空間の設定方法と構造物モデルの詳細については、図２に基づいて後述する。

特性値算出部１０３は、構造物モデル生成部１０２が生成した構造物モデルを解析することにより、該構造物モデルが示す構造を有する構造物の特性値を算出する。算出する特性値は、設計の対象となる構造物に求められている特性に関するものであればよく、特性値の算出アルゴリズムは特に限定されない。例えば、特性値算出部１０３として、市販されている構造解析用のソフトウェアを適用してもよい。また、算出する特性値は、例えば応力、変位、ひずみの大きさ、および荷重の少なくとも何れかであってもよい。

マトリクスデータ生成部１０４は、構造物モデル生成部１０２が生成した構造物モデルをマトリクスデータ化する。マトリクスデータ化した構造物モデルは、マトリクスデータ化する前の構造物モデルとデータ形式が変わっているが、設計空間内における複数の単位立体の配置によって構造物の構造を表したデータであることは変わりがない。なお、マトリクスデータ化の方法については図３に基づいて後述する。

教師データ生成部１０５は、構造物モデルと、該構造物モデルについて特性値算出部１０３が算出した特性値とを対応付けて、機械学習用の教師データを生成する。教師データ生成部１０５は、教師データの生成に用いる構造物モデルとして、マトリクスデータ生成部１０４がマトリクスデータ化した構造物モデルを用いる。なお、教師データ生成部１０５は、構造物モデル生成部１０２が生成した構造物モデルを用いて教師データを生成することもできる。

このように、設計支援装置１は、構造物モデルを解析することにより、該構造物モデルが示す構造を有する上記構造物の特性値を算出する特性値算出部１０３を備えている。また、設計支援装置１は、上記構造物モデルと、該構造物モデルについて特性値算出部１０３が算出した特性値とを対応付けて、機械学習用の教師データを生成する教師データ生成部１０５を備えている。これにより、構造物モデルから特性値を予測する予測モデルを生成するための教師データを自動的に生成することができる。

予測モデル生成部１０６は、教師データ生成部１０５が生成した教師データを用いて機械学習を行うことにより、構造物モデルから該構造物モデルが示す構造を有する構造物の特性値を予測するための予測モデルを生成する。よって、設計支援装置１によれば、構造物モデルから特性値を予測する予測モデルを自動的に生成することができる。なお、予測モデルとしては、教師データ生成部１０５が生成した教師データを用いた機械学習により生成できるものであれば任意のモデルが適用可能である。例えば、予測モデル生成部１０６は、回帰モデルや、ニューラルネットワークモデル等の予測モデルを生成してもよい。

特性値予測部１０７は、予測モデル生成部１０６が生成した予測モデルを用いて、構造物モデルが示す構造を有する構造物の特性値を予測する。詳細は後述するが、特性値の予測結果は強化学習に用いられる。

強化学習部１０８は、構造物モデルの状態を変更する一連の行動を通じて報酬が最も多く得られる方策を学習する。そして、構造決定部１１０は、強化学習部１０８が学習した方策に従って構造物モデルの状態を変更することにより、構造物の構造を決定する。

上記の構成によれば、構造物の構造を最適化するプロセスに強化学習を利用することができる。これにより、従来技術と比べてより最適な構造を決定することが可能になる。また、適切な方策の学習が完了した後は、当該方策に従って構造物の適切な構造を高速で決定することができる。

制約条件判定部１０９は、強化学習の過程において生成された構造物モデルが所定の制約条件を満たしているか否かを判定する。この判定結果は、強化学習において報酬を算出する際に考慮される。なお、強化学習の詳細は図５に基づいて後述する。

〔設計空間の設定と構造物モデルの生成〕
設計空間の設定と構造物モデルの生成について図２に基づいて説明する。図２は、構造物モデルの例を示す図である。図２には、Ａ１〜Ａ３の３つの構造物モデルを示している。構造物モデルＡ１〜Ａ３は、複数の単位立体Ｂの配置によって構造物の構造を表したモデルである。構造物モデルＡ１〜Ａ３は、設計空間設定部１０１が設定した設計空間内に、構造物モデル生成部１０２が単位立体Ｂを配置することにより生成される。

構造物モデルの生成に先立って、設計空間設定部１０１が、構造物のサイズの範囲および形状に合わせた設計空間を生成する。例えば、高さ、幅、および奥行きの最大値が、それぞれ１０ｍｍ、１０ｍｍ、９ｍｍの構造物の最適な構造を決定する場合、設計空間設定部１０１は、高さ１０ｍｍ、幅１０ｍｍ、奥行き９ｍｍの設計空間を設定すればよい。

そして、構造物モデル生成部１０２は、この設計空間内に所定サイズの単位立体Ｂを配置して、構造物モデルＡ１〜Ａ３を生成する。単位立体Ｂの形状およびサイズは特に限定されず、最適構造を決定する構造物の形状、サイズ、および求められる設計精度等に基づいて適宜設定すればよい。例えば、設計空間の高さが１０ｍｍ、幅が１０ｍｍ、奥行きが９ｍｍである場合、構造物モデル生成部１０２は、一辺１ｍｍの直方体状の単位立体Ｂを配置してもよい。

ここで、構造物モデル生成部１０２は、単位立体Ｂを設計空間内にランダムに配置することにより構造物モデルを生成してもよい。この構成によれば、過去に設計された構造と大きく異なる構造を示す構造物モデルが生成され得る。よって、構造物モデル生成部１０２が生成する構造物モデルを用いることにより、過去に設計された構造と大きく異なる構造についても考慮して構造物の設計支援を行うことが可能になる。これに対し、首記の特許文献１で用いられている、過去の設計過程で行った実験や解析の結果を学習したニューラルネットでは、過去に設計された構造と大きく異なる構造を考慮した設計支援を行うことが難しい。

また、構造物モデルは、構造物の特性を予測するための予測モデルを生成する際の教師データの生成に用いられる。このため、構造物モデル生成部１０２は、多様な構造物モデルを生成することが好ましい。ただし、全ての構造に対応する構造物モデルを生成した場合、生成される構造物モデルの数が膨大になりすぎる場合がある。

そこで、例えば、構造物モデル生成部１０２は、使用する単位立体Ｂの個数ごとに所定数の構造物モデルを生成してもよい。これにより、生成される構造物モデルにおける、単位立体Ｂの使用個数を多様化することができる。

例えば、構成要素である単位立体Ｂの数が１個〜１００個の範囲の構造物モデルを生成する場合、構造物モデル生成部１０２は、単位立体Ｂの数が１〜１００個の構造物モデルを、それぞれ３つずつ生成してもよい。また、生成する構造物モデルは、使用する単位立体Ｂを設計空間内にランダムに配置したものであってもよい。

また、設計する構造物の体積あるいは重量について予め制約がある場合、構造物モデル生成部１０２は、当該制約に応じた個数の単位立体Ｂを配置してもよい。例えば、設計する構造物の体積を１０００〜１２００ｍｍ^３とするという制約がある場合、構造物モデル生成部１０２は、１ｍｍ^３の単位立体Ｂを１０００〜１２００個の範囲で使用して構造物モデルを生成してもよい。

同様に、設計する構造物の形状に予め制約がある場合、構造物モデル生成部１０２は、当該制約に応じて単位立体Ｂを配置してもよい。例えば、片持ち梁を設計する場合、構造物モデル生成部１０２は、当該片持ち梁の固定端にあたる位置には、当該片持ち梁を支持できる数の単位立体Ｂを少なくとも配置するようにしてもよい。

なお、単位立体Ｂをランダムに配置した場合、現実には存在し得ない形状を表した構造物モデルが生成される可能性がある。例えば、他の単位立体Ｂとつながっておらず、宙に浮いた状態の単位立体Ｂを含む構造物モデルが生成される可能性もある。

設計支援装置１では、このような現実には存在し得ない形状を表した構造物モデルについても、教師データの生成に用いることが好ましい。これは、設計支援装置１では、強化学習により構造物の最適構造を探索する際にも、現実には存在し得ない形状を表した構造物モデルが生成される可能性があるからである。つまり、現実には存在し得ない形状を表した構造物モデルを教師データとして予測モデルを構築しておくことにより、強化学習時にそのような構造物モデルが生成された場合にも、その特性値として妥当な値を算出することが可能になる。そして、これにより強化学習の精度を高めることができるからである。

〔構造物モデルのマトリクスデータ化〕
構造物モデルのマトリクスデータ化について図３に基づいて説明する。図３は、構造物モデルからマトリクスデータを生成する方法の例を示す図である。具体的には、図３には、構造物モデルにおける、幅＝３、高さ＝３の正方形状の領域の単位立体Ｂの配置をマトリクスデータ化した例を示している。なお、構造物モデルの幅方向をＸ方向とし、高さ方向をＹ方向とする。また図示していないが、構造物モデルの奥行き方向をＺ方向とする。

図３の例では、単位立体Ｂを配置可能な各位置には、（１）〜（９）の番号を割り当てている。番号の設定方法は予め定めておけばよい。例えば、ある位置に番号（１）を割り当て、その位置からＸ方向に＋１した位置（１個の単位立体Ｂの幅の分だけ移動した位置）に番号（２）を割り当てる。この処理を対象領域のＸ方向の端部位置に到達するまで繰り返す。そして、Ｘ方向の端部位置に到達した後は、番号（１）を割り当てた位置からＹ方向に＋１した位置（１個の単位立体Ｂの高さ分だけ移動した位置）に次の番号を割り当てて、上記と同様にＸ方向に＋１しながら番号を割り当てていく。これらの処理を対象領域のＹ方向の端部位置に到達するまで繰り返すことにより、対象領域内の各位置に番号を設定することができる。

マトリクスデータ生成部１０４は、上記の番号順に、単位立体Ｂの存否を示す情報を並べることにより、構造物モデルをマトリクスデータ化することができる。図３に示すマトリクスデータＣでは、単位立体Ｂが存在することを「１」の数値で表し、単位立体Ｂが存在しないことを「０」の数値で表している。具体的には、（１）〜（９）の番号のうち、（１）〜（８）には単位立体Ｂが存在しないため、マトリクスデータＣにおけるこれらの番号に対応する数値は０となっている。一方、マトリクスデータＣにおいて、（９）に対応する数値は１となっている。

以上のような処理により、ＸＹ平面における単位立体Ｂの配置をマトリクスデータ化することができる。また、Ｚ方向に＋１した位置（１個の単位立体Ｂの奥行き分だけ移動した位置）においてもこれらの処理を行い、それをＺ方向の端部位置に到達するまで繰り返す。これにより、構造物モデルの全体をマトリクスデータ化することができる。なお、構造物モデルにおいて、複数の単位立体の配置をどのようにして表すかは任意である。

〔処理の流れ（構造物モデルの生成から予測モデルの生成まで）〕
構造物モデルの生成から予測モデルの生成までの処理（設計支援方法）の流れを図４に基づいて説明する。図４は、構造物モデルの生成から予測モデルの生成までの処理の一例を示すフローチャートである。

Ｓ１（設計空間設定ステップ）では、設計空間設定部１０１が三次元の設計空間を設定する。設計空間設定部１０１は、設計支援装置１のユーザによる入力部１２への入力操作に基づいて設計空間を設定してもよい。例えば、ユーザが構造物の最大高さ、最大幅、最大奥行きを入力した場合、設計空間設定部１０１は、入力された範囲内の設計空間を設定する。

Ｓ２（構造物モデル生成ステップ）では、構造物モデル生成部１０２が、Ｓ１で設定された設計空間内に構造物モデルを生成する。より詳細には、構造物モデル生成部１０２は、設計空間内における単位立体の配置を変化させることにより、複数パターンの構造物モデルを生成する。ここでは、機械学習に必要な数だけ構造物モデルが生成される。

Ｓ３では、特性値算出部１０３が、Ｓ２で生成された構造物モデルの特性値を算出する。算出する特性値は、設計の対象となる構造物に求められている特性に関するものであればよい。例えば、変形の少ない構造物を設計する場合には、特性値算出部１０３は、構造物の所定位置に荷重を付加したときの変位量を特性値として算出してもよい。

Ｓ４では、マトリクスデータ生成部１０４が、Ｓ２で生成された構造物モデルをマトリクスデータ化する。マトリクスデータ化の方法については図３に基づいて述べたとおりであるからここでは説明を繰り返さない。なお、特性値算出部１０３が、マトリクスデータから特性値を算出可能である場合、Ｓ３の処理はＳ４の後で行う。

Ｓ５では、教師データ生成部１０５が、Ｓ４でマトリクスデータ化された構造物モデルと、Ｓ３で算出された特性値とを対応付けて、機械学習用の教師データを生成する。

Ｓ６では、予測モデル生成部１０６が、Ｓ５で生成された教師データを用いて機械学習を行うことにより、構造物モデルから該構造物モデルが示す構造を有する構造物の特性値を予測するための予測モデルを生成する。これにより、図４の処理は終了する。

〔強化学習の概要〕
強化学習の概要を図５に基づいて説明する。図５は、強化学習の概要を示す図である。一般に、強化学習では、環境中においてエージェントがそのときの状態に応じた最適な行動を取ることができるようにするための方策を学習する。

設計支援装置１では、強化学習部１０８が上記エージェントに相当する。強化学習において、まず、強化学習部１０８は、初期状態Ｓ_０の構造物モデルに対し、時点ｔにおいてその構造を変更する行動Ａ_ｔを実行する。この行動Ａ_ｔにより、構造物モデルの状態はＳ_ｔに変化し、強化学習部１０８は、行動Ａ_ｔに対する報酬Ｒ_ｔを得る。強化学習部１０８は、行動して報酬を得るというこれらの処理を繰り返し行う。

そして、強化学習部１０８は、一連の行動を通じて報酬が最も多く得られる方策、つまり、初期状態Ｓ_０の構造物モデルを最適な構造に近付けるために、その構造をどのように変更していけばよいかを学習する。

このように、強化学習部１０８は、構造物モデルの状態を変更する一連の行動を通じて報酬が最も多く得られる方策を学習する。そして、構造決定部１１０は、上記方策に従って上記構造物モデルの状態を変更することにより、上記構造物の構造を決定する。

また、この強化学習において、強化学習部１０８は、予測モデル生成部１０６が生成した予測モデルを用いて特性値予測部１０７が予測した特性値を、当該構造物モデルの状態を示す情報とすることができる。

上記の構成によれば、構造物の構造を最適化するプロセスに、構造物モデル生成部１０２が生成する構造物モデルを用いて生成された予測モデルと、強化学習を利用することができる。これにより、従来技術と比べてより最適な構造を決定することが可能になる。また、適切な方策の学習が完了した後は、当該方策に従って構造物の適切な構造を高速で決定することができる。

また、上述の報酬に関して、強化学習部１０８は、構造物モデルの状態変更により、当該構造物モデルについて予測された特性値が、最適な構造の構造物の特性値に近付いた場合の報酬を、最適な構造の構造物の特性値から離れた場合の報酬よりも多くする。これにより、特性値という観点から最適な構造の構造物を容易に設計することが可能になる。

また、設計支援装置１は、構造物モデルが所定の制約条件を満たしているか否かを判定する制約条件判定部１０９を備えている。そして、強化学習部１０８は、構造物モデルの状態変更により、当該構造物モデルが上記制約条件を満たさなくなった場合に、当該状態変更の報酬を負の値とする。これにより、制約条件を満たさない構造が決定される可能性を低減することができる。

制約条件は、設計する構造物に求められる条件に応じて適宜設定しておけばよい。例えば、設計する構造物の体積に下限値が設定されている場合、構造物の体積が上記下限値以上であることを制約条件としてもよい。また、例えば、設計空間における所定領域内の単位立体は削除しないことを制約条件としてもよい。

〔処理の流れ（強化学習からその学習結果に基づく構造決定まで）〕
強化学習からその学習結果に基づく構造決定までの処理（設計支援方法）の流れを図６に基づいて説明する。図６は、強化学習からその学習結果に基づく構造決定までの処理の一例を示すフローチャートである。なお、Ｓ１１からＳ１９の一連の処理が、強化学習ステップである。強化学習ステップでは、構造物の構造をモデル化した構造物モデルの状態を変更する一連の行動を通じて報酬が最も多く得られる方策の学習が行われる。

Ｓ１１では、強化学習部１０８が、構造物モデルを初期状態とする。構造物モデルをマトリクスデータとした場合、強化学習部１０８は、例えば全要素の値を１としてもよい。この構造物モデルは、設計空間の全要素に単位立体が配置された構造を示している。

Ｓ１２では、強化学習部１０８は、構造物モデルの状態を変更する。Ｓ１２は、図５における行動Ａ_ｔを実行するフェーズに相当する。状態の変更方法は、予め定めておけばよい。例えば、Ｓ１１で全要素の値が１に設定されている場合、強化学習部１０８は、１に設定されている要素の中からランダムに選択した１つの要素の値を０に変化させてもよい。これにより、設計空間の全要素に単位立体が配置された構造の構造物を削り込んで最適な構造とするための方策を学習することができる。また、例えば、強化学習部１０８は、設計空間内の全要素の中からランダムに選択した１つの要素の値を変化（０であれば１に、１であれば０に変化）させてもよい。

Ｓ１３では、特性値予測部１０７が、予測モデル生成部１０６が生成した予測モデルを用いて、Ｓ１２の状態変更後の構造物モデルの特性値を算出する。Ｓ１３は、図５における状態Ｓ_ｔを観測するフェーズに相当する。

Ｓ１４では、制約条件判定部１０９が、Ｓ１３で算出された特性値が所定の制約条件を満たしているか否かを判定する。

Ｓ１５では、強化学習部１０８が、Ｓ１３で算出された特性値をＳ１２の状態変更後の構造物モデルの状態を示す情報として、Ｓ１２における構造物モデルの状態を変更する行動に対する報酬を算出する。Ｓ１５は、図５における報酬Ｒ_ｔを取得するフェーズに相当する。

報酬の算出において、強化学習部１０８は、Ｓ１２の状態変更により、構造物モデルについて予測された特性値が、最適な構造の構造物の特性値に近付いた場合の報酬を、最適な構造の構造物の特性値から離れた場合の報酬よりも多くする。例えば、強化学習部１０８は、予測された特性値が最適な構造の構造物の特性値に近付いた場合には報酬を＋１点とし、離れた場合には−１点としてもよい。

また、報酬の算出において、強化学習部１０８は、Ｓ１４の判定結果を考慮する。具体的には、強化学習部１０８は、Ｓ１２の状態変更により、構造物モデルが制約条件を満たさなくなった場合に、当該状態変更の報酬を負の値とする。制約条件を満たさない構造が決定されないようにするという観点から、上記負の値は大きい値とすることが好ましく、例えば、強化学習部１０８は、制約条件を満たさなくなった場合に、上述のようにして算出した報酬から１００点減点してもよい。

Ｓ１６では、強化学習部１０８は、状態変更を終了するか否かを判定する。終了条件は予め定めておけばよい。例えば、強化学習部１０８は、Ｓ１２の変更後の構造物モデルの構成要素数が所定の下限値に達している場合に、状態変更を終了すると判定してもよい。

Ｓ１６でＹＥＳと判定された場合には一連の状態変更が終了となり、処理はＳ１７に進む。そして、Ｓ１７では、強化学習部１０８は、一連の状態変更における報酬の総和を算出し、その後、処理はＳ１８に進む。一方、Ｓ１６でＮＯと判定された場合には、Ｓ１２に戻る。この場合、Ｓ１２〜Ｓ１６の処理が再度繰り返される。

Ｓ１８では、強化学習部１０８は、学習を終了するか否かを判定する。学習の終了条件についても、予め定めておけばよい。例えば、強化学習部１０８は、Ｓ１７の処理の実行回数が所定回数に達したときに学習を終了すると判定してもよい。

Ｓ１８でＹＥＳと判定された場合には強化学習は終了となり、処理はＳ１９に進む。一方、Ｓ１８でＮＯと判定された場合にはＳ１１の処理に戻る。この場合、構造物モデルを初期状態に戻して、再度Ｓ１２〜Ｓ１７の処理が繰り返される。

Ｓ１９では、強化学習部１０８は、以上の処理の結果に基づいて、初期状態の構造物モデルを、特性値が最適化されたものとなるように変更する方策、具体的には当該方策を示す関数を確定させる。

Ｓ２０（構造決定ステップ）では、構造決定部１１０が、Ｓ１９で決定された方策に従って初期状態の構造物モデルの状態を変更することにより、構造物の最適な構造を決定する。これにより、図６の処理は終了する。

なお、強化学習では、構造物の最適な構造を決定するための方策が学習できればよく、その具体的な方法は上述の例に限られない。例えば、強化学習は、Ｑ学習、Ｓａｒｓａ、モンテカルロ法、あるいはＤＱＮ（Deep Q-Network）等のアルゴリズムで行ってもよい。

また、Ｓ２０では、構造決定部１１０は、複数回実行された一連の行動（Ｓ１２〜Ｓ１７の処理）のうち、報酬の総和が最も大きかった一連の行動後の構造物モデルが示す構造を、上記構造物の構造と決定してもよい。この場合、強化学習部１０８は、学習により方策を確定させる必要はない。この場合の強化学習部１０８は、予測モデルを用いて予測された構造物モデルの特性値を、当該構造物モデルの状態を示す情報として、構造物モデルの状態を変更する一連の行動を複数回実行する状態変更部として機能することになる。このような構成によっても、従来技術と比べて構造物のより最適な構造を決定することが可能になる。

〔変形例〕
上記実施形態で説明した各処理の主体は、適宜変更することができる。例えば、設計支援装置１が実行する処理の一部を他の情報処理装置に実行させてもよい。他の情報処理装置に実行させる処理としては、設計空間の設定、構造物モデルの生成、マトリクスデータの生成、教師データの生成、特性値の算出、予測モデルの生成、該予測モデルを用いた特性値の予測、強化学習、制約条件の充足判定、および構造決定等が挙げられる。

例えば、図７に示すような設計支援システム２００によっても、設計支援装置１と同様の機能を実現することができる。図７は、設計支援システム２００の構成例を示すブロック図である。図示のように、設計支援システム２００には、構造決定装置２、構造物モデル生成装置３、教師データ生成装置４、予測モデル生成装置５、および出力装置６が含まれている。

設計支援システム２００では、構造物モデル生成装置３が、設計空間の設定処理（図４のＳ１）と構造物モデルの生成処理（図４のＳ２）とを行う。このため、構造物モデル生成装置３は、設計空間設定部１０１と構造物モデル生成部１０２を備えた設計支援装置であるともいえる。

また、教師データ生成装置４が、構造物モデルの特性値を算出する処理（図４のＳ３）と、構造物モデルをマトリクスデータ化する処理（図４のＳ４）と、教師データを生成する処理（図４のＳ５）とを行う。そして、予測モデル生成装置５が、教師データ生成装置４が生成した教師データを用いて予測モデルを生成する処理（Ｓ４のＳ６）を行う。

また、設計支援システム２００では、構造決定装置２が、構造物モデル生成装置３が生成する構造物モデルと、予測モデル生成装置５が生成した予測モデルとを用いて強化学習を行う（図６のＳ１１〜Ｓ１９）。続いて、構造決定装置２は、強化学習の結果に基づいて構造物の構造を決定する（図６のＳ２０）。このため、構造決定装置２は、強化学習部１０８と構造決定部１１０を備えた設計支援装置であるともいえる。そして、出力装置６が、構造決定装置２が決定した構造を示す情報等を出力する。

このように、設計支援システム２００によっても、設計支援装置１と同様の機能を実現することができる。また、設計支援システム２００の構成も適宜変更することができる。例えば、構造物モデルの特性値を算出する処理（図４のＳ３）をさらに他の情報処理装置に実行させてもよい。

なお、上記実施形態および上記変形例では、強化学習により最適な構造を決定する例を説明したが、最適な構造を決定する方法はこの例に限られない。例えば、最急降下法等の最適化問題を解くための各種手法を用いて、最適な構造を決定することもできる。

〔参考例〕
強化学習により最適な構造を決定する際に使用する予測モデルは、生成した構造物モデルを用いた機械学習により生成されたものでなくてもよい。例えば、実際に製造した構造物の構造と、その構造物について各種試験を行って測定した特性値とを対応付けた教師データを用いた機械学習により生成された予測モデルを用いてもよい。

〔ソフトウェアによる実現例〕
設計支援装置１の制御ブロック（特に制御部１０に含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、設計支援装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 設計支援装置
１０１ 設計空間設定部
１０２ 構造物モデル生成部
１０３ 特性値算出部
１０５ 教師データ生成部
１０６ 予測モデル生成部
１０８ 強化学習部
１０９ 制約条件判定部
１１０ 構造決定部
２ 構造決定装置（設計支援装置）
３ 構造物モデル生成装置（設計支援装置）

Claims (14)

1. 構造物の設計を支援する設計支援装置であって、
   三次元の設計空間を設定する設計空間設定部と、
   上記設計空間内における複数の単位立体の配置によって上記構造物の構造を表した構造物モデルを、上記単位立体の配置を変化させることにより複数パターン生成する構造物モデル生成部と、
   を備えていることを特徴とする設計支援装置。
2. 上記構造物モデル生成部は、上記単位立体を上記設計空間内にランダムに配置することにより上記構造物モデルを生成する、
   ことを特徴とする請求項１に記載の設計支援装置。
3. 上記構造物モデルを解析することにより、該構造物モデルが示す構造を有する上記構造物の特性値を算出する特性値算出部と、
   上記構造物モデルと、該構造物モデルについて上記特性値算出部が算出した特性値とを対応付けて、機械学習用の教師データを生成する教師データ生成部を備えている、
   ことを特徴とする請求項１または２に記載の設計支援装置。
4. 上記教師データを用いて、上記構造物モデルから該構造物モデルが示す構造を有する上記構造物の特性値を予測するための予測モデルを生成する予測モデル生成部を備えている、
   ことを特徴とする請求項３に記載の設計支援装置。
5. 上記構造物モデルの状態を変更する一連の行動を通じて報酬が最も多く得られる方策を学習する強化学習部と、
   上記方策に従って上記構造物モデルの状態を変更することにより、上記構造物の構造を決定する構造決定部と、を備え、
   上記強化学習部は、上記予測モデルを用いて予測された上記構造物モデルの特性値を、当該構造物モデルの状態を示す情報とする、
   ことを特徴とする請求項４に記載の設計支援装置。
6. 上記強化学習部は、上記構造物モデルの状態変更により、当該構造物モデルについて予測された上記特性値が、最適な構造の上記構造物の特性値に近付いた場合の報酬を、最適な構造の上記構造物の特性値から離れた場合の報酬よりも多くする、
   ことを特徴とする請求項５に記載の設計支援装置。
7. 上記構造物モデルが所定の制約条件を満たしているか否かを判定する制約条件判定部を備え、
   上記強化学習部は、上記構造物モデルの状態変更により、当該構造物モデルが上記制約条件を満たさなくなった場合に、当該状態変更の報酬を負の値とする、
   ことを特徴とする請求項５または６に記載の設計支援装置。
8. 上記強化学習部は、上記設計空間の全要素に上記単位立体が配置された構造を示す構造物モデルからランダムに選択した上記単位立体を削除することを繰り返す一連の行動を通じて報酬が最も多く得られる方策を学習する、
   ことを特徴とする請求項５から７の何れか１項に記載の設計支援装置。
9. 上記予測モデルを用いて予測された上記構造物モデルの特性値を、当該構造物モデルの状態を示す情報として、上記構造物モデルの状態を変更する一連の行動を複数回実行する状態変更部と、
   複数回実行された上記一連の行動のうち、報酬の総和が最も大きかった一連の行動後の構造物モデルが示す構造を、上記構造物の構造と決定する構造決定部と、を備える、
   ことを特徴とする請求項４に記載の設計支援装置。
10. 構造物の設計を支援する設計支援装置であって、
    上記構造物の構造をモデル化した構造物モデルの状態を変更する一連の行動を通じて報酬が最も多く得られる方策を学習する強化学習部と、
    上記方策に従って上記構造物モデルの状態を変更することにより、上記構造物の構造を決定する構造決定部と、を備えている、
    ことを特徴とする設計支援装置。
11. １または複数の情報処理装置により構造物の設計を支援する設計支援方法であって、
    三次元の設計空間を設定する設計空間設定ステップと、
    上記設計空間内における複数の単位立体の配置によって上記構造物の構造を表した構造物モデルを、上記単位立体の配置を変化させることにより複数パターン生成する構造物モデル生成ステップと、を含む、
    ことを特徴とする設計支援方法。
12. １または複数の情報処理装置により構造物の設計を支援する設計支援方法であって、
    上記構造物の構造をモデル化した構造物モデルの状態を変更する一連の行動を通じて報酬が最も多く得られる方策を学習する強化学習ステップと、
    上記方策に従って上記構造物モデルの状態を変更することにより、上記構造物の構造を決定する構造決定ステップと、を含む、
    ことを特徴とする設計支援方法。
13. 請求項１に記載の設計支援装置としてコンピュータを機能させるための設計支援プログラムであって、上記設計空間設定部および上記構造物モデル生成部としてコンピュータを機能させるための設計支援プログラム。
14. 請求項１０に記載の設計支援装置としてコンピュータを機能させるための設計支援プログラムであって、上記強化学習部および上記構造決定部としてコンピュータを機能させるための設計支援プログラム。

Images