JP2021125136A - 最適化装置及び最適化方法 - Google Patents
最適化装置及び最適化方法 Download PDFInfo
- Publication number
- JP2021125136A JP2021125136A JP2020020048A JP2020020048A JP2021125136A JP 2021125136 A JP2021125136 A JP 2021125136A JP 2020020048 A JP2020020048 A JP 2020020048A JP 2020020048 A JP2020020048 A JP 2020020048A JP 2021125136 A JP2021125136 A JP 2021125136A
- Authority
- JP
- Japan
- Prior art keywords
- output data
- unit
- evaluation value
- feature amount
- input
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】多次元の出力データを理想の出力データに一致させる最適化処理を簡易に行う。
【解決手段】最適化装置は、第1の次元数の入力パラメータに基づいて実験又はシミュレーションを行うことにより得られる第2の次元数の出力データを取得する出力データ取得部と、入出力データ記憶部と、出力データの評価値を算出する出力する評価値算出部と、第2の次元数とは異なる第3の次元数の出力データ特徴量を抽出する特徴量抽出部と、入力パラメータから予測される出力データ特徴量に関する変換パラメータを生成する入力パラメータ変換部と、変換パラメータと対応する評価値とに基づいて、次の入力パラメータを決定する次入力パラメータ決定部と、所定の条件を満たすまで、出力データ取得部、入出力データ記憶部、評価値算出部、特徴量抽出部、入力パラメータ変換部、及び次入力パラメータ決定部の処理を繰り返す反復判定部と、を備える。
【選択図】図1
Description
v=φ(y) …(1)
v=φ(f(x),y) …(2)
図6は第2の実施形態による最適化装置を備えたシミュレーションシステムの概略構成を示すブロック図である。図6の最適化装置1は、図1の構成に加えて、変換次元数入力部11と、デコード結果可視化部12とを備えている。
次入力パラメータ決定部9は、出力結果推定機能と、獲得関数算出機能(獲得関数生成部)と、獲得関数最大化機能(獲得関数最大化部)とを有する。
第4の実施形態は、ベイズ最適化により次の入力パラメータを決定するものである。第4の実施形態による最適化装置1の概略構成は、図1と同様であるため、ブロック構成の説明を割愛する。
第5の実施形態は、ユーザに頼らずに変換次元数を最適化するものである。
第6の実施形態は、入力パラメータを用いて実験又はシミュレーションを行った場合に制約に違反するデータが得られた場合の取扱に関する。
第7の実施形態は、評価関数内部で出力データになされる処理が既知である場合の扱いに関する。図13は第7の実施形態による最適化装置1を備えたシミュレーションシステム2の概略構成を示すブロック図である。図13のシミュレーションシステム2は、図1に評価関数内既知処理部15を追加した構成であり、それ以外は図1と同様に構成されている。図13の最適化装置1では、変換次元数入力部11は省略されている。
Claims (23)
- 第1の次元数の入力パラメータに基づいて実験又はシミュレーションを行うことにより得られる第2の次元数の出力データを取得する出力データ取得部と、
前記入力パラメータと対応する前記出力データとを組にして記憶する入出力データ記憶部と、
前記出力データの評価値を算出する出力する評価値算出部と、
前記第2の次元数とは異なる第3の次元数の出力データ特徴量を抽出する特徴量抽出部と、
前記入力パラメータから予測される前記出力データ特徴量に関する変換パラメータを生成する入力パラメータ変換部と、
前記変換パラメータと対応する前記評価値とに基づいて、前記出力データ取得部で取得されるべき次の入力パラメータを決定する次入力パラメータ決定部と、
所定の条件を満たすまで、前記出力データ取得部、前記入出力データ記憶部、前記評価値算出部、前記特徴量抽出部、前記入力パラメータ変換部、及び前記次入力パラメータ決定部の処理を繰り返す反復判定部と、を備える最適化装置。 - 前記特徴量抽出部は、前記第2の次元数よりも小さい前記第3の次元数の前記出力データ特徴量を抽出する、請求項1に記載の最適化装置。
- 前記第2の次元数は、前記第1の次元数より多く、
前記第3の次元数は、前記第1の次元数と同一である、請求項2に記載の最適化装置。 - 前記特徴量抽出部は、前記出力データから前記出力データ特徴量を抽出する、請求項1乃至3のいずれか一項に記載の最適化装置。
- 前記特徴量抽出部は、前記出力データのうち、分散が最大化される次元を前記出力データ特徴量とする、請求項4に記載の最適化装置。
- 前記特徴量抽出部は、前記出力データのうち、独立性が最大の次元を前記出力データ特徴量とする、請求項4に記載の最適化装置。
- 前記特徴量抽出部は、入力層、中間層及び出力層を有するニューラルネットワークの前記入力層に前記出力データを入力し、前記入力層に入力される前記出力データと前記出力層から出力されるデータとの誤差が最小になるように、前記入力層、前記中間層及び前記出力層を繋ぐ各経路の重みを学習するとともに、前記中間層から出力されるデータを前記出力データ特徴量とする、請求項4に記載の最適化装置。
- 前記特徴量抽出部は、前記前記出力データと前記評価値とに基づいて、前記出力データ特徴量を抽出する、請求項1乃至3のいずれか一項に記載の最適化装置。
- 前記特徴量抽出部は、前記出力データから前記評価値を回帰する際の回帰係数のうち、所定の閾値を超える回帰係数に対応する次元を前記出力データ特徴量とする、請求項8に記載の最適化装置。
- 前記特徴量抽出部は、前記出力データから前記評価値をランダムフォレスト回帰して算出された前記出力データの重要度のうち、所定の閾値を超える重要度に対応する次元を前記出力データ特徴量とする、請求項8に記載の最適化装置。
- 前記所定の条件を満たしたときの前記入力パラメータを、最適な入力パラメータとして出力する最適パラメータ出力部を備える、請求項1乃至10のいずれか一項に記載の最適化装置。
- 前記入力パラメータ変換部は、前記特徴量抽出部が前記出力データ特徴量を予測するのに用いた関数に前記入力パラメータを与えて計算した値を前記変換パラメータとする、請求項1乃至11のいずれか一項に記載の最適化装置。
- 前記特徴量抽出部で抽出された前記出力データ特徴量を逆変換して生成された情報を可視化する可視化部を備える、請求項1乃至12のいずれか一項に記載の最適化装置。
- 前記次入力パラメータ決定部は、
前記変換パラメータに基づいて獲得関数を生成する獲得関数生成部と、
前記獲得関数が最大になるように前記次の入力パラメータを決定する獲得関数最大化部と、を有する、請求項1乃至13のいずれか一項に記載の最適化装置。 - 前記次入力パラメータ決定部は、
前記変換パラメータと対応する前記評価値とについての、平均値及び分散に関する関係式に基づいて獲得関数を生成する獲得関数生成部と、
前記獲得関数が最大になるように前記次の入力パラメータを決定する獲得関数最大化部と、を有する、請求項1乃至13のいずれか一項に記載の最適化装置。 - 前記変換パラメータから推定された評価値と前記評価値算出部で算出された評価値との誤差に基づいて、前記出力データ特徴量及び前記変換パラメータの変換次元数を決定する変換次元数最適化部を備える、請求項1乃至15のいずれか一項に記載の最適化装置。
- 前記評価値算出部は、
前記出力データが制約に違反しているか否かを判定する制約違反判定部と、
ある入力パラメータに対応する出力データが制約に違反していると判定された場合には、出力データが制約に違反していない他の入力パラメータに対応する評価値に置換する評価値置換部と、を有する、請求項1乃至16のいずれか一項に記載の最適化装置。 - 前記評価値置換部は、前記ある入力パラメータに対応する出力データが制約に違反していると判定された場合には、最大化したい評価値を前記他の入力パラメータの評価値の最小値に置換するか、又は最小化したい評価値を前記他の入力パラメータの評価値の最大値に置換する、請求項17に記載の最適化装置。
- 前記評価値算出部は、実験又はシミュレーションにより得られた前記出力データと理想の出力データとの誤差に基づいて前記評価値を算出する、請求項1乃至18のいずれか一項に記載の最適化装置。
- 前記評価値算出部は、前記出力データの各次元に対応する前記誤差の重みを前記誤差の履歴から決定する、請求項19に記載の最適化装置。
- 前記出力データの各次元に対応する前記誤差の重みを入力する重み入力部を備え、
前記評価値算出部は、前記入力された重みに基づいて重みづけられた前記誤差に基づいて前記評価値を算出する、請求項19に記載の最適化装置。 - 前記評価値算出部が前記評価値を算出するために前記出力データに対して行う処理を、前記評価値算出部とは別個に行う既知処理実行部を備え、
前記特徴量抽出部は、前記既知処理実行部で行われた処理結果に基づいて、前記出力データ特徴量を抽出する、請求項1乃至21のいずれか一項に記載の最適化装置。 - 第1の次元数の入力パラメータに基づいて実験又はシミュレーションを行うことにより得られる第2の次元数の出力データを取得し、
前記入力パラメータと対応する前記出力データとを組にして入出力データ記憶部に記憶し、
前記出力データの評価値を算出する出力し、
前記第2の次元数とは異なる第3の次元数の出力データ特徴量を抽出し、
前記入力パラメータから予測される前記出力データ特徴量に関する変換パラメータを生成し、
前記変換パラメータと対応する前記評価値とに基づいて、取得されるべき次の入力パラメータを決定し、
所定の条件を満たすまで、前記出力データを取得する処理と、前記入出力データ記憶部への記憶処理と、前記評価値を算出する処理と、前記出力データ特徴量を抽出する処理と、前記入力パラメータを変換する処理と、前記次の入力パラメータを決定する処理とを繰り返す最適化方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020020048A JP7344149B2 (ja) | 2020-02-07 | 2020-02-07 | 最適化装置及び最適化方法 |
US17/014,759 US11847389B2 (en) | 2020-02-07 | 2020-09-08 | Device and method for optimizing an input parameter in a processing of a semiconductor |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020020048A JP7344149B2 (ja) | 2020-02-07 | 2020-02-07 | 最適化装置及び最適化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021125136A true JP2021125136A (ja) | 2021-08-30 |
JP7344149B2 JP7344149B2 (ja) | 2023-09-13 |
Family
ID=77178768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020020048A Active JP7344149B2 (ja) | 2020-02-07 | 2020-02-07 | 最適化装置及び最適化方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11847389B2 (ja) |
JP (1) | JP7344149B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048886B (zh) * | 2022-08-12 | 2022-11-01 | 阿里巴巴(中国)有限公司 | 设计参数调整方法、装置、电子设备和存储介质 |
CN115222752B (zh) * | 2022-09-19 | 2023-01-24 | 之江实验室 | 基于特征解耦的病理图像特征提取器训练方法及装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5535134A (en) * | 1994-06-03 | 1996-07-09 | International Business Machines Corporation | Object placement aid |
US7313550B2 (en) * | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
JP2004070721A (ja) * | 2002-08-07 | 2004-03-04 | Renesas Technology Corp | 自動配置配線装置 |
KR100545748B1 (ko) * | 2002-08-09 | 2006-01-24 | 마쯔시다덴기산교 가부시키가이샤 | 반도체 집적회로 장치의 설계 방법 및 설계 장치 |
EP1598751B1 (en) * | 2004-01-12 | 2014-06-25 | Honda Research Institute Europe GmbH | Estimation of distribution algorithm (EDA) |
US7142991B2 (en) * | 2005-03-31 | 2006-11-28 | International Business Machines Corporation | Voltage dependent parameter analysis |
JP6687032B2 (ja) | 2015-09-14 | 2020-04-22 | ヤマハ株式会社 | 耳形状解析方法、頭部伝達関数生成方法、耳形状解析装置および頭部伝達関数生成装置 |
JP6709718B2 (ja) | 2016-11-04 | 2020-06-17 | 日本電信電話株式会社 | 入力パラメータ探索装置、入力パラメータ探索方法、及び入力パラメータ探索プログラム |
JP6757280B2 (ja) | 2017-03-02 | 2020-09-16 | 日本電信電話株式会社 | パラメータ出力装置、パラメータ出力方法及びプログラム |
JP6668279B2 (ja) | 2017-03-02 | 2020-03-18 | 日本電信電話株式会社 | 制御策解析装置、方法、及びプログラム |
US10726325B2 (en) * | 2017-04-13 | 2020-07-28 | Adobe Inc. | Facilitating machine-learning and data analysis by computing user-session representation vectors |
US20190034802A1 (en) | 2017-07-28 | 2019-01-31 | Siemens Aktiengesellschaft | Dimensionality reduction in Bayesian Optimization using Stacked Autoencoders |
JPWO2019087987A1 (ja) * | 2017-11-02 | 2020-11-12 | 日本電信電話株式会社 | 異常検知装置、異常検知方法、及びプログラム |
US11409923B1 (en) * | 2018-01-22 | 2022-08-09 | Ansys, Inc | Systems and methods for generating reduced order models |
JP7061536B2 (ja) * | 2018-08-09 | 2022-04-28 | 株式会社東芝 | 最適化装置、シミュレーションシステム及び最適化方法 |
-
2020
- 2020-02-07 JP JP2020020048A patent/JP7344149B2/ja active Active
- 2020-09-08 US US17/014,759 patent/US11847389B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP7344149B2 (ja) | 2023-09-13 |
US20210248293A1 (en) | 2021-08-12 |
US11847389B2 (en) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021068528A1 (zh) | 基于卷积神经网络的注意力权重计算方法、装置及设备 | |
CA3088899C (en) | Systems and methods for preparing data for use by machine learning algorithms | |
JP7061536B2 (ja) | 最適化装置、シミュレーションシステム及び最適化方法 | |
JP5733229B2 (ja) | 分類器作成装置、分類器作成方法、及びコンピュータプログラム | |
JP6514342B2 (ja) | オンライン予測システムおよび方法 | |
US8595155B2 (en) | Kernel regression system, method, and program | |
JP2013143031A (ja) | 予測方法、予測システムおよびプログラム | |
Chang et al. | A forecasting model for small non-equigap data sets considering data weights and occurrence possibilities | |
JP7020547B2 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN113255842B (zh) | 车辆置换预测方法、装置、设备及存储介质 | |
JP6942900B1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP7344149B2 (ja) | 最適化装置及び最適化方法 | |
Chang et al. | A latent information function to extend domain attributes to improve the accuracy of small-data-set forecasting | |
Zelikman et al. | CRUDE: calibrating regression uncertainty distributions empirically | |
Williams et al. | Sensing with shallow recurrent decoder networks | |
Sainsbury-Dale et al. | Modelling Big, Heterogeneous, Non-Gaussian Spatial and Spatio-Temporal Data using FRK | |
KR20200092989A (ko) | 아웃라이어 감지를 위한 비지도 파라미터 러닝을 이용한 생산용 유기체 식별 | |
Striegel et al. | A multifidelity function-on-function model applied to an abdominal aortic aneurysm | |
Sadouk et al. | A novel cost‐sensitive algorithm and new evaluation strategies for regression in imbalanced domains | |
CN109728958B (zh) | 一种网络节点信任预测方法、装置、设备及介质 | |
JP7451935B2 (ja) | 予測プログラム、予測方法及び予測装置 | |
JP7168393B2 (ja) | 情報処理装置、情報処理方法、プログラム及び記憶媒体 | |
JP2020030702A (ja) | 学習装置、学習方法及び学習プログラム | |
WO2023007848A1 (ja) | データ解析方法、データ解析装置、及び、データ解析プログラム | |
WO2023085195A1 (ja) | モデル生成装置、モデル生成方法及びデータ推定装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220701 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230718 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230804 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230901 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7344149 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |