JP7318383B2 - 情報処理プログラム、情報処理方法、及び情報処理装置 - Google Patents
情報処理プログラム、情報処理方法、及び情報処理装置 Download PDFInfo
- Publication number
- JP7318383B2 JP7318383B2 JP2019134863A JP2019134863A JP7318383B2 JP 7318383 B2 JP7318383 B2 JP 7318383B2 JP 2019134863 A JP2019134863 A JP 2019134863A JP 2019134863 A JP2019134863 A JP 2019134863A JP 7318383 B2 JP7318383 B2 JP 7318383B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- threshold
- residual
- simulation
- unit
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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"
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/544—Buffers; Shared memory; Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Debugging And Monitoring (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
また、第1実施例では、図2に示すような機能構成を有する情報処理装置100において、プロセス間通信によりシミュレーションを高速化する手法について説明する。図2は、情報処理装置の機能構成例を示す図である。
W2:addresss_3に#nonlin_iterを加算したアドレスから線形データを書き込む。
W3:addresss_1に#nonlin_iterを記憶する。#nonlin_iterが更新される。
W4:addresss_2に#lin_iterを記憶する。#lin_iterが更新される。
非線形データ及び線形データを書き込み後に、カウンタとなる#nonlin_iter及び#lin_iterを更新する。W1~W4の終了で、新たなデータの書き込みが完了したこととなる。
第2実施例では、線形解析を反復的に解くことで解を求める非線形解析による、構造解析、流体解析等のシミュレーションにおいて、シミュレーションの実行状況に応じて、線形解析における収束判定に用いる閾値Thを、機械学習により動的に調整する。
・NN270
一例として、AlexNetを用いてCNNを構成すればよい。
・AIフレームワーク
TensorFlow及びTensorFlowへのAPIとしてKerasなどを用いればよい。このような学習環境を持つ情報処理装置100において、発明者等が開発した線形解析の閾値Thを動的に調整する手法をシミュ―レーションに適用し、当該手法を適用した結果として得られた様々な情報を、以下に提示する。
学習部50(AI部)の呼び出し間隔: 非線形ループ2回ずつ
訓練済みモデル:
・第1の例のラベル付け:
線形解析の残差閾値が最速時の候補閾値3より小さいときラベル0を設定し、
それ以外のときラベル1を設定する。
シミュレーション結果の精度が十分であり、かつ、
最速時の候補閾値3より小さいときラベル0を設定し、
それ以外のときラベル1を設定する。
としたときの結果を説明する。
・初期設定に用いる規定値「1.0e-08」でシミュレーションを実行した場合
・第2の例の場合、
・第1の例の場合、
・図23に例示したような実行時間が最速時の閾値でシミュレーションを実行した場合
のそれぞれの実行時間を示している。
・シミュレーション部30
構造解析OSS(Open Source Software)であるFrontISTRを用いる。
・機械学習部40
学習部50及び推論部60のメインプログラムは、多くのアプリケーションに組み込み可能なPython等の汎用スクリプト言語を用いればよい。
・AI処理を行うプログラム用として、メインプログラムがPythonであれば、
python_main_path=/path/to/ai_main.py
などの設定ファイルが作成され特定の記憶領域に保存される。また、この特定の記憶領域には、
・訓練済みAIモデルが生成されると、推論部60により利用可能なように、一例として、
trained_model_path=/path/to/trained_model.h5
などの設定ファイルが作成され保存される。
(付記1)
1又は複数のコンピュータに、
線形解析を反復して非線形解析を行う第1の処理を実行させ、
前記第1の処理により複数の実験値で残差閾値ごとに求めた前記線形解析の反復ごとの残差推移と演算時間とに基づいて、推論モデルにより前記線形解析の収束判定に用いる残差閾値を推論させる第2の処理とを実行させ、
前記第1の処理と前記第2の処理との間で行われるデータの受け渡しを、メモリに設定された共有メモリを用いたプロセス間通信により行わせる
ことを特徴とする情報処理プログラム。
(付記2)
前記第1の処理は、
前記共有メモリに前記線形解析の反復ごとの前記残差推移と前記演算時間とを前記共有メモリに記憶して、第1の名前付きパイプにアドレスを設定し、
第2の名前付きパイプから前記第2の処理において書き込まれた前記推論モデルの推論結果を取得し、
前記第2の処理は、
前記共有メモリ内の前記第1の名前付きパイプで指定される前記アドレスから前記残差推移と前記演算時間とを取得し、
前記残差推移と前記演算時間とから定めた基準閾値と該残差推移とから前記推論モデルに前記残差閾値を推論する学習を行わせ、該推論モデルにより出力された前記推論結果を前記第2の名前付きパイプに書き込む
ことを特徴とする付記1記載の情報処理プログラム。
(付記3)
前記第2の処理は、
前記演算時間が最も短いときの前記実験値を前記基準閾値に設定し、
前記残差推移ごとに用いた実験値と前記基準閾値とを比較した結果に応じて、該残差推移にラベル付けして学習データを生成し、
前記学習データを用いて前記推論モデルを行う
ことを特徴とする付記2記載の情報処理プログラム。
(付記4)
前記第2の処理は、
前記演算時間が最も短いときの前記実験値を前記基準閾値に設定し、
前記残差推移ごとに用いた前記実験値と前記基準閾値とを比較した結果に応じて、該残差推移に対するラベルを決定し、
前記残差推移を一定区間ごとに区切って複数の入力データを作成し、作成した複数の入力データのそれぞれに決定した前記ラベルを付与して複数の学習データを生成し、
前記複数の学習データのそれぞれに対して前記推論モデルを行う
ことを特徴とする付記2記載の情報処理プログラム。
(付記5)
前記第2の処理は、
前記非線形解析の問題データごとに、前記演算時間が最も短いときの前記実験値を特定し、特定した該実験値を用いたときの前記第1の処理で得られた第1の結果と、他の実験値を用いたときの該第1の処理で得られた第2の結果それぞれとの結果誤差を計算し、
前記問題データごとに、前記結果誤差と実行時間とを、前記実験値ごとに比較した結果に基づいて、前記基準閾値を設定し、
前記残差推移ごとに用いた前記実験値と前記基準閾値とを比較した結果に応じて、該残差推移に対するラベルを決定し、
前記残差推移を一定区間ごとに区切って複数の入力データを作成し、作成した複数の入力データのそれぞれに決定した前記ラベルを付与して複数の学習データを生成し、
前記複数の学習データのそれぞれに対して前記推論モデルを行う
ことを特徴とする付記2記載の情報処理プログラム。
(付記6)
前記第2の処理は、
前記第1の処理からの呼び出しに応じて、前記第1の処理によって得られた前記残差推移を用いて、訓練済みモデルにより前記残差閾値を推論させた前記推論結果を取得して、前記第1の処理への戻り値として前記第2の名前付きパイプに書き込み、
前記第1の処理は、前記第2の名前付きパイプから前記推論結果を読み出し、読み出した該推論結果と予め定めた変化率とを用いて前記残差閾値を更新する付記3乃至5のいずれか一項に記載の情報処理プログラム。
(付記7)
前記第1の処理は、
前記第1の名前付きパイプに接続し、前記第2の処理からの第1のロック解除を待ち、
前記第1のロック解除の検出に応じて、前記共有メモリに、前記非線形解析により得られた非線形解析データと前記線形解析により得られた線形解析データとを書き込み、
前記共有メモリに、前記非線形解析の繰り返し回数と、前記線形解析の反復回数とを書き込み、
前記第2の名前付きパイプに接続し、前記第2の処理からの第2のロック解除を待ち、
前記第2のロック解除に応じて、前記第2の名前付きパイプから前記推論結果を取得する
ことを特徴とする付記2乃至6のいずれか一項に記載の情報処理プログラム。
(付記8)
前記第2の処理は、
前記第1の名前付きパイプに接続し、該第1の名前付きパイプのロックを解除し、
前記第1の処理からの要求に応じて、前記共有メモリから前記線形解析データと前記非線形解析データとを読み込み、それぞれから前記残差推移と前記演算時間とを取得し、訓練済みの前記推論モデルに前記残差閾値を推論させ、
前記第2の名前付きパイプに接続し、訓練済みの前記推論モデルによる推論結果を該第2の名前付きパイプに書き込んで、該第2の名前付きパイプをロック解除する
ことを特徴とする付記7に記載の情報処理プログラム。
(付記9)
前記第1の処理は、科学計算用の手続き型言語による第1のプログラムを第1のプロセッサが実行することにより行われ、
前記第2の処理は、前記第1のプログラムとは異なるスクリプト言語による第2のプログラムを前記第1のプロセッサが実行することにより行われ、
前記推論モデルは、前記第1のプロセッサとは異なる前記第2のプロセッサが、深層学習言語によるプログラムを実行することにより行われる
ことを特徴とする付記1乃至8のいずれか一項記載の情報処理プログラム。
(付記10)
1又は複数のコンピュータが、
線形解析を反復して非線形解析を行う第1の処理を実行し、
前記第1の処理により複数の実験値で残差閾値ごとに求めた前記線形解析の反復ごとの残差推移と演算時間とに基づいて、推論モデルにより前記線形解析の収束判定に用いる残差閾値を推論させる第2の処理とを実行し、
前記第1の処理と前記第2の処理との間で行われるデータの受け渡しは、メモリに設定された共有メモリを用いたプロセス間通信により行う
ことを特徴とする情報処理方法。
(付記11)
メモリと、
前記メモリに接続された1又は複数のプロセッサとを有し、該1又は複数のコンピュータが、
線形解析を反復して非線形解析を行う第1の処理と、
前記第1の処理により複数の実験値で残差閾値ごとに求めた前記線形解析の反復ごとの残差推移と演算時間とに基づいて、推論モデルにより前記線形解析の収束判定に用いる残差閾値を推論させる第2の処理とを実行し、
前記第1の処理と前記第2の処理との間で行われるデータの受け渡しは、前記メモリに設定された共有メモリを用いたプロセス間通信により行うことを特徴とする情報処理装置。
3 候補閾値
3ref 基準閾値
4a 実行ログ
4d 残差曲線データ
5 シミュレーション結果
6a 入力データ
6g 学習データ
11 CPU
12 メインメモリ
12a 共有メモリ
12m-1 CM領域
12m-2 ML領域
12p 名前付きパイプ領域
12v OS仮想メモリ
13 ディスク
14g GPU
14m GPUメモリ
15 入力装置
16 表示装置
17 通信I/F
18 ドライブ装置
19 記憶媒体
30 シミュレーション部
32 非線形解析部
34 線形解析部
40 機械学習部
50 学習部
60 推論部
230 高性能アプリケーション
232 高性能アプリケーション
204d シミュレーションデータ
100 情報処理装置
Claims (10)
- 1又は複数のコンピュータに、
線形解析を反復して非線形解析を行う第1の処理を実行させ、
前記第1の処理により複数の実験値で残差閾値ごとに求めた前記線形解析の反復ごとの残差推移と演算時間とに基づいて、NNにより前記線形解析の収束判定に用いる残差閾値を推論させる第2の処理とを実行させ、
前記第1の処理と前記第2の処理との間で行われるデータの受け渡しを、メモリに設定された共有メモリを用いたプロセス間通信により行わせる
ことを特徴とする情報処理プログラム。 - 前記第1の処理は、
前記線形解析の反復ごとの前記残差推移と前記演算時間とを前記共有メモリに記憶して、第1の名前付きパイプにアドレスを設定し、
第2の名前付きパイプから前記第2の処理において書き込まれた前記NNの推論結果を取得し、
前記第2の処理は、
前記共有メモリ内の前記第1の名前付きパイプで指定される前記アドレスから前記残差推移と前記演算時間とを取得し、
前記残差推移と前記演算時間とから定めた基準閾値と該残差推移とから前記NNに前記残差閾値を推論する学習を行わせ、該NNにより出力された前記推論結果を前記第2の名前付きパイプに書き込む
ことを特徴とする請求項1記載の情報処理プログラム。 - 前記第2の処理は、
前記演算時間が最も短いときの前記実験値を前記基準閾値に設定し、
前記残差推移ごとに用いた実験値と前記基準閾値とを比較した結果に応じて、該残差推移にラベル付けして学習データを生成し、
前記学習データを用いて前記NNの学習を行う
ことを特徴とする請求項2記載の情報処理プログラム。 - 前記第2の処理は、
前記演算時間が最も短いときの前記実験値を前記基準閾値に設定し、
前記残差推移ごとに用いた前記実験値と前記基準閾値とを比較した結果に応じて、該残差推移に対するラベルを決定し、
前記残差推移を一定区間ごとに区切って複数の入力データを作成し、作成した複数の入力データのそれぞれに決定した前記ラベルを付与して複数の学習データを生成し、
前記複数の学習データを用いて前記NNの学習を行う
ことを特徴とする請求項2記載の情報処理プログラム。 - 前記第2の処理は、
前記非線形解析の問題データごとに、前記演算時間が最も短いときの前記実験値を特定し、特定した該実験値を用いたときの前記第1の処理で得られた第1の結果と、他の実験値を用いたときの該第1の処理で得られた第2の結果それぞれとの結果誤差を計算し、
前記問題データごとに、前記結果誤差と実行時間とを、前記実験値ごとに比較した結果に基づいて、前記基準閾値を設定し、
前記残差推移ごとに用いた前記実験値と前記基準閾値とを比較した結果に応じて、該残差推移に対するラベルを決定し、
前記残差推移を一定区間ごとに区切って複数の入力データを作成し、作成した複数の入力データのそれぞれに決定した前記ラベルを付与して複数の学習データを生成し、
前記複数の学習データを用いて前記NNの学習を行う
ことを特徴とする請求項2記載の情報処理プログラム。 - 前記第2の処理は、
前記第1の処理からの呼び出しに応じて、前記第1の処理によって得られた前記残差推移を用いて、訓練済みの前記NNにより前記残差閾値を推論させた前記推論結果を取得して、前記第1の処理への戻り値として前記第2の名前付きパイプに書き込み、
前記第1の処理は、前記第2の名前付きパイプから前記推論結果を読み出し、読み出した該推論結果と予め定めた変化率とを用いて前記残差閾値を更新する請求項3乃至5のいずれか一項に記載の情報処理プログラム。 - 前記第1の処理は、
前記第1の名前付きパイプに接続し、前記第2の処理からの第1のロック解除を待ち、
前記第1のロック解除の検出に応じて、前記共有メモリに、前記非線形解析により得られた非線形解析データと前記線形解析により得られた線形解析データとを書き込み、
前記共有メモリに、前記非線形解析の繰り返し回数と、前記線形解析の反復回数とを書き込み、
前記第2の名前付きパイプに接続し、前記第2の処理からの第2のロック解除を待ち、
前記第2のロック解除に応じて、前記第2の名前付きパイプから前記推論結果を取得する
ことを特徴とする請求項2乃至6のいずれか一項に記載の情報処理プログラム。 - 前記第2の処理は、
前記第1の名前付きパイプに接続し、該第1の名前付きパイプのロックを解除し、
前記第1の処理からの要求に応じて、前記共有メモリから前記線形解析データと前記非線形解析データとを読み込み、それぞれから前記残差推移と前記演算時間とを取得し、訓練済みの前記NNに前記残差閾値を推論させ、
前記第2の名前付きパイプに接続し、訓練済みの前記NNによる推論結果を該第2の名前付きパイプに書き込んで、該第2の名前付きパイプをロック解除する
ことを特徴とする請求項7に記載の情報処理プログラム。 - 1又は複数のコンピュータが、
線形解析を反復して非線形解析を行う第1の処理を実行し、
前記第1の処理により複数の実験値で残差閾値ごとに求めた前記線形解析の反復ごとの残差推移と演算時間とに基づいて、NNにより前記線形解析の収束判定に用いる残差閾値を推論させる第2の処理とを実行し、
前記第1の処理と前記第2の処理との間で行われるデータの受け渡しは、メモリに設定された共有メモリを用いたプロセス間通信により行う
ことを特徴とする情報処理方法。 - メモリと、
前記メモリに接続された1又は複数のプロセッサとを有し、該1又は複数のコンピュータが、
線形解析を反復して非線形解析を行う第1の処理と、
前記第1の処理により複数の実験値で残差閾値ごとに求めた前記線形解析の反復ごとの残差推移と演算時間とに基づいて、NNにより前記線形解析の収束判定に用いる残差閾値を推論させる第2の処理とを実行し、
前記第1の処理と前記第2の処理との間で行われるデータの受け渡しは、前記メモリに設定された共有メモリを用いたプロセス間通信により行うことを特徴とする情報処理装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019134863A JP7318383B2 (ja) | 2019-07-22 | 2019-07-22 | 情報処理プログラム、情報処理方法、及び情報処理装置 |
US16/928,049 US11625517B2 (en) | 2019-07-22 | 2020-07-14 | Information processing method, and information processing apparatus |
EP20185931.1A EP3779735A1 (en) | 2019-07-22 | 2020-07-15 | Information processing program, information processing method, and information processing apparatus |
CN202010698013.6A CN112288124A (zh) | 2019-07-22 | 2020-07-20 | 信息处理程序、信息处理方法和信息处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019134863A JP7318383B2 (ja) | 2019-07-22 | 2019-07-22 | 情報処理プログラム、情報処理方法、及び情報処理装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021018683A JP2021018683A (ja) | 2021-02-15 |
JP7318383B2 true JP7318383B2 (ja) | 2023-08-01 |
Family
ID=71620288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019134863A Active JP7318383B2 (ja) | 2019-07-22 | 2019-07-22 | 情報処理プログラム、情報処理方法、及び情報処理装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11625517B2 (ja) |
EP (1) | EP3779735A1 (ja) |
JP (1) | JP7318383B2 (ja) |
CN (1) | CN112288124A (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11201779B1 (en) | 2020-09-11 | 2021-12-14 | Cerner Innovation, Inc. | Generation of synthetic alerts and unified dashboard for viewing multiple layers of data center simultaneously |
US11809790B2 (en) * | 2020-09-22 | 2023-11-07 | Beijing Voyager Technology Co., Ltd. | Architecture for distributed system simulation timing alignment |
CN114970044B (zh) * | 2022-06-20 | 2023-05-19 | 华北电力大学 | 一种基于阈值卷积神经网络的滚动轴承故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003162517A (ja) | 2001-11-27 | 2003-06-06 | Semiconductor Leading Edge Technologies Inc | 非線形方程式の解析方法、非線形方程式の解析装置、プログラム及び記録媒体 |
JP5816387B1 (ja) | 2015-04-30 | 2015-11-18 | 徹 山里 | 非線形最適解探索システム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000339179A (ja) | 1999-05-27 | 2000-12-08 | Oki Electric Ind Co Ltd | コンピュータシステムにおけるプロセス間通信システム |
JP2007287055A (ja) * | 2006-04-19 | 2007-11-01 | Sharp Corp | 解析装置、解析プログラムおよび解析プログラムを記録した記録媒体 |
JP6413817B2 (ja) | 2015-02-09 | 2018-10-31 | 富士通株式会社 | 会話管理システム、会話管理方法及び会話管理プログラム |
US10303825B2 (en) * | 2015-12-28 | 2019-05-28 | Dassault Systemes Simulia Corp. | Convergence estimation of non-linear PDE and linear solvers |
US11106997B2 (en) * | 2017-09-29 | 2021-08-31 | Facebook, Inc. | Content delivery based on corrective modeling techniques |
US20190188611A1 (en) * | 2017-12-14 | 2019-06-20 | Business Objects Software Limited | Multi-step time series forecasting with residual learning |
-
2019
- 2019-07-22 JP JP2019134863A patent/JP7318383B2/ja active Active
-
2020
- 2020-07-14 US US16/928,049 patent/US11625517B2/en active Active
- 2020-07-15 EP EP20185931.1A patent/EP3779735A1/en active Pending
- 2020-07-20 CN CN202010698013.6A patent/CN112288124A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003162517A (ja) | 2001-11-27 | 2003-06-06 | Semiconductor Leading Edge Technologies Inc | 非線形方程式の解析方法、非線形方程式の解析装置、プログラム及び記録媒体 |
JP5816387B1 (ja) | 2015-04-30 | 2015-11-18 | 徹 山里 | 非線形最適解探索システム |
Non-Patent Citations (1)
Title |
---|
WANG, Tingyu ほか,Inexact Krylov iterations and relaxation strategies with fast-multipole boundary element method,arXiv[online],2016年10月01日,[retrieved on 2023.01.13], Retrieved from the Internet: <URL: https://arxiv.org/pdf/1506.05957v2.pdf> |
Also Published As
Publication number | Publication date |
---|---|
EP3779735A1 (en) | 2021-02-17 |
CN112288124A (zh) | 2021-01-29 |
US20210027004A1 (en) | 2021-01-28 |
US11625517B2 (en) | 2023-04-11 |
JP2021018683A (ja) | 2021-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7318383B2 (ja) | 情報処理プログラム、情報処理方法、及び情報処理装置 | |
TWI806922B (zh) | 對人工神經網路進行量化的方法及裝置及對浮點神經網路進行量化的方法 | |
Tappenden et al. | Inexact coordinate descent: complexity and preconditioning | |
KR20190113928A (ko) | 강화 학습을 통한 디바이스 배치 최적화 | |
Sill et al. | c060: Extended inference with lasso and elastic-net regularized Cox and generalized linear models | |
US9740480B1 (en) | Apparatus and methodologies for code refactoring | |
Nobile et al. | cuTauLeaping: A GPU-powered tau-leaping stochastic simulator for massive parallel analyses of biological systems | |
CN110663049A (zh) | 神经网络优化器搜索 | |
WO2020050886A1 (en) | Compiler-level general matrix multiplication configuration optimization | |
US9280322B2 (en) | Generating source code | |
Paduraru et al. | An Automatic Test Data Generation Tool using Machine Learning. | |
WO2023088309A1 (zh) | 用于改写叙事性文本的方法、设备、装置和介质 | |
CN113554178A (zh) | 优化梯度提升特征选择 | |
EP4298556A1 (en) | Granular neural network architecture search over low-level primitives | |
KR20210073242A (ko) | 모델 최적화 방법 및 장치 및 모델 최적화 장치를 포함한 가속기 시스템 | |
JP2016139336A (ja) | 予測装置、予測方法および予測プログラム | |
Koesterke et al. | Optimizing the PCIT algorithm on stampede's Xeon and Xeon Phi processors for faster discovery of biological networks | |
KR102559605B1 (ko) | 함수 최적화 방법 및 장치 | |
Sørensen | Auto‐tuning of level 1 and level 2 BLAS for GPUs | |
KR102604462B1 (ko) | 약물 설계 방법 및 이를 이용한 디바이스 | |
Gonzalez Pepe et al. | Numerical stability of DeepGOPlus inference | |
Wang et al. | A learning algorithm for Bayesian networks and its efficient implementation on GPUs | |
Zhou et al. | Fast and highly scalable Bayesian MDP on a GPU platform | |
JP7224263B2 (ja) | モデル生成方法、モデル生成装置及びプログラム | |
KR102583943B1 (ko) | 태스크 간의 상관관계 분석 알고리즘을 이용하여 연속학습을 수행하는 신경망 장치 및 신경망 학습 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220407 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230118 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230213 |
|
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: 20230620 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230703 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7318383 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |