JP6977733B2 - パラメータ最適化装置、パラメータ最適化方法、及びプログラム - Google Patents

パラメータ最適化装置、パラメータ最適化方法、及びプログラム Download PDF

Info

Publication number
JP6977733B2
JP6977733B2 JP2018548600A JP2018548600A JP6977733B2 JP 6977733 B2 JP6977733 B2 JP 6977733B2 JP 2018548600 A JP2018548600 A JP 2018548600A JP 2018548600 A JP2018548600 A JP 2018548600A JP 6977733 B2 JP6977733 B2 JP 6977733B2
Authority
JP
Japan
Prior art keywords
parameter
simulation
specific event
parameters
new
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.)
Active
Application number
JP2018548600A
Other languages
English (en)
Other versions
JPWO2018083950A1 (ja
Inventor
貴士 大西
聡 森永
陽太郎 渡邉
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Publication of JPWO2018083950A1 publication Critical patent/JPWO2018083950A1/ja
Application granted granted Critical
Publication of JP6977733B2 publication Critical patent/JP6977733B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、特定の事象についてのシミュレーションを実行する際のパラメータを最適化する、パラメータ最適化装置、及びパラメータ最適化方法に関し、更には、これらを実現するためのプログラムに関する。
近年、種々の分野においてシミュレーション、取り分け、コンピュータを利用したコンピュータ・シミュレーションが利用されている。コンピュータ・シミュレーション（以下、単に「シミュレーション」と表記する。）は、コンピュータによって、対象となるシステムを模したモデルを構築し、このモデルに種々のパラメータを入力することによって行なわれる。
例えば、圃場における農産物の栽培のシミュレーションを行なう場合は、シミュレータとして機能するコンピュータには、降水量、日射量、土質、地形、肥料、農作業等のパラメータが入力される。そして、コンピュータは、入力されたパラメータの値に応じて、収穫量を予測し、予測した値を出力する。このため、このようなシミュレーションによれば、生産者は、どのようにして栽培すれば、農産物の収穫量を高めることができるのかを予め知ることができる。
また、シミュレーションを行なうためには、このように複数のパラメータを入力する必要があり、そして、良いシミュレーション結果を得るためには、適切なパラメータの組合せを探し出す必要がある。適切なパラメータの組合せを探し出す手法としては、グリッドサーチ及びベイズ的最適化（Bayesian Optimization）が知られている（例えば、非特許文献１参照）。
グリッドサーチでは、探索対象となるパラメータの数を次元として、格子状に区切られたパラメータの探索空間が設定される。このとき、格子点毎に、パラメータの組合せが割当てられ、格子点毎に、シミュレーションが実行される。
但し、グリッドサーチでは、パラメータの全ての組合せについて、シミュレーションを実行する必要がある。このため、１回のシミュレーションにかかるコストが大きい場合に対応できないという問題がある。
これに対して、ベイズ的最適化では、既にある情報を元に、まず、候補となるパラメータの組合せが選択され、選択されたパラメータの組合せからシミュレーションが実行される。そして、この実行結果に基づいて、別のパラメータの組合せが選択され、シミュレーションが実行される。つまり、ベイズ的最適化によれば、適切となる可能性が高いパラメータの当りをつけながら、シミュレーションが実行されるので、グリッドサーチに比べて、シミュレーションの回数を抑えることができ、シミュレーションコストを低減できる。
牧山幸史、匿名知的集団ホクソエム、「機械学習のためのベイズ最適化入門」、［online］、平成２８年８月２５日、Ｍａｎａｔｅｅ、［平成２８年１０月１１日検索］、インターネット＜URL：https://book.mynavi.jp/manatee/detail/id=59393＞
ところで、ベイズ的最適化において、パラメータの組合せの選択の際に、シミュレーションの対象となっている事象における知識を利用できれば、パラメータの組合せの選択をより効率的に行なえると考えられる。例えば、上述した農産物の栽培のシミュレーションにおいては、農業における知識を活用すれば、より可能性の高いパラメータの組合せを選択できると考えられる。
しかしながら、従来からのベイズ的最適化においては、知識を活用することは考慮されておらず、パラメータの組合せの選択は、目的関数に対して評価関数を設定することによって行なわれている。このため、ベイズ的最適化を用いても、シミュレーションの回数の削減には、限度があり、結果、シミュレーションコストの削減にも限度がある。
本発明の目的の一例は、上記問題を解消し、特定の事象についてのシミュレーションを実行する際に、最適なパラメータの組合せを効率良く選択し得る、パラメータ最適化装置、パラメータ最適化方法、及びプログラムを提供することにある。
上記目的を達成するため、本発明の一側面におけるパラメータ最適化装置は、
パラメータを入力として、特定の事象についてのシミュレーションを実行する、シミュレータと、
前記シミュレータからの出力の結果を論理表現に変換する、データ解釈部と、
前記論理表現、前記特定の事象の目的状態を示すクエリ、及び前記特定の事象について予め用意されている知識情報を用いて、前記特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する、推論部と、
前記推論パスから、前記シミュレーションにおいて入力となる新たなパラメータを決定する、パラメータ決定部と、
を備え、
前記シミュレータは、前記新たなパラメータが決定されると、前記新たなパラメータを入力として、前記特定の事象についてのシミュレーションを再度実行する、
ことを特徴とする。
また、上記目的を達成するため、本発明の一側面におけるパラメータ最適化方法は、
（ａ）パラメータを入力として、特定の事象についてのシミュレーションを実行する、ステップと、
（ｂ）前記シミュレーションの結果を論理表現に変換する、ステップと、
（ｃ）前記論理表現、前記特定の事象の目的状態を示すクエリ、及び前記特定の事象について予め用意されている知識情報を用いて、前記特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する、ステップと、
（ｄ）前記推論パスから、前記シミュレーションにおいて入力となる新たなパラメータを決定する、ステップとを有し、
前記新たなパラメータが決定されると、前記（ａ）のステップにおいて、前記新たなパラメータを入力として、前記特定の事象についてのシミュレーションを再度実行する、
ことを特徴とする。
更に、上記目的を達成するため、本発明の一側面におけるプログラムは、
コンピュータによって、
（ａ）パラメータを入力として、特定の事象についてのシミュレーションを実行する、ステップと、
（ｂ）前記シミュレーションの結果を論理表現に変換する、ステップと、
（ｃ）前記論理表現、前記特定の事象の目的状態を示すクエリ、及び前記特定の事象について予め用意されている知識情報を用いて、前記特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する、ステップと、
（ｄ）前記推論パスから、前記シミュレーションにおいて入力となる新たなパラメータを決定する、ステップとを実行させ、
前記新たなパラメータが決定されると、前記（ａ）のステップにおいて、前記新たなパラメータを入力として、前記特定の事象についてのシミュレーションを再度実行する、
ことを特徴とする。
以上のように、本発明によれば、特定の事象についてのシミュレーションを実行する際に、最適なパラメータの組合せを効率良く選択することができる。
図１は、本発明の実施の形態におけるパラメータ最適化装置の概略構成を示すブロック図である。 図２は、本発明の実施の形態におけるパラメータ最適化装置の具体的構成を示すブロック図である。 図３は、本発明の実施の形態で用いられるデータの一例を示す図である。 図４は、本発明の実施の形態におけるパラメータ最適化装置の動作を示すフロー図である。 図５は、本発明の実施の形態におけるパラメータ最適化装置を実現するコンピュータの一例を示すブロック図である。
（実施の形態）
以下、本発明の実施の形態における、パラメータ最適化装置、パラメータ最適化方法、及びプログラムについて、図１〜図５を参照しながら説明する。
［装置構成］
最初に、本実施の形態におけるパラメータ最適化装置の概略構成について説明する。図１は、本発明の実施の形態におけるパラメータ最適化装置の概略構成を示すブロック図である。
図１に示す、本実施の形態におけるパラメータ最適化装置１０は、特定の事象についてのシミュレーションを実行する際におけるパラメータを最適化する装置である。図１に示すように、パラメータ最適化装置１０は、シミュレータ１１と、データ解釈部１２と、推論部１３と、パラメータ決定部１４とを備えている。
シミュレータ１１は、パラメータを入力として、特定の事象についてのシミュレーションを実行する。データ解釈部１２は、シミュレータ１１からの出力の結果を論理表現に変換する。
推論部１３は、論理表現、特定の事象の目的状態を示すクエリ、及び特定の事象について予め用意されている知識情報を用いて、特定の事象において生じる現象を推測する。また、推論部１３は、推測した現象から推論パスを生成する。
パラメータ決定部１４は、推論パスから、シミュレーションにおいて入力となる新たなパラメータを決定する。そして、新たなパラメータが決定されると、シミュレータ１１は、新たなパラメータを入力として、特定の事象についてのシミュレーションを再度実行する。
このように、本実施の形態では、シミュレータ１１によってシミュレーションが行なわれると、シミュレーション結果に知識情報を適用して現象の推測が行なわれ、更に、推測結果から新たなパラメータが決定される。そして、新たなパラメータを用いたシミュレーションが再度実行される。つまり、本実施の形態では、特定の事象についての事前知識を考慮して、シミュレーションを実行できるので、特定の事象についてのシミュレーションを実行する際に、最適なパラメータの組合せを効率良く選択することができる。
続いて、図２及び図３を用いて、本実施の形態におけるパラメータ最適化装置１０の構成について更に具体的に説明する。図２は、本発明の実施の形態におけるパラメータ最適化装置の具体的構成を示すブロック図である。図３は、本発明の実施の形態で用いられるデータの一例を示す図である。
図２に示すように、本実施の形態では、パラメータ最適化装置１０は、シミュレータ１１、データ解釈部１２、推論部１３、及びパラメータ決定部１４に加えて、解釈ルールデータベース１５と、知識データベース１６と、変換ルールデータベース１７とを備えている。各データベースに格納されている情報については後述する。
シミュレータ１１は、本実施の形態では、特定の事象を模擬的に再現したモデルを有し、このモデルにパラメータを入力することによって、特定の事象を再現する。特定の事象としては、例えば、ある圃場での農作物の生産、プラントの運転、航空機の飛行等が挙げられる。従って、特定の事象が農産物の生産である場合は、シミュレータ１１は、例えば、パラメータとして、農産物の作付面積、肥料の量及び肥料を与えるタイミング等を受付けると、受付けたパラメータに応じて、農産物の生産量を算出する（図３参照）。
データ解釈部１２は、本実施の形態では、シミュレータ１１からの出力の結果、例えば、数値データ、カテゴリデータ等を、予め設定された解釈ルールに基づいて、論理表現に変換する。また、解釈ルールは、解釈ルールデータベース１５に格納されている。論理表現としては、例えば、一階述語論理（ＦＯＬ：First Order predicate Logic）が挙げられる。なお、データ解釈部１２に入力される入力データは、シミュレータ１１の出力の結果に限定されず、シミュレータ１１に入力されるパラメータであっても良い。
具体的には、例えば、シミュレータ１１からの出力の結果が、図３に示すように、「圃場ａでの農産物Ａの収穫量：５０ｋｇ、圃場ｂでの農産物Ｂの収穫量：１００ｋｇ、１月の降水量：１０ｍｍ、１月の日照量：２４０Ｈ、・・・」であるとする。また、解釈ルールデータベース１５には、図３に示すように、解釈ルールとして、「農産物Ａの収穫量＞７０ｋｇ→収穫（Ａ，豊作）」、「１月の降水量＜２０ｍｍ→降水量（１月，少）」、といったルールが格納されているとする。
この場合、データ解釈部１２は、解釈ルールを、出力結果に適用して、図３に示すように、「収穫（Ａ，豊作）、収穫（Ｂ，豊作）、降水量（１月，少）、降水量（２月，並）、降水量（３月，多）、・・・」といった論理表現を作成する。
推論部１３は、本実施の形態では、知識情報として、知識データベース１６に格納されている知識情報を用いる。知識情報としては、例えば、特定の事象がある圃場での農作物の生産であるとすると、「１月に雨が多いにも拘わらず、農産物Ａに１月に与えた肥料Ｐの量が多い場合は、農産物Ａの根が腐る［雨（１月，多）ＡＮＤ肥料Ｐ（Ｘ，１月，多）→根腐れ（Ｘ）］」といった情報（図３参照）が挙げられる。
また、本実施の形態において、知識情報は、予め人手によって作成されていても良いし、教科書、マニュアル、過去の作業日誌等から自動的又は半自動的に作成されていても良い。なお、図３において、「Ｘ」は、任意のパラメータであり、Ｘが特定する内容は特に限定されるものではない。
また、推論部１３が用いる論理表現としては、上述した一階述語論理が挙げられる。推論部１３が用いるクエリとしては、図３に示す「農産物Ａ及び農産物Ｂの収穫が豊作［収穫（Ａ，豊作）ＡＮＤ 収穫（Ｂ，豊作）］」といったクエリが挙げられる。
そして、このようなクエリと、図３に示す論理表現「収穫（Ａ，豊作）、収穫（Ｂ，豊作）、降水量（１月，少）、降水量（２月，並）、降水量（３月，多）、・・・」が入力されるとすると、推論部１３は、上述の知識情報に基づいて、下記のような推論パス（図３参照）を生成する。
推論パス：降水量（１月，少）ＡＮＤ肥料Ｑ（Ａ，１月，少）→生育（Ａ，大）→収穫（Ａ，豊作）
また、本実施の形態では、推論部１３は、推測処理エンジンを有しており、この推測処理エンジンに、論理表現、クエリ、及び知識情報を入力することによって、論理パスを生成する。また、推測処理エンジンの例としては、Ｐｒｏｌｏｇ（PROgram in LOGic）と呼ばれる論理型プログラミング言語（参考文献１）によって作成されたプログラムが挙げられる。その他に、推理処理エンジンの例としては、確率論理推論（参考文献２）に基づいて作成されたプログラム、重みつき仮説推論（Weighted Abduction：参考文献３）に基づいて作成されたプログラムも挙げられる。
参考文献１：新田克己著、「知識と推論」、サイエンス社、ｐ．５８〜６２
参考文献２：JSAI2016、佐々木健太郎、アンドラーデ・ダニエル、渡邉陽太郎、定政邦彦著、「確率論理推論の推論結果を端的に説明するルール集合の特定」、The 30th Annual Conference of the Japanese Society for ArtificialIntelligence 2016
参考文献３：山本風人、井之上直也、乾健太郎著、「言語処理のための仮説推論エンジン」、Phillip、言語処理学会、第２１回年次大会、２０１５年３月
パラメータ決定部１４は、本実施の形態では、既に実行されているシミュレーションにおけるパラメータ及び出力結果を用いてベイズ的最適化を実行して、パラメータの候補を決定する。そして、パラメータ決定部１４は、推論パスに基づいて、パラメータの候補を補正することによって、新たなパラメータを決定する。
具体的には、パラメータ決定部１４が、既に実行されているシミュレーションにおけるパラメータ及び出力結果を用いてベイズ的最適化を実行して、例えば、パラメータ候補として、「肥料Ｑ：３ｇ／ｍ２〜６ｇ／ｍ２」を得ているとする。
また、パラメータ決定部１４は、推論部１３が生成した推論パスの中から、制御可能な述語を選択する。例えば、上述した推論パスの具体例であれば、パラメータ決定部１４は、制御可能な述語として、「肥料Ｑ（Ａ，１月，少）」を選択する。そして、パラメータ決定部１４は、選択した述語を、変換ルールデータベース１７に格納されている変換ルールに適用して、変換結果を取得する。例えば、変換ルールが、図３に示すように、「肥料Ｑ（Ａ，１月，少）」→肥料Ｑ：５ｇ／ｍ２〜１０ｇ／ｍ２」であるならば、パラメータ決定部１４は、変換結果として「肥料Ｑ：５ｇ／ｍ２〜１０ｇ／ｍ２」を取得する。
そして、このような場合、パラメータ決定部１４は、パラメータ候補「肥料Ｑ：３ｇ／ｍ２〜６ｇ／ｍ２」を、変換結果「肥料Ｑ：５ｇ／ｍ２〜１０ｇ／ｍ２」によって補正し、補正後のパラメータ候補を新たなパラメータに決定する。上述の場合は、例えば、「肥料Ｑ：６ｇ／ｍ２」が新たなパラメータに決定される（図３参照）。パラメータ決定部１４は、その後、新たなパラメータをシミュレータ１１に入力する。
［装置動作］
次に、本実施の形態におけるパラメータ最適化装置１０の動作について図４を用いて説明する。図４は、本発明の実施の形態におけるパラメータ最適化装置の動作を示すフロー図である。以下の説明においては、適宜図１〜図３を参酌する。また、本実施の形態では、パラメータ最適化装置１０を動作させることによって、パラメータ最適化方法が実施される。よって、本実施の形態におけるパラメータ最適化方法の説明は、以下のパラメータ最適化装置１０の動作説明に代える。
図４に示すように、最初に、シミュレータ１１は、初期設定のパラメータを入力として、特定の事象についてのシミュレーションを実行する（ステップＡ１）。シミュレータ１１は、シミュレーションの結果を、データ解釈部１２に受け渡す。
次に、データ解釈部１２は、解釈ルールデータベース１５に格納されている解釈ルールに基づいて、ステップＡ１で得られたシミュレーションの結果を論理表現に変換する（ステップＡ２）。データ解釈部１２は、得られた論理表現を推論部１３に受け渡す。
次に、推論部１３は、ステップＡ２で生成された論理表現、特定の事象の目的状態を示すクエリ、及び知識データベース１６に格納されている知識情報を用いて、特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する（ステップＡ３）。推論部１３は、生成した推論パスをパラメータ決定部１４に受け渡す。
次に、パラメータ決定部１４は、ステップＡ３で生成された推論パスから、シミュレーションにおいて入力となる新たなパラメータを決定する（ステップＡ４）。また、パラメータ決定部１４は、決定した新たなパラメータをシミュレータ１１に受け渡す。
次に、シミュレータ１１は、ステップＡ４で決定された新たなパラメータを入力として、特定の事象についてのシミュレーションを再度実行する（ステップＡ５）。
その後、シミュレータ１１は、処理終了が指示されているかどうかを判定する（ステップＡ６）。ステップＡ６の判定の結果、処理終了が指示されていない場合は、シミュレータ１１は、シミュレーションの結果をデータ解釈部１２に受け渡す。これにより、再度ステップＡ２が実行される。一方、処理終了が指示されている場合は、シミュレータ１１は、結果を外部に出力する。
以上のように本実施の形態によれば、シミュレーション結果の論理表現への変換、推論パスの生成、新たなパラメータの決定、新たなパラメータによるシミュレーション、という工程が繰り返し実行される。そして、推論パスの生成には、知識情報が活用される。このため、本実施の形態によれば、特定の事象についてのシミュレーションを実行する際に、最適なパラメータの組合せを効率良く選択することができる。
［プログラム］
本実施の形態におけるプログラムは、コンピュータに、図４に示すステップＡ１〜Ａ６を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施の形態におけるパラメータ最適化装置１０とパラメータ最適化方法とを実現することができる。この場合、コンピュータのプロセッサは、シミュレータ１１、データ解釈部１２、推論部１３、及びパラメータ決定部１４として機能し、処理を行なう。
また、本実施の形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、シミュレータ１１、データ解釈部１２、推論部１３、及びパラメータ決定部１４のいずれかとして機能しても良い。
ここで、本実施の形態におけるプログラムを実行することによって、パラメータ最適化装置１０を実現するコンピュータについて図５を用いて説明する。図５は、本発明の実施の形態におけるパラメータ最適化装置を実現するコンピュータの一例を示すブロック図である。
図５に示すように、コンピュータ１１０は、ＣＰＵ（CentralProcessing Unit）１１１と、メインメモリ１１２と、記憶装置１１３と、入力インターフェイス１１４と、表示コントローラ１１５と、データリーダ／ライタ１１６と、通信インターフェイス１１７とを備える。これらの各部は、バス１２１を介して、互いにデータ通信可能に接続される。
ＣＰＵ１１１は、記憶装置１１３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ１１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体１２０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス１１７を介して接続されたインターネット上で流通するものであっても良い。
また、記憶装置１１３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス１１４は、ＣＰＵ１１１と、キーボード及びマウスといった入力機器１１８との間のデータ伝送を仲介する。表示コントローラ１１５は、ディスプレイ装置１１９と接続され、ディスプレイ装置１１９での表示を制御する。
データリーダ／ライタ１１６は、ＣＰＵ１１１と記録媒体１２０との間のデータ伝送を仲介し、記録媒体１２０からのプログラムの読み出し、及びコンピュータ１１０における処理結果の記録媒体１２０への書き込みを実行する。通信インターフェイス１１７は、ＣＰＵ１１１と、他のコンピュータとの間のデータ伝送を仲介する。
また、記録媒体１２０の具体例としては、ＣＦ（CompactFlash（登録商標））及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記録媒体、又はＣＤ−ＲＯＭ（Compact DiskRead Only Memory）などの光学記録媒体が挙げられる。
なお、本実施の形態におけるパラメータ最適化装置１０は、プログラムがインストールされたコンピュータではなく、各部に対応したハードウェアを用いることによっても実現可能である。更に、パラメータ最適化装置１０は、一部がプログラムで実現され、残りの部分がハードウェアで実現されていてもよい。
上述した実施の形態の一部又は全部は、以下に記載する（付記１）〜（付記９）によって表現することができるが、以下の記載に限定されるものではない。
（付記１） パラメータを入力として、特定の事象についてのシミュレーションを実行する、シミュレータと、
前記シミュレータからの出力の結果を論理表現に変換する、データ解釈部と、
前記論理表現、前記特定の事象の目的状態を示すクエリ、及び前記特定の事象について予め用意されている知識情報を用いて、前記特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する、推論部と、
前記推論パスから、前記シミュレーションにおいて入力となる新たなパラメータを決定する、パラメータ決定部と、
を備え、
前記シミュレータは、前記新たなパラメータが決定されると、前記新たなパラメータを入力として、前記特定の事象についてのシミュレーションを再度実行する、
ことを特徴とするパラメータ最適化装置。
（付記２） 前記データ解釈部は、前記シミュレータからの出力の結果を、予め設定されたルールに基づいて、一階述語論理に変換する、
付記１に記載のパラメータ最適化装置。
（付記３） 前記パラメータ決定部は、既に実行されている前記シミュレーションにおけるパラメータ及び出力結果を用いてベイズ的最適化を実行して、パラメータの候補を決定し、更に、前記推論パスに基づいて、前記パラメータの候補を補正することによって、前記新たなパラメータを決定する、
付記１または２に記載のパラメータ最適化装置。
（付記４）
（ａ）パラメータを入力として、特定の事象についてのシミュレーションを実行する、ステップと、
（ｂ）前記シミュレーションの結果を論理表現に変換する、ステップと、
（ｃ）前記論理表現、前記特定の事象の目的状態を示すクエリ、及び前記特定の事象について予め用意されている知識情報を用いて、前記特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する、ステップと、
（ｄ）前記推論パスから、前記シミュレーションにおいて入力となる新たなパラメータを決定する、ステップとを有し、
前記新たなパラメータが決定されると、前記（ａ）のステップにおいて、前記新たなパラメータを入力として、前記特定の事象についてのシミュレーションを再度実行する、
ことを特徴とするパラメータ最適化方法。
（付記５）
前記（ｂ）のステップにおいて、前記シミュレーションの結果を、予め設定されたルールに基づいて、一階述語論理に変換する、
付記４に記載のパラメータ最適化方法。
（付記６）
前記（ｄ）のステップにおいて、既に実行されている前記シミュレーションにおけるパラメータ及び出力結果を用いてベイズ的最適化を実行して、パラメータの候補を決定し、更に、前記推論パスに基づいて、前記パラメータの候補を補正することによって、前記新たなパラメータを決定する、
付記４または５に記載のパラメータ最適化方法。
（付記７）
コンピュータに、
（ａ）パラメータを入力として、特定の事象についてのシミュレーションを実行する、ステップと、
（ｂ）前記シミュレーションの結果を論理表現に変換する、ステップと、
（ｃ）前記論理表現、前記特定の事象の目的状態を示すクエリ、及び前記特定の事象について予め用意されている知識情報を用いて、前記特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する、ステップと、
（ｄ）前記推論パスから、前記シミュレーションにおいて入力となる新たなパラメータを決定する、ステップとを実行させ、
前記新たなパラメータが決定されると、前記（ａ）のステップにおいて、前記新たなパラメータを入力として、前記特定の事象についてのシミュレーションを再度実行させるプログラム。
（付記８）
前記（ｂ）のステップにおいて、前記シミュレーションの結果を、予め設定されたルールに基づいて、一階述語論理に変換する、
付記７に記載のプログラム。
（付記９）
前記（ｄ）のステップにおいて、既に実行されている前記シミュレーションにおけるパラメータ及び出力結果を用いてベイズ的最適化を実行して、パラメータの候補を決定し、更に、前記推論パスに基づいて、前記パラメータの候補を補正することによって、前記新たなパラメータを決定する、
付記７または８に記載のプログラム。
以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、２０１６年１１月７日に出願された日本出願特願２０１６−２１７５９７を基礎とする優先権を主張し、その開示の全てをここに取り込む。
以上のように、本発明によれば、特定の事象についてのシミュレーションを実行する際に、最適なパラメータの組合せを効率良く選択することができる。本発明は、シミュレーションが行なわれる種々の分野に有用である。
１０ パラメータ最適化装置
１１ シミュレータ
１２ データ解釈部
１３ 推論部
１４ パラメータ決定部
１５ 解釈ルールデータベース
１６ 知識データベース
１７ 変換ルールデータベース
１１０ コンピュータ
１１１ ＣＰＵ
１１２ メインメモリ
１１３ 記憶装置
１１４ 入力インターフェイス
１１５ 表示コントローラ
１１６ データリーダ／ライタ
１１７ 通信インターフェイス
１１８ 入力機器
１１９ ディスプレイ装置
１２０ 記録媒体
１２１ バス

Claims (9)

  1. パラメータを入力として、特定の事象についてのシミュレーションを実行する、シミュレータと、
    前記シミュレータからの出力の結果を論理表現に変換する、データ解釈部と、
    前記論理表現、前記特定の事象の目的状態を示すクエリ、及び前記特定の事象について予め用意されている知識情報を用いて、前記特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する、推論部と、
    前記推論パスから、前記シミュレーションにおいて入力となる新たなパラメータを決定する、パラメータ決定部と、
    を備え、
    前記シミュレータは、前記新たなパラメータが決定されると、前記新たなパラメータを入力として、前記特定の事象についてのシミュレーションを再度実行する、
    ことを特徴とするパラメータ最適化装置。
  2. 前記データ解釈部は、前記シミュレータからの出力の結果を、予め設定されたルールに基づいて、一階述語論理に変換する、
    請求項１に記載のパラメータ最適化装置。
  3. 前記パラメータ決定部は、既に実行されている前記シミュレーションにおけるパラメータ及び出力結果を用いてベイズ的最適化を実行して、パラメータの候補を決定し、更に、前記推論パスに基づいて、前記パラメータの候補を補正することによって、前記新たなパラメータを決定する、
    請求項１または２に記載のパラメータ最適化装置。
  4. コンピュータが、
    （ａ）パラメータを入力として、特定の事象についてのシミュレーションを実行する、ステップと、
    （ｂ）前記シミュレーションの結果を論理表現に変換する、ステップと、
    （ｃ）前記論理表現、前記特定の事象の目的状態を示すクエリ、及び前記特定の事象について予め用意されている知識情報を用いて、前記特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する、ステップと、
    （ｄ）前記推論パスから、前記シミュレーションにおいて入力となる新たなパラメータを決定する、ステップとを実行し、
    前記新たなパラメータが決定されると、前記（ａ）のステップにおいて、前記新たなパラメータを入力として、前記特定の事象についてのシミュレーションを再度実行する、
    ことを特徴とするパラメータ最適化方法。
  5. 前記コンピュータが、
    前記（ｂ）のステップにおいて、前記シミュレーションの結果を、予め設定されたルールに基づいて、一階述語論理に変換する、
    請求項４に記載のパラメータ最適化方法。
  6. 前記コンピュータが、
    前記（ｄ）のステップにおいて、既に実行されている前記シミュレーションにおけるパラメータ及び出力結果を用いてベイズ的最適化を実行して、パラメータの候補を決定し、更に、前記推論パスに基づいて、前記パラメータの候補を補正することによって、前記新たなパラメータを決定する、
    請求項４または５に記載のパラメータ最適化方法。
  7. コンピュータに、
    （ａ）パラメータを入力として、特定の事象についてのシミュレーションを実行する、ステップと、
    （ｂ）前記シミュレーションの結果を論理表現に変換する、ステップと、
    （ｃ）前記論理表現、前記特定の事象の目的状態を示すクエリ、及び前記特定の事象について予め用意されている知識情報を用いて、前記特定の事象において生じる現象を推測し、推測した現象から推論パスを生成する、ステップと、
    （ｄ）前記推論パスから、前記シミュレーションにおいて入力となる新たなパラメータを決定する、ステップとを実行させ、
    前記新たなパラメータが決定されると、前記（ａ）のステップにおいて、前記新たなパラメータを入力として、前記特定の事象についてのシミュレーションを再度実行させるプログラム。
  8. 前記（ｂ）のステップにおいて、前記シミュレーションの結果を、予め設定されたルールに基づいて、一階述語論理に変換する、
    請求項７に記載のプログラム。
  9. 前記（ｄ）のステップにおいて、既に実行されている前記シミュレーションにおけるパラメータ及び出力結果を用いてベイズ的最適化を実行して、パラメータの候補を決定し、更に、前記推論パスに基づいて、前記パラメータの候補を補正することによって、前記新たなパラメータを決定する、
    請求項７または８に記載のプログラム。
JP2018548600A 2016-11-07 2017-10-11 パラメータ最適化装置、パラメータ最適化方法、及びプログラム Active JP6977733B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016217597 2016-11-07
JP2016217597 2016-11-07
PCT/JP2017/036818 WO2018083950A1 (ja) 2016-11-07 2017-10-11 パラメータ最適化装置、パラメータ最適化方法、及びコンピュータ読み取り可能な記録媒体

Publications (2)

Publication Number Publication Date
JPWO2018083950A1 JPWO2018083950A1 (ja) 2019-09-19
JP6977733B2 true JP6977733B2 (ja) 2021-12-08

Family

ID=62076115

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018548600A Active JP6977733B2 (ja) 2016-11-07 2017-10-11 パラメータ最適化装置、パラメータ最適化方法、及びプログラム

Country Status (3)

Country Link
US (1) US20190266503A1 (ja)
JP (1) JP6977733B2 (ja)
WO (1) WO2018083950A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10684612B2 (en) * 2018-10-10 2020-06-16 The Climate Corporation Agricultural management recommendations based on blended model
CN113661339B (zh) 2019-04-01 2023-04-07 麦格纳动力系有限公司 提供四种操作模式的旋转电离合器组件
JP7455769B2 (ja) * 2021-02-02 2024-03-26 株式会社東芝 情報処理装置、情報処理方法、プログラム、および情報処理システム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04330772A (ja) * 1991-04-02 1992-11-18 Sharp Corp 回路シミュレーション用モデル・パラメータ最適化システム
US6141565A (en) * 1997-11-13 2000-10-31 Metawave Communications Corporation Dynamic mobile parameter optimization
JP4614341B2 (ja) * 2005-05-20 2011-01-19 株式会社国際電気通信基礎技術研究所 シミュレーションプログラム、シミュレーション方法及びシミュレーション装置

Also Published As

Publication number Publication date
US20190266503A1 (en) 2019-08-29
WO2018083950A1 (ja) 2018-05-11
JPWO2018083950A1 (ja) 2019-09-19

Similar Documents

Publication Publication Date Title
US20210342699A1 (en) Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation
US20210390416A1 (en) Variable parameter probability for machine-learning model generation and training
US11610131B2 (en) Ensembling of neural network models
US11853893B2 (en) Execution of a genetic algorithm having variable epoch size with selective execution of a training algorithm
JP7035734B2 (ja) 強化学習プログラム、強化学習方法、および強化学習装置
JP6977733B2 (ja) パラメータ最適化装置、パラメータ最適化方法、及びプログラム
JP6631747B2 (ja) 植生指標算出装置、植生指標算出方法、及びプログラム
JP6892424B2 (ja) ハイパーパラメータチューニング方法、装置及びプログラム
JP2016071697A (ja) 学習装置、処理装置、予測システム、学習方法、処理方法、およびプログラム
KR102577188B1 (ko) 목표 시스템에 대한 제어 시스템 생성
JP6325762B1 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
CN110276081B (zh) 文本生成方法、装置及存储介质
JPWO2016121432A1 (ja) 技能承継支援装置、技能承継支援方法、及びコンピュータ読み取り可能な記録媒体
JP2020155010A (ja) ニューラルネットワークのモデル縮約装置
JP2023123636A (ja) ハイパーパラメータチューニング方法、装置及びプログラム
US20190130263A1 (en) Randomized reinforcement learning for control of complex systems
US20190034526A1 (en) Interactive visualization for outlier identification
WO2023042284A1 (ja) 農作物育成支援装置、農作物育成支援方法、及び農作物育成支援プログラム
EP4116891A1 (en) Model generation program and method, and information processing device
JP7198474B2 (ja) モデリングシステム
Madureira Ensemble reinforcement learning to forecast time series data: a performance analysis
WO2023157890A1 (ja) 情報処理システム、情報処理方法および情報処理プログラム
CN117688404B (zh) 智能施肥配方决策方法、装置、设备、介质及程序产品
US20230138268A1 (en) Control system, control method, and control program
JP7127686B2 (ja) 仮説推論装置、仮説推論方法、及びプログラム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190423

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200903

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210713

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210906

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: 20211012

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211025

R150 Certificate of patent or registration of utility model

Ref document number: 6977733

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150