JP7301278B2

JP7301278B2 - 図面学習装置

Info

Publication number: JP7301278B2
Application number: JP2019055047A
Authority: JP
Inventors: 直多羅尾; 亮山口; 潔小川; 將人小笠原
Original assignee: Chudenko Corp
Current assignee: Chudenko Corp
Priority date: 2019-03-22
Filing date: 2019-03-22
Publication date: 2023-07-03
Anticipated expiration: 2039-03-22
Also published as: JP2020155011A

Description

本発明は、設計図面を学習して設計支援システム等を構築可能にする図面学習装置に関するものである。

従来より、設計を支援するための各種システムが知られており、例えば特許文献１には、図面情報をＣＡＤデータとしてＣＡＤ手段に入力し、ＣＡＤ手段から出力されたデータをＣＡＭ手段の入力仕様に整合させるように構成された図面設計自動処理システムが開示されている。

また、人工知能を用いた図形の学習方法も知られている。例えば特許文献２には、紙面上に描かれた線図形を取り込んで複数の特徴点を抽出し、特徴点で区切られる区間の曲率情報と対象図形のカテゴリ情報とをニューラルネットワークに入力し、対象図形をニューラルネットワークに学習させる処理を複数個の学習対象図形の数だけ繰り返して行い、学習用図形以外の新たな図形に対して当該図形の認識結果を得る線図形学習認識方法が開示されている。

また、特許文献３には、図面の認識方法において、蓄積された多数の事例データから一般性の高い少数の事例データを抽出することにより生成された基本データと，最新の事例データを含む最新履歴データとを合わせた学習用データを元に、ニューラルネットワークにより学習する方法が開示されている。

特開平６－４４３２９号公報特開平６－３０９４６５号公報特開平７－２３４９３７号公報

ところで、ニューラルネットワークに予め図面を学習させたシステムを利用することで、特許文献１のシステムとは異なり、どのような場合にどのような部品、装置、機器等を配置すればよいのか、あるいはそれらの連携をどのようにとればよいのか、より積極的に設計を支援可能なシステムを構築できると考えられる。

ここで、上記ニューラルネットワークを用いた図面の学習方法としては、特許文献２、３に開示されている方法が知られている。しかしながら、ニューラルネットワークを用いて図面を学習させる場合、いずれの方法であってもニューラルネットワークに入力する学習用の図面データが大量に必要になる。１つの企業においてそのような大量の図面データを保有していれば、その企業でニューラルネットワークの学習を完了させることができるが、ニューラルネットワークの学習を完了させることができるほどの大量の図面データを保有している企業は限られるので、実際には、ある企業が保有する図面データでニューラルネットワークの学習を完了させ、その学習が完了したニューラルネットワークを別の企業で利用して設計支援を行うケースが多いと想定される。または、複数の企業の図面データをニューラルネットワークに入力することで学習に必要な図面データ量を確保し、学習が完了したニューラルネットワークを、それらいずれかの企業あるいは別の企業で利用して設計支援を行うケースも想定される。

これらの場合に問題となるのが図面データの漏洩である。すなわち、図面データにはその企業で蓄積された設計ノウハウや、各種機密事項等、社外秘の情報が含まれていることが多く、そのような図面データを使用してニューラルネットワークの学習を行い、学習が完了したニューラルネットワークを別の企業で利用するまでの過程で、社外秘の情報が外部に漏洩してしまうことを懸念する企業が存在すると考えられる。

ところが、ニューラルネットワークによる学習開始から学習完了、学習完了後のニューラルネットワークの利用まで、どのようなことが行われているのか外部から見ることはできないので、社外秘の情報が外部に漏れないようになっていることを、学習用図面データを提供する提供元の企業に保証するのは困難であった。そのため、大量の図面データを保有している企業のみがニューラルネットワークの学習を行うことができることになり、例えば規模の小さな企業においては、ニューラルネットワークに予め図面を学習させたシステムの導入が進まなかった。

本発明は、かかる点に鑑みてなされたものであり、その目的とするところは、学習用図面データに含まれる社外秘の情報が漏洩しないようにして、学習用図面データを提供する企業以外の企業においてもニューラルネットワークを利用した設計支援システムを利用できるようにすることにある。

上記目的を達成するために、第１の発明は、学習用図面データをニューラルネットワークに入力して図面を学習させる図面学習装置において、前記ニューラルネットワークを有し、前記学習用図面データを提供する提供者側に設置される提供者側電子計算機を備え、前記提供者側電子計算機は、前記学習用図面データを前記ニューラルネットワークに入力する入力用データへ変換して当該入力用データを前記ニューラルネットワークに入力するように動作するプログラムを実行可能に構成されるとともに、学習済みの前記ニューラルネットワークのパラメータファイルを、前記ニューラルネットワークを設計支援システムに利用する利用者側に出力可能に構成されていることを特徴とする。

この構成によれば、学習用図面データを提供する提供者と、ニューラルネットワークを設計支援システムに利用する利用者とが異なっている場合に、提供者側電子計算機で実行されるプログラムによって学習用図面データが入力用データに変換されて、当該提供者側電子計算機が有するニューラルネットワークに入力され、ニューラルネットワークの学習が行われる。学習が完了すると、ニューラルネットワークのパラメータファイルが利用者側に出力される。このパラメータファイルは、単なる数値の羅列であるため、学習用図面データに含まれる社外秘の情報とはなり得ないデータである。したがって、大量の図面データを保有している１つの企業や、複数の企業でニューラルネットワークの学習を行う場合に、学習用図面データに含まれる社外秘の情報が漏洩しないように、ニューラルネットワークの学習を行うことが可能になる。そして、利用者側では、学習が完了したニューラルネットワークを設計支援システムに利用することで、より積極的に設計を支援可能なシステムを構築できる。

第２の発明は、学習用図面データをニューラルネットワークに入力して図面を学習させる図面学習装置において、前記ニューラルネットワークの上位層を有し、前記学習用図面データを提供する提供者側に設置される提供者側電子計算機と、前記上位層を固定し、当該上位層よりも下位層の学習が可能な前記ニューラルネットワークを有し、当該ニューラルネットワークを設計支援システムに利用する利用者側に設置される利用者側電子計算機とを備え、前記提供者側電子計算機は、前記学習用図面データを前記ニューラルネットワークの上位層に入力する入力用データへ変換して当該入力用データを前記ニューラルネットワークの上位層に入力するように動作するプログラムを実行可能に構成されるとともに、前記上位層から出力された中間出力を、前記利用者側電子計算機の前記ニューラルネットワークに出力可能に構成され、前記利用者側電子計算機は、前記上位層から出力された中間出力を前記ニューラルネットワークの下位層に入力して学習を行うように構成されていることを特徴とする。

この構成によれば、学習用図面データを提供する提供者と、ニューラルネットワークを設計支援システムに利用する利用者とが異なっている場合に、提供者側電子計算機で実行されるプログラムによって学習用図面データが入力用データに変換されて、当該提供者側電子計算機が有するニューラルネットワークの上位層に入力される。上位層から出力された中間出力は、利用者側電子計算機が有するニューラルネットワークの下位層に入力されて下位層の学習が行われる。この中間出力は、単なる数値の羅列であるため、学習用図面データに含まれる社外秘の情報とはなり得ないデータである。したがって、大量の図面データを保有している１つの企業や、複数の企業でニューラルネットワークの学習を行う場合に、学習用図面データに含まれる社外秘の情報が漏洩しないように、ニューラルネットワークの学習を行うことが可能になる。そして、利用者側では、学習が完了したニューラルネットワークを設計支援システムに利用することで、より積極的に設計を支援可能なシステムを構築できる。

第３の発明は、前記提供者側電子計算機は、当該提供者側電子計算機が有する前記ニューラルネットワークのパラメータを暗号化する暗号化プログラムを実行可能に構成されていることを特徴とする。

この構成によれば、ニューラルネットワークのパラメータが暗号化されるので、セキュリティをより一層高めることができる。

第４の発明は、前記提供者側電子計算機が有する前記ニューラルネットワークは暗号化されて当該提供者側電子計算機に保存されていることを特徴とする。

この構成によれば、ニューラルネットワーク自体が暗号化されて電子計算機に保存されているので、セキュリティをより一層高めることができる。

第５の発明は、前記提供者側電子計算機は、第１の提供者側に設置される第１の提供者側電子計算機と、当該第１の提供者とは異なる第２の提供者側に設置される第２の提供者側電子計算機と、当該第１及び第２の提供者とは異なる第３の提供者側に設置される第３の提供者側電子計算機とを含み、前記図面学習装置は、前記第１の提供者側電子計算機で得られた前記ニューラルネットワークの出力結果と、前記第２の提供者側電子計算機で得られた前記ニューラルネットワークの出力結果と、前記第３の提供者側電子計算機で得られた前記ニューラルネットワークの出力結果とが入力される多数決プログラムを実行可能に構成された提供者側電子計算機をさらに備えていることを特徴とする。

この構成によれば、提供者が複数存在する場合に、それぞれに提供者側電子計算機を設置してニューラルネットワークの学習を行うことが可能になる。そして、複数のニューラルネットワークの出力結果を多数決プログラムに入力することで、全てのニューラルネットワークの出力結果が一致していない場合に、合致する可能性の高い１つの出力結果を出力することができる。提供者の数は上述した数に限定されるものではなく、他の提供者が存在していても構わない。

第６の発明は、前記提供者側電子計算機は、第１の提供者側に設置される第１の提供者側電子計算機と、当該第１の提供者とは異なる第２の提供者側に設置される第２の提供者側電子計算機とを含み、前記利用者側電子計算機は、前記第１の提供者側電子計算機から出力された中間出力と、前記第２の提供者側電子計算機から出力された中間出力とを前記ニューラルネットワークの下位層に入力して学習を行うように構成されていることを特徴とする。

この構成によれば、提供者が複数存在する場合に、それぞれに提供者側電子計算機を設置することが可能になる。そして、複数のニューラルネットワークの中間出力を利用者側電子計算機のニューラルネットワークの下位層に入力して学習を行うことができる。提供者の数は上述した数に限定されるものではなく、他の提供者が存在していても構わない。

本発明によれば、学習用図面データに含まれる社外秘の情報が漏洩しないようにすることができるので、学習用図面データを提供する企業以外の企業においてもニューラルネットワークを利用した設計支援システムを利用できる。

実施形態１に係る図面学習装置の概略構成を示す図である。実施形態１に係る図面学習装置による提供者と利用者間のデータのやり取りを示す図である。実施形態１に係る図面学習の手順を示すフローチャートである。実施形態２に係る図面学習装置の概略構成を示す図である。多数決プログラムによって最終出力を得る場合を説明する図である。実施形態３に係る図面学習装置による提供者と利用者間のデータのやり取りを示す図である。実施形態３に係る図面学習の手順を示すフローチャートである。複数の提供者が存在する場合の中間出力の処理要領を説明する図である。

以下、本発明の実施形態を図面に基づいて詳細に説明する。尚、以下の好ましい実施形態の説明は、本質的に例示に過ぎず、本発明、その適用物或いはその用途を制限することを意図するものではない。

（実施形態１）
図１は、本発明の実施形態１に係る図面学習装置１の概略構成を示すものである。図面学習装置１は、学習用図面データをニューラルネットワークに入力して図面を学習させるように構成されている。図面学習装置１は、ニューラルネットワークを有し、学習用図面データを提供する提供者側に設置される提供者側電子計算機１０と、ニューラルネットワークを設計支援システムに利用する利用者側に設置される利用者側電子計算機１００とを備えている。提供者側電子計算機１０は、図面学習専用の電子計算機であり、提供者側において他の業務等が行えないようにする。また、ニューラルネットワークは、複数の層を有しており、いわゆるディープラーニングが可能なネットワークである。

提供者と利用者とは別の者であり、例えば各種設計会社、施工会社、ソフトウェア製作会社等を挙げることができ、一般的には企業である。建築設備の設計会社や施工会社が上記提供者や利用者となり得るが、上記提供者や利用者はこれら企業に限られるものではなく、設計者等であってもよい。提供者側電子計算機１０は学習用図面データを提供する企業側に設置される。利用者側電子計算機１００は、ニューラルネットワークを設計支援システムに利用する企業側に設置される。

また、学習用図面データは、ニューラルネットワークに入力して図面学習を実行させることが可能なデータであればよく、例えば各種フォーマットのＣＡＤデータを挙げることができるが、これ以外にも、例えば紙の図面をスキャンした電子データを含むこともできる。図面データには、その企業で蓄積された設計ノウハウや、各種機密事項等、社外秘の情報が含まれていることが多いが、本実施形態では、そのような情報が含まれている図面データも学習用図面データとすることができる。

図１に示すように、提供者側電子計算機１０と利用者側電子計算機１００とは、ネットワーク回線２００を介して接続されており、互いにデータの送受信が可能に構成されている。ネットワーク回線２００は、例えばインターネット等で構成されている。また、提供者側電子計算機１０とネットワーク回線２００との接続は、ＬＡＮケーブル等を利用した有線接続であってもよいし、無線ＬＡＮ等を利用した無線接続であってもよい。利用者側電子計算機１００とネットワーク回線２００との接続も同様である。

提供者側電子計算機１０及び利用者側電子計算機１００は、パーソナルコンピュータで構成することができる。すなわち、提供者側電子計算機１０は、本体１１と、ディスプレイ１２と、マウス１３と、キーボード１４とを備えている。本体１１は、制御部１１ａと、記憶部１１ｂとを備えている。制御部１１ａは、例えばＣＰＵ等の演算処理装置を有している。記憶部１１ｂは、ＲＯＭやＲＡＭを含むとともに、ハードディスク等も含んでおり、更に外部記憶装置を含んでいてもよい。記憶部１１ｂには、ＯＳや各種プログラムを記憶させることが可能になっている。制御部１１ａは、マウス１３やキーボード１４からの入力を検出して記憶部１１ｂに記憶されているプログラムに従って動作し、処理結果等をディスプレイ１２に表示させるように構成されている。また、記憶部１１ｂには、ニューラルネットワークのデータも記憶させることができるようになっている。

利用者側電子計算機１００は提供者側電子計算機１０と同様に構成されており、本体１０１と、ディスプレイ１０２と、マウス１０３と、キーボード１０４とを備えている。

図２は、図面学習装置による提供者と利用者間のデータのやり取りを示す図であり、提供者側電子計算機１０及び利用者側電子計算機１００を模式的に示している。利用者側電子計算機１００は、入力用データ作成プログラムを記憶部１０１ｂに記憶し、この入力用データ作成プログラムを提供者側電子計算機１０に出力可能に構成されている。入力用データ作成プログラムは、提供された学習用図面データをニューラルネットワーク３００に入力する入力用データへ変換して当該入力用データをニューラルネットワーク３００に入力するように動作するプログラムである。また、利用者側電子計算機１００の記憶部１０１ｂには、ニューラルネットワーク３００のデータも記憶させることができるようになっている。

提供者側電子計算機１０は、利用者側電子計算機１００から出力された入力用データ作成プログラムを記憶部１１ｂに記憶可能に構成されている。また、提供者側電子計算機１０には、学習用図面データが入力可能になっている。

つまり、入力用データ作成プログラム及びニューラルネットワーク３００の初期パラメータ（データ）を利用者側電子計算機１００から提供者側電子計算機１０に送り、提供者側電子計算機１０では、提供者から提供された学習用図面データと正解データによってニューラルネットワーク３００の学習を行い、学習済みのニューラルネットワーク３００のパラメータファイルを利用者側電子計算機１００に送る。

以下、具体的な手法について説明する。図３に示すフローチャートのステップＳＡ１では、入出力の定義、即ち、ニューラルネットワーク３００に対する入力と出力の定義を行う。具体的には、解決すべき課題に対し、何について学習を行うのかを決定するステップであり、ＣＡＤ図面における課題例としては、図面に描かれた部品を認識する人工知能を作成することが挙げられる。この場合、入力は、図面の一部分を切り出した画像、出力は画像に描かれている部品の分類カテゴリと定義することができる。さらに、ニューラルネットワーク３００では入出力のサイズを固定する必要があるため、画像の画素数と分類カテゴリの種類数をここで決定する。より一般的には、ネットワークの入出力はベクトルデータであり、入出力のサイズはベクトルの次元数と言い換えることになり、画像もカテゴリもベクトルデータとして扱うことができる。

ステップＳＡ１が終わると、ステップＳＡ２及びステップＳＡ３に進む。ステップＳＡ２とステップＳＡ３とは並行してもよいし、一方を先に他方を後に行ってもよい。ステップＳＡ２では、入出力の定義を受けて、それに適したニューラルネットワークの設計を行う。具体的には、ニューラルネットワークの層数や各層のニューロン数（パラメータ数）を決定する。決定された情報は、提供者側電子計算機１０に送られて、提供者側電子計算機１０の設定がなされる。

ステップＳＡ３では、上述した入力用データ作成プログラムを作成する。入力用データの大本となる図面データから、定義された入出力データの形式に変換するプログラムを作成する。例えば、ＣＡＤ図面から、切り抜き画像（ＰＮＧ等）とカテゴリの組を生成する。入力用データ作成プログラムは、提供者側電子計算機１０に送られて、提供者側電子計算機１０で実行可能な状態にされる。

パラメータを初期化したニューラルネットワークが設定され、入力用データ作成プログラムが実行可能な状態とされた提供者側電子計算機１０を提供者側の企業に設置して、利用者側電子計算機１００との接続を行い、図面学習装置１が動作可能となるようにする。または、提供者側の企業に設置した提供者側電子計算機１０に対してパラメータを初期化したニューラルネットワークの設定や、入力用データ作成プログラムの送信を行うようにしてもよい。

ステップＳＡ４を経た後、ステップＳＡ５に進む。ステップＳＡ５では学習を実行する。具体的には、提供者が学習用図面データを提供者側電子計算機１０に入力することだけである。学習用図面データが提供者側電子計算機１０に入力されると、入力用データ作成プログラムによって学習用図面データが入力用データへ変換される。入力用データは、入力用データ作成プログラムの動作によってニューラルネットワーク３００に入力される。ニューラルネットワーク３００の学習とは、ニューラルネットワーク３００の出力が正解データと一致するように多数のパラメータを変化させることであり、入力用データは画像、正解データは画像に対応するカテゴリ（番号）である。

また、提供者側電子計算機１０は、当該提供者側電子計算機１０が有するニューラルネットワーク３００のパラメータを暗号化する暗号化プログラムを実行可能に構成されている。暗号化プログラムは、従来から周知のプログラムを用いることができる。パラメータの復号は、管理者等が持つ復号鍵によって行うことができる。また、提供者側電子計算機１０が有するニューラルネットワーク３００は暗号化されて当該提供者側電子計算機１０に保存されている。ニューラルネットワーク３００を暗号化するプログラムは、従来から周知のプログラムを用いることができる。ニューラルネットワーク３００の復号は、管理者等が持つ復号鍵によって行うことができる。管理者は、例えば利用者であってもよいし、第三者に機密情報等の管理を委託している場合にはその第三者であってもよい。

ステップＳＡ５を経た後、ステップＳＡ６に進む。ステップＳＡ６では、学習済みのニューラルネットワーク３００のパラメータファイルを利用者側電子計算機１００に出力する。これにより、利用者側電子計算機１００では、学習済みのニューラルネットワーク３００が構築される。

ステップＳＡ６を経た後、ステップＳＡ７に進む。ステップＳＡ７は後処理ステップであり、後処理ステップでは、提供者側電子計算機１０の記憶部１１ｂを破壊処理して学習用図面データが外部に漏洩しないようにする。記憶部１１ｂは、物理的に破壊する等、専門処理業者に委託して処理してもよい。また、提供者側電子計算機１０は回収することなく、提供者側で管理、廃棄する。これにより、提供者側電子計算機１０に学習用図面データが保存されている場合に、当該学習用図面データが外部に漏洩することはない。

（作用効果）
以上説明したように、この実施形態に係る図面学習装置１によれば、学習用図面データを提供する提供者と、学習済みのニューラルネットワーク３００を設計支援システムに利用する利用者とが異なっている場合に、提供者側電子計算機１０で実行される入力用データ作成プログラムによって学習用図面データが入力用データに変換されて、当該提供者側電子計算機１０が有するニューラルネットワーク３００に入力され、ニューラルネットワーク３００の学習が行われる。学習が完了すると、ニューラルネットワーク３００のパラメータファイルが利用者側電子計算機１００に出力される。このパラメータファイルは、単なる数値の羅列であるため、学習用図面データに含まれる社外秘の情報とはなり得ないデータである。

したがって、大量の図面データを保有している１つの企業や、複数の企業でニューラルネットワーク３００の学習を行う場合に、学習用図面データに含まれる社外秘の情報が漏洩しないように、ニューラルネットワーク３００の学習を行うことが可能になる。そして、利用者側では、学習が完了したニューラルネットワーク３００を設計支援システムに利用することで、より積極的に設計を支援可能なシステムを構築できる。

尚、ニューラルネットワーク３００を設計支援システムに利用する手法については詳述しないが、従来から周知の手法を用いることができる。

（実施形態２）
図４及び図５は、本発明の実施形態２に係る図面学習装置１を示している。この実施形態２では、学習用図面データの提供者が複数存在していて、提供者側電子計算機１００が多数決プログラムを実行可能に構成されている点で、実施形態１とは異なっている。以下、実施形態１と同じ部分には同じ符号を付して説明を省略し、異なる部分について詳細に説明する。

提供者側電子計算機は、第１の提供者（企業Ａ）側に設置される第１の提供者側電子計算機１０と、当該第１の提供者とは異なる第２の提供者（企業Ｂ）側に設置される第２の提供者側電子計算機２０と、当該第１及び第２の提供者とは異なる第３の提供者（企業Ｃ）側に設置される第３の提供者側電子計算機３０とを含んでいる。

図５に示すように、第１の提供者側電子計算機１０では、企業Ａから提供される学習用図面データでニューラルネットワーク３００Ａの学習を実行し、第２の提供者側電子計算機２０では、企業Ｂから提供される学習用図面データでニューラルネットワーク３００Ｂの学習を実行し、第３の提供者側電子計算機３０では、企業Ｃから提供される学習用図面データでニューラルネットワーク３００Ｃの学習を実行する。つまり、第１～第３の提供者側電子計算機１０、２０、３０のそれぞれで互いに異なる図面データを使用して学習を実行するので、ニューラルネットワーク３００Ａ～Ｃで互いに異なるパラメータが得られる。よって、同じ入力データを入力しても出力が互いに異なることが考えられる。提供者側電子計算機は、３つ以上あってもよい。

利用者側電子計算機１００の記憶部１０１ｂには、多数決プログラムが記憶されており、利用者側電子計算機１００は多数決プログラムを実行可能に構成されている。ニューラルネットワーク３００Ａ～Ｃの出力結果である出力Ａ、出力Ｂ及び出力Ｃを利用者側電子計算機１００の多数決プログラムに入力する。多数決プログラムは入力された出力Ａ～Ｃのうち、多いものを最終出力として出力するように構成されている。

この実施形態２の場合も実施形態１と同様に学習用図面データに含まれる社外秘の情報が漏洩しないように、ニューラルネットワーク３００の学習を行うことができる。また、複数の企業の図面データを利用してニューラルネットワーク３００の学習を行うことができる。

（実施形態３）
図６～８は、本発明の実施形態３に係る図面学習装置１を示している。この実施形態３では、ニューラルネットワークの上位層と下位層とを別の電子計算機で学習させるようにしている点で、実施形態１とは異なっている。以下、実施形態１と同じ部分には同じ符号を付して説明を省略し、異なる部分について詳細に説明する。

利用者側電子計算機１００は、ニューラルネットワークの上位層のデータを記憶させることができるようになっている。また、利用者側電子計算機１００は、ニューラルネットワークの上位層３０１を固定し、当該上位層３０１よりも下位層３０２の学習が可能なニューラルネットワークを有している。

利用者側電子計算機１００は、ニューラルネットワークの上位層３０１の初期パラメータを提供者側電子計算機１０に送る。ニューラルネットワークの上位層３０１については、例えばシステムの稼働前に利用者が事前に入手した少数の図面を使用して事前に学習させておく。この時点では学習用図面データの量が十分ではないため、ニューラルネットワーク全体としての性能はあまり高くないが、上位層３０１だけ見れば、十分実用的な性能を持っていると考えられる。この上位層３０１を提供者側電子計算機１０に送ることになるため、提供者側電子計算機１０では上位層３０１の学習を行う必要はない。もちろん利用者側電子計算機１００においても学習は行わない。

学習用図面データは、入力用データ作成プログラムによってニューラルネットワークの上位層３０１に入力する入力用データへ変換される。入力用データは、入力用データ作成プログラムによってニューラルネットワークの上位層３０１に入力される。ニューラルネットワークの上位層３０１から出力された中間出力は、利用者側電子計算機１００のニューラルネットワークに出力可能に構成されている。

以下、具体的な手法について説明する。図７に示すフローチャートのステップＳＢ１、ＳＢ２、ＳＢ３は、それぞれ、図３に示すフローチャートのステップＳＡ１、ＳＡ２、ＳＡ３と同じである。

ステップＳＢ４では、下位層のパラメータを固定したニューラルネットワークの上位層３０１を提供者側電子計算機１０に設定する。また、提供者側電子計算機１を、入力用データ作成プログラムが実行可能な状態とする。

ステップＳＢ４を経た後、ステップＳＢ５に進む。ステップＳＢ５では、ニューラルネットワークの上位層３０１から出力された中間出力と、正解データを利用者側電子計算機１００に出力する。提供者は、送信データの生成過程を検証することが可能になる。

ステップＳＢ６では、利用者側電子計算機１００のニューラルネットワークの下位層３０２に中間出力を入力するとともに正解データを利用して下位層３０２の学習を行う。その後のステップＳＢ７は、図３に示すフローチャートのステップＳＡ７と同じである。

（作用効果）
以上説明したように、この実施形態に係る図面学習装置１によれば、学習用図面データを提供する提供者と、ニューラルネットワークを設計支援システムに利用する利用者とが異なっている場合に、提供者側電子計算機１０で実行される入力用データ作成プログラムによって学習用図面データが入力用データに変換されて、提供者側電子計算機１０が有するニューラルネットワークの上位層３０１に入力される。上位層３０１から出力された中間出力は、利用者側電子計算機１００が有するニューラルネットワークの下位層３０２に入力されて下位層３０２の学習が行われる。この中間出力は、単なる数値の羅列であるため、学習用図面データに含まれる社外秘の情報とはなり得ないデータである。

したがって、大量の図面データを保有している１つの企業や、複数の企業でニューラルネットワークの学習を行う場合に、学習用図面データに含まれる社外秘の情報が漏洩しないように、ニューラルネットワークの学習を行うことが可能になる。そして、利用者側では、学習が完了したニューラルネットワークを設計支援システムに利用することで、より積極的に設計を支援可能なシステムを構築できる。

図８に示すように、提供者側電子計算機は、第１の提供者（企業Ａ）側に設置される第１の提供者側電子計算機１０と、当該第１の提供者とは異なる第２の提供者（企業Ｂ）側に設置される第２の提供者側電子計算機２０と、当該第１及び第２の提供者とは異なる第３の提供者（企業Ｃ）側に設置される第３の提供者側電子計算機３０とを含んでいてもよい。

この場合、利用者側電子計算機１００は、第１の提供者側電子計算機１０から出力された中間出力と、第２の提供者側電子計算機２０から出力された中間出力と、第３の提供者側電子計算機３０から出力された中間出力とをニューラルネットワークの下位層３０２に入力して学習を行うように構成することができる。

図８に示す例では、学習用図面データの提供者が複数存在する場合に、それぞれに提供者側電子計算機１０、２０、３０を設置することが可能になる。そして、複数のニューラルネットワークの中間出力を利用者側電子計算機１００のニューラルネットワークの下位層３０２に入力して学習を行うことができる。

上述の実施形態はあらゆる点で単なる例示に過ぎず、限定的に解釈してはならない。さらに、特許請求の範囲の均等範囲に属する変形や変更は、全て本発明の範囲内のものである。

以上説明したように、本発明に係る図面学習装置は、例えば、ＣＡＤデータを学習用図面データとして使用する場合に利用することができるものである。

１図面学習装置
１０第１の提供者側電子計算機
２０第２の提供者側電子計算機
３０第３の提供者側電子計算機
１００利用者側電子計算機
３００ニューラルネットワーク
３０１上位層
３０２下位層

Claims

学習用図面データをニューラルネットワークに入力して図面を学習させる図面学習装置において、
前記ニューラルネットワークの上位層を有し、前記学習用図面データを提供する提供者側に設置される提供者側電子計算機と、
前記上位層を固定し、当該上位層よりも下位層の学習が可能な前記ニューラルネットワークを有し、当該ニューラルネットワークを設計支援システムに利用する利用者側に設置される利用者側電子計算機とを備え、
前記提供者側電子計算機は、前記学習用図面データを前記ニューラルネットワークの上位層に入力する入力用データへ変換して当該入力用データを前記ニューラルネットワークの上位層に入力するように動作するプログラムを実行可能に構成されるとともに、前記上位層から出力された中間出力を、前記利用者側電子計算機の前記ニューラルネットワークに出力可能に構成され、
前記利用者側電子計算機は、前記上位層から出力された中間出力を前記ニューラルネットワークの下位層に入力して学習を行うように構成されていることを特徴とする図面学習装置。
請求項１に記載の図面学習装置において、
前記提供者側電子計算機は、当該提供者側電子計算機が有する前記ニューラルネットワークのパラメータを暗号化する暗号化プログラムを実行可能に構成されていることを特徴とする図面学習装置。
請求項１または２に記載の図面学習装置において、
前記提供者側電子計算機が有する前記ニューラルネットワークは暗号化されて当該提供者側電子計算機に保存されていることを特徴とする図面学習装置。
学習用図面データをニューラルネットワークに入力して図面を学習させる図面学習装置において、
前記ニューラルネットワークを有し、前記学習用図面データを提供する提供者側に設置される提供者側電子計算機を備え、
前記提供者側電子計算機は、前記学習用図面データを前記ニューラルネットワークに入力する入力用データへ変換して当該入力用データを前記ニューラルネットワークに入力するように動作するプログラムを実行可能に構成されるとともに、学習済みの前記ニューラルネットワークのパラメータファイルを、前記ニューラルネットワークを設計支援システムに利用する利用者側に出力可能に構成され、
前記提供者側電子計算機は、第１の提供者側に設置される第１の提供者側電子計算機と、当該第１の提供者とは異なる第２の提供者側に設置される第２の提供者側電子計算機と、当該第１及び第２の提供者とは異なる第３の提供者側に設置される第３の提供者側電子計算機とを含み、
前記図面学習装置は、前記第１の提供者側電子計算機で得られた前記ニューラルネットワークの出力結果と、前記第２の提供者側電子計算機で得られた前記ニューラルネットワークの出力結果と、前記第３の提供者側電子計算機で得られた前記ニューラルネットワークの出力結果とが入力される多数決プログラムを実行可能に構成された提供者側電子計算機をさらに備えていることを特徴とする図面学習装置。
請求項１に記載の図面学習装置において、
前記提供者側電子計算機は、第１の提供者側に設置される第１の提供者側電子計算機と、当該第１の提供者とは異なる第２の提供者側に設置される第２の提供者側電子計算機とを含み、
前記利用者側電子計算機は、前記第１の提供者側電子計算機から出力された中間出力と、前記第２の提供者側電子計算機から出力された中間出力とを前記ニューラルネットワークの下位層に入力して学習を行うように構成されていることを特徴とする図面学習装置。