KR20240001159A - 설계 지원 장치, 설계 지원 방법 및 설계 지원 프로그램 - Google Patents

설계 지원 장치, 설계 지원 방법 및 설계 지원 프로그램 Download PDF

Info

Publication number
KR20240001159A
KR20240001159A KR1020237038032A KR20237038032A KR20240001159A KR 20240001159 A KR20240001159 A KR 20240001159A KR 1020237038032 A KR1020237038032 A KR 1020237038032A KR 20237038032 A KR20237038032 A KR 20237038032A KR 20240001159 A KR20240001159 A KR 20240001159A
Authority
KR
South Korea
Prior art keywords
design
parameter group
design parameter
evaluation value
value
Prior art date
Application number
KR1020237038032A
Other languages
English (en)
Inventor
교헤이 하나오카
Original Assignee
가부시끼가이샤 레조낙
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 가부시끼가이샤 레조낙 filed Critical 가부시끼가이샤 레조낙
Publication of KR20240001159A publication Critical patent/KR20240001159A/ko

Links

Classifications

    • 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
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

일 실시형태에 관한 설계 지원 장치는, 설계 파라미터군과 특성 항목의 관측값으로 이루어지는 실적 데이터를 취득하는 데이터 취득부와, 설계 파라미터군에 근거하여 관측값을 확률 분포 등으로서 예측하는 예측 모델을 구축하는 모델 구축부와, 각 예측 모델에 이용하여 목적 변수군을 소정 점수 샘플링하는 샘플링부와, 목적 변수군에 포함되는 각 목적 변수의 값을 요소로 하는 벡터를 스칼라화함으로써 각 샘플링점의 평갓값을 산출하는 평갓값 산출부와, 각 샘플링점의 평갓값의 분포에 근거하여 획득 함수 평갓값을 출력하는 획득 함수 평가부와, 획득 함수 평갓값의 최적화에 의하여 설계 파라미터군을 취득하는 설계 파라미터군 취득부와, 설계 파라미터군 후보를 출력하는 출력부를 구비한다.

Description

설계 지원 장치, 설계 지원 방법 및 설계 지원 프로그램
본 개시의 일 측면은, 설계 지원 장치, 설계 지원 방법 및 설계 지원 프로그램에 관한 것이다.
기계 학습을 활용한 제품 설계가 연구되고 있다. 제품 설계의 한 분야로서, 예를 들면, 기능성 재료의 설계에 있어서는, 예를 들면, 실험 및 제작이 완료된 재료에 관한 원재료 배합비와 특성의 페어로 이루어지는 학습 데이터를 이용한 기계 학습에 의하여 재료의 특성을 추정하는 모델을 구축하고, 미실험의 원재료 배합비에 대한 특성의 예측이 행해지고 있다. 이와 같은 특성의 예측에 의하여 실험 계획을 세움으로써, 효율적으로 재료의 특성 및 원재료 배합비 등의 파라미터를 최적화하는 것이 가능해져, 개발 효율의 향상이 도모되고 있다. 또, 이와 같은 최적화의 수법으로서, 베이즈 최적화가 유효하다는 것이 알려져 있으며, 베이즈 최적화를 이용하여 설곗값을 출력하는 설계 장치가 알려져 있다.
특허문헌 1: 일본 공개특허공보 2020-52737호
한편, 재료 등의 제품 개발에 있어서는, 복수의 목적 변수(특성)가 주어진 상황에서, 설계 변수에 따라 변화하는 복수의 특성을 향상시키기 위하여, 복수의 목적 변수의 최적화가 행해진다. 이것을 다목적 최적화라고 한다. 목적 변수간에 트레이드 오프가 있는 경우에 있어서, 최적해(最適解)(파레토해(解))는 복수 존재하고, 하나로 정해지지 않는다. 예를 들면, 각 목적 변수에 대하여 목푯값이 설정되는 경우에, 최적인 파레토해를 얻기 위하여, 많은 파레토해를 구하여, 설계 목표에 가까운 파레토해를 선택한다는 어프로치를 취하는 것을 생각할 수 있다. 그러나, 이와 같은 어프로치에서는, 많은 목적 함수의 평가가 필요하고, 그 처리 부하가 방대해져 현실적이지 않다. 이와 같은 문제는, 재료 설계에 한정되지 않고, 제품 설계 전반에 공통인 것이다.
그래서, 본 발명은, 상기 문제점을 감안하여 이루어진 것이며, 제품, 재공품, 반제품, 부품 또는 시작(試作)품의 제작 프로세스에 있어서 목적 변수를 구성하는 제품의 특성 및 설계 변수의 최적화를, 보다 적은 실험 횟수에 의하여 저부하로 가능하게 하는 것을 목적으로 한다.
본 개시의 일 측면에 관한 설계 지원 장치는, 복수의 설계 파라미터로 이루어지는 설계 파라미터군에 근거하여 제작되는 제품, 재공품, 반제품, 부품 또는 시작품의 설계에 있어서, 설계 파라미터의 결정과 결정된 설계 파라미터에 근거하는 제품, 재공품, 반제품, 부품 또는 시작품의 제작의 반복에 의하여 설계 파라미터의 최적화를 도모하는 수법에 적용하기 위하여, 제품, 재공품, 반제품, 부품 또는 시작품의 특성을 나타내는 복수의 특성 항목이 향상되는 것 같은, 복수의 설계 파라미터를 구하는 설계 지원 장치로서, 제작이 완료된 제품, 재공품, 반제품, 부품 또는 시작품에 관한, 설계 파라미터군과 복수의 특성 항목 각각의 관측값으로 이루어지는 실적 데이터를 복수 취득하는 데이터 취득부와, 설계 파라미터군에 근거하여, 목적 변수로서의 특성 항목의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하는 예측 모델을, 실적 데이터에 근거하여 구축하는 모델 구축부와, 각 예측 모델로부터 얻어지는 관측값의 다차원 확률 분포로부터 샘플링한 복수의 목적 변수군을 하나의 샘플링점으로 하여, 목적 변수군을 소정 점수 샘플링하는 샘플링부와, 목적 변수군에 포함되는 목적 변수의 수를 차원수로 하고 각 목적 변수의 값을 요소로 하는 벡터를 소정의 연산에 의하여 스칼라화함으로써, 각 샘플링점의 목적 변수군의 평갓값을 산출하는 평갓값 산출부와, 각 샘플링점의 평갓값의 분포에 근거하여, 설계 파라미터군을 입력으로 하며, 평갓값의 향상에 관한 획득 함수 평갓값을 소정의 획득 함수에 의하여 출력하는 획득 함수 평가부와, 획득 함수 평갓값의 최적화에 의하여 적어도 하나의 설계 파라미터군을 취득하는 설계 파라미터군 취득부와, 설계 파라미터군 취득부에 의하여 취득된 설계 파라미터군을 출력하는 출력부를 구비한다.
본 개시의 일 측면에 관한 설계 지원 방법은, 복수의 설계 파라미터로 이루어지는 설계 파라미터군에 근거하여 제작되는 제품, 재공품, 반제품, 부품 또는 시작품의 설계에 있어서, 설계 파라미터의 결정과 결정된 설계 파라미터에 근거하는 제품, 재공품, 반제품, 부품 또는 시작품의 제작의 반복에 의하여 설계 파라미터의 최적화를 도모하는 수법에 적용하기 위하여, 제품, 재공품, 반제품, 부품 또는 시작품의 특성을 나타내는 복수의 특성 항목이 향상되는 것 같은, 복수의 설계 파라미터를 구하는 설계 지원 장치에 있어서의 설계 지원 방법으로서, 제작이 완료된 제품, 재공품, 반제품, 부품 또는 시작품에 관한, 설계 파라미터군과 복수의 특성 항목 각각의 관측값으로 이루어지는 실적 데이터를 복수 취득하는 데이터 취득 스텝과, 설계 파라미터군에 근거하여, 목적 변수로서의 특성 항목의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하는 예측 모델을, 실적 데이터에 근거하여 구축하는 모델 구축 스텝과, 각 예측 모델로부터 얻어지는 관측값의 다차원 확률 분포로부터 샘플링한 복수의 목적 변수군을 하나의 샘플링점으로 하여, 목적 변수군을 소정 점수 샘플링하는 샘플링 스텝과, 목적 변수군에 포함되는 목적 변수의 수를 차원수로 하고 각 목적 변수의 값을 요소로 하는 벡터를 소정의 연산에 의하여 스칼라화함으로써, 각 샘플링점의 목적 변수군의 평갓값을 산출하는 평갓값 산출 스텝과, 각 샘플링점의 평갓값의 분포에 근거하여, 설계 파라미터군을 입력으로 하며, 평갓값의 향상에 관한 획득 함수 평갓값을 소정의 획득 함수에 의하여 출력하는 획득 함수 평가 스텝과, 획득 함수 평갓값의 최적화에 의하여 적어도 하나의 설계 파라미터군을 취득하는 설계 파라미터군 취득 스텝과, 설계 파라미터군 취득 스텝에 의하여 취득된 설계 파라미터군을 출력하는 출력 스텝을 갖는다.
본 개시의 일 측면에 관한 설계 지원 프로그램은, 컴퓨터를, 복수의 설계 파라미터로 이루어지는 설계 파라미터군에 근거하여 제작되는 제품, 재공품, 반제품, 부품 또는 시작품의 설계에 있어서, 설계 파라미터의 결정과 결정된 설계 파라미터에 근거하는 제품, 재공품, 반제품, 부품 또는 시작품의 제작의 반복에 의하여 설계 파라미터의 최적화를 도모하는 수법에 적용하기 위하여, 제품, 재공품, 반제품, 부품 또는 시작품의 특성을 나타내는 복수의 특성 항목이 향상되는 것 같은, 복수의 설계 파라미터를 구하는 설계 지원 장치로서 기능시키기 위한 설계 지원 프로그램으로서, 컴퓨터에, 제작이 완료된 제품, 재공품, 반제품, 부품 또는 시작품에 관한, 설계 파라미터군과 복수의 특성 항목 각각의 관측값으로 이루어지는 실적 데이터를 복수 취득하는 데이터 취득 기능과, 설계 파라미터군에 근거하여, 목적 변수로서의 특성 항목의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하는 예측 모델을, 실적 데이터에 근거하여 구축하는 모델 구축 기능과, 각 예측 모델로부터 얻어지는 관측값의 다차원 확률 분포로부터 샘플링한 복수의 목적 변수군을 하나의 샘플링점으로 하여, 목적 변수군을 소정 점수 샘플링하는 샘플링 기능과, 목적 변수군에 포함되는 목적 변수의 수를 차원수로 하고 각 목적 변수의 값을 요소로 하는 벡터를 소정의 연산에 의하여 스칼라화함으로써, 각 샘플링점의 목적 변수군의 평갓값을 산출하는 평갓값 산출 기능과, 각 샘플링점의 평갓값의 분포에 근거하여, 설계 파라미터군을 입력으로 하며, 평갓값의 향상에 관한 획득 함수 평갓값을 소정의 획득 함수에 의하여 출력하는 획득 함수 평가 기능과, 획득 함수 평갓값의 최적화에 의하여 적어도 하나의 설계 파라미터군을 취득하는 설계 파라미터군 취득 기능과, 설계 파라미터군 취득 기능에 의하여 취득된 설계 파라미터군을 출력하는 출력 기능을 실현시킨다.
이와 같은 측면에 의하면, 실적 데이터에 근거하여 특성 항목의 관측값을 예측하는 예측 모델이 구축된다. 이 예측 모델은, 목적 변수로서의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하므로, 각 특성 항목의 예측 모델로부터 얻어지는 관측값의 다차원 분포에 근거하여, 임의의 점수의 목적 변수군을 샘플링할 수 있다. 각 샘플링점에 있어서의 목적 변수군을 요소로 하는 벡터에 대하여 소정의 연산을 행함으로써, 스칼라값에 의하여 표현된 각 샘플링점에 관한 평갓값을 얻을 수 있다. 그리고, 각 샘플링점의 평갓값의 분포에 근거하여, 소정의 획득 함수를 이용하여 출력된 획득 함수 평갓값의 최적화에 의하여, 다음의 실험 등에 적합한 설계 파라미터군을 얻을 수 있다. 따라서, 평갓값을 직접 학습하여 획득 함수를 구축하는 통상의 방법과 비교하여, 보다 고정밀도의 기계 학습 모델을 얻는 것이 가능해지고, 결과적으로 실험 등에 채용되는 설계 파라미터군의 적합도의 향상에 의하여, 실험 횟수의 저감이 가능해진다.
다른 측면에 관한 설계 지원 장치에서는, 평갓값 산출부는, 목적 변수군에 포함되는 목적 변수의 가중합을 포함하는 평갓값을 산출하는 것으로 해도 된다.
이와 같은 측면에 의하면, 목적 변수의 가중합이 평갓값에 포함됨으로써, 각 샘플링점의 특징이 적절히 표현된 평갓값을 얻을 수 있다. 또, 평갓값 산출부는, 목적 변수를 입력으로 하여, 소정의 처리에 의하여 산출되는 임의의 스칼라값을 평갓값으로서 산출해도 된다.
다른 측면에 관한 설계 지원 장치에서는, 평갓값 산출부는, 각 목적 변수에 목푯값이 설정되어 있는 경우에는, 목적 변수군에 포함되는 복수의 목적 변수 중, 목푯값과의 차가 가장 큰 목적 변수의 상기 목푯값에 대한 차를 더 포함하는 평갓값을 산출하는 것으로 해도 된다.
이와 같은 측면에 의하면, 최적화를 최소화 문제로 하는 경우에는, 평갓값 산출부는, 목적 변수군에 포함되는 복수의 목적 변수 중 목푯값을 기준으로 하여 가장 수치가 높은 목적 변수의 상기 목푯값에 대한 차를 더 포함하는 평갓값을 산출하는 것으로 해도 된다. 또, 최적화를 최대화 문제로 하는 경우에는, 평갓값 산출부는, 목적 변수군에 포함되는 복수의 목적 변수 중 목푯값을 기준으로 하여 가장 수치가 낮은 목적 변수의 상기 목푯값에 대한 차를 더 포함하는 평갓값을 산출하는 것으로 해도 된다. 이와 같이 산출된 평갓값에 근거하여 얻어진 획득 함수 평갓값의 최적화에 의하여, 최적화의 일 과정에 있어서 목푯값으로부터 가장 멀리 떨어진 목적 변수를, 목푯값에 가까워지게 하기 위한 효과적인 설계 파라미터군을 얻을 수 있다.
다른 측면에 관한 설계 지원 장치에서는, 획득 함수 평가부는, LCB(Lower Confidence Bound), UCB(Upper Confidence Bound), EI(Expected Improvement) 및 PI(Probability of Improvement) 중 어느 하나의 획득 함수에 의하여, 상기 획득 함수 평갓값을 출력하는 것으로 해도 된다.
이와 같은 측면에 의하면, 평갓값의 향상에 적합한 설계 파라미터군을 평가하는 데 적합한 획득 함수 평갓값이 출력된다.
다른 측면에 관한 설계 지원 장치에서는, 설계 파라미터군 취득부는, 획득 함수 평갓값을 최적화하는 하나의 설계 파라미터군을 취득하는 것으로 해도 된다.
이와 같은 측면에 의하면, 특성 항목에 관한 평갓값의 향상이 가능한 설계 파라미터군을 얻을 수 있다.
다른 측면에 관한 설계 지원 장치에서는, 설계 파라미터군 취득부는, 복수의 설계 파라미터군을 소정의 알고리즘에 의하여 취득하는 것으로 해도 된다.
이와 같은 측면에 의하면, 다음의 실험에 제공되는 복수의 설계 파라미터군을 용이하게 얻을 수 있다.
다른 측면에 관한 설계 지원 장치에서는, 예측 모델은, 설계 파라미터군을 입력으로 하고, 관측값의 확률 분포를 출력으로 하는 회귀 모델 또는 분류 모델이며, 모델 구축부는, 실적 데이터를 이용한 기계 학습에 의하여, 예측 모델을 구축하는 것으로 해도 된다.
이와 같은 측면에 의하면, 예측 모델이 소정의 회귀 모델 또는 분류 모델로서 구축되므로, 특성 항목의 관측값의 확률 분포 혹은 그 근사 또는 대체 지표의 취득이 가능한 예측 모델이 얻어진다.
다른 측면에 관한 설계 지원 장치에서는, 예측 모델은, 베이즈 이론에 근거하는 예측값의 사후 분포, 앙상블을 구성하는 예측기의 예측값의 분포, 회귀 모델의 예측 구간 및 신뢰 구간의 이론식, 몬테카를로 드롭아웃, 및, 상이한 조건으로 복수 개 구축한 예측기의 예측의 분포 중 어느 하나를 이용하여 관측값의 확률 분포 혹은 그 근사 또는 대체 지표를 예측하는 기계 학습 모델인 것으로 해도 된다.
이와 같은 측면에 의하면, 설계 파라미터군에 근거하는 특성 항목의 관측값의 확률 분포 혹은 그 근사 또는 대체 지표로서의 예측이 가능한 예측 모델이 구축된다.
본 개시의 일 측면에 의하면, 제품, 재공품, 반제품, 부품 또는 시작품의 제작 프로세스에 있어서 목적 변수를 구성하는 제품 등의 특성 및 설계 변수의 최적화를, 보다 적은 실험 횟수에 의하여 저부하로 가능하게 한다.
도 1은 실시형태에 관한 설계 지원 장치가 적용되는 재료 설계의 프로세스의 개요를 나타내는 도이다.
도 2는 실시형태에 관한 설계 지원 장치의 기능 구성의 일례를 나타내는 블록도이다.
도 3은 실시형태에 관한 설계 지원 장치의 하드 블록도이다.
도 4는 제작이 완료된 재료에 관한 설계 파라미터군의 예를 나타내는 도이다.
도 5는 제작이 완료된 재료에 관한 관측값의 예를 나타내는 도이다.
도 6은 재료 설계에 있어서의 특성 항목 및 설계 파라미터의 최적화의 프로세스를 나타내는 플로 차트이다.
도 7은 실시형태에 관한 설계 지원 장치에 있어서의 설계 지원 방법의 내용의 일례를 나타내는 플로 차트이다.
도 8은 설계 지원 프로그램의 구성을 나타내는 도이다.
이하, 첨부 도면을 참조하면서 본 발명의 실시형태를 상세하게 설명한다. 또한, 도면의 설명에 있어서 동일 또는 동등한 요소에는 동일한 부호를 붙이고, 중복되는 설명을 생략한다.
도 1은, 실시형태에 관한 설계 지원 장치가 적용되는 제품, 재공품, 반제품, 부품 또는 시작품의 설계의 프로세스의 일례인 재료 설계의 프로세스의 개요를 나타내는 도이다. 또한, 이하에 있어서, "제품, 재공품, 반제품, 부품 또는 시작품"을 "제품 등"이라고 기재한다. 본 실시형태의 설계 지원 장치(10)는, 당해 제품 등의 특성을 나타내는 복수의 특성 항목 및 각 특성 항목의 최적화를 요하는 모든 제품 등의 설계의 프로세스에 적용할 수 있다. 설계 지원 장치(10)는, 설계 파라미터의 결정과 결정된 설계 파라미터에 근거하는 제품, 재공품, 반제품, 부품 또는 시작품의 제작의 반복에 의하여 제품 등의 설계 파라미터 및 목적 변수의 최적화를 도모하는 수법에 적용될 수 있다. 구체적으로는, 설계 지원 장치(10)는, 재료의 개발·설계 외에, 예를 들면, 자동차 및 약품 등의 제품의 설계, 약품의 분자 구조의 최적화 등에 적용할 수 있다. 본 실시형태에서는, 상술한 바와 같이, 제품 등의 설계의 일례로서의 재료 설계의 예에 의하여, 설계 지원 장치(10)에 의한 설계 지원 처리를 설명한다.
도 1에 나타나는 바와 같이, 설계 지원 장치(10)에 의한 설계 지원 처리는, 플랜트 및 실험실(A) 등에 있어서의 재료의 제작 및 실험에 적용된다. 즉, 설정된 설계 파라미터군 x에 의하여, 플랜트 및 실험실(A) 등에 있어서 재료가 제작되고, 제작된 재료에 근거하여, 재료의 특성을 나타내는 복수의 특성 항목의 관측값 y가 취득된다. 또한, 플랜트 및 실험실(A)에 있어서의 재료 제작 및 실험은, 시뮬레이션이어도 된다. 이 경우에는, 설계 지원 장치(10)는, 다음의 시뮬레이션의 실행을 위한 설계 파라미터군 x를 제공한다.
설계 지원 장치(10)는, 설계 파라미터군 x 및 설계 파라미터군 x에 근거하여 제작된 재료의 복수의 특성 항목의 관측값 y로 이루어지는 실적 데이터에 근거하여, 복수의 특성 항목 및 설계 파라미터의 최적화를 행한다. 구체적으로는, 설계 지원 장치(10)는, 제작이 완료된 재료에 관한 설계 파라미터군 x 및 관측값 y에 근거하여, 다음의 제작 및 실험을 위한, 보다 적합한 특성이 얻어질 가능성이 있는 설계 파라미터군 x를 출력한다.
예를 들면, 본 실시형태의 설계 지원 장치(10)는, 재료 제품의 설계에 있어서, 복수의 설계 변수를 튜닝하여, 복수의 특성을 향상시킨다는 목적을 위하여 적용된다. 재료 제품의 설계의 일례로서, 어느 재료를 복수의 폴리머 및 첨가제를 혼합하여 제작하는 경우에 있어서, 설계 지원 장치(10)는, 각 폴리머 및 첨가제의 배합량 등의 설계 파라미터군을 설계 변수로 하고, 특성 항목인 탄성률, 열팽창률의 관측값을 목적 변수로 하여, 복수의 특성에 대하여 설정한 하나의 평갓값을 향상시키는 것 같은 설계 파라미터군의 튜닝에 이용된다.
도 2는, 실시형태에 관한 설계 지원 장치의 기능 구성의 일례를 나타내는 블록도이다. 설계 지원 장치(10)는, 복수의 설계 파라미터로 이루어지는 설계 파라미터군에 근거하여 제작되는 재료의 설계에 있어서, 재료의 특성을 나타내는 복수의 특성에 대하여 설정된 하나의 평갓값을 향상시키는 것 같은, 복수의 설계 파라미터를 구하는 장치이다. 도 2에 나타내는 바와 같이, 설계 지원 장치(10)는, 프로세서(101)에 구성된 기능부, 설계 파라미터 기억부(21) 및 관측값 기억부(22)를 포함할 수 있다. 각 기능부에 대해서는 후술한다.
도 3은, 실시형태에 관한 설계 지원 장치(10)를 구성하는 컴퓨터(100)의 하드웨어 구성의 일례를 나타내는 도이다. 또한, 컴퓨터(100)는, 설계 지원 장치(10)를 구성할 수 있다.
일례로서, 컴퓨터(100)는 하드웨어 구성 요소로서, 프로세서(101), 주기억 장치(102), 보조 기억 장치(103), 및 통신 제어 장치(104)를 구비한다. 설계 지원 장치(10)를 구성하는 컴퓨터(100)는, 입력 디바이스인 키보드, 터치 패널, 마우스 등의 입력 장치(105) 및 디스플레이 등의 출력 장치(106)를 더 포함하는 것으로 해도 된다.
프로세서(101)는, 오퍼레이팅 시스템 및 애플리케이션 프로그램을 실행하는 연산 장치이다. 프로세서의 예로서 CPU(Central Processing Unit) 및 GPU(Graphics Processing Unit)를 들 수 있지만, 프로세서(101)의 종류는 이들에 한정되지 않는다. 예를 들면, 프로세서(101)는 센서 및 전용 회로의 조합이어도 된다. 전용 회로는 FPGA(Field-Programmable Gate Array)와 같은 프로그램 가능한 회로여도 되고, 다른 종류의 회로여도 된다.
주기억 장치(102)는, 설계 지원 장치(10) 등을 실현하기 위한 프로그램, 프로세서(101)로부터 출력된 연산 결과 등을 기억하는 장치이다. 주기억 장치(102)는 예를 들면 ROM(Read Only Memory) 및 RAM(Random Access Memory) 중 적어도 하나에 의하여 구성된다.
보조 기억 장치(103)는, 일반적으로 주기억 장치(102)보다 대량의 데이터를 기억하는 것이 가능한 장치이다. 보조 기억 장치(103)는 예를 들면 하드 디스크, 플래시 메모리 등의 불휘발성 기억 매체에 의하여 구성된다. 보조 기억 장치(103)는, 컴퓨터(100)를 설계 지원 장치(10) 등으로서 기능시키기 위한 설계 지원 프로그램(P1)과 각종 데이터를 기억한다.
통신 제어 장치(104)는, 통신 네트워크를 통하여 다른 컴퓨터와의 사이에서 데이터 통신을 실행하는 장치이다. 통신 제어 장치(104)는 예를 들면 네트워크 카드 또는 무선 통신 모듈에 의하여 구성된다.
설계 지원 장치(10)의 각 기능 요소는, 프로세서(101)또는 주기억 장치(102)의 위에, 대응하는 프로그램(P1)을 읽어들여 프로세서(101)에 그 프로그램을 실행시킴으로써 실현된다. 프로그램(P1)은, 대응하는 서버의 각 기능 요소를 실현하기 위한 코드를 포함한다. 프로세서(101)는 프로그램(P1)에 따라 통신 제어 장치(104)를 동작시키고, 주기억 장치(102)또는 보조 기억 장치(103)에 있어서의 데이터의 판독 및 기입을 실행한다. 이와 같은 처리에 의하여, 대응하는 서버의 각 기능 요소가 실현된다.
프로그램(P1)은, CD-ROM, DVD-ROM, 반도체 메모리 등의 유형의 기록 매체에 고정적으로 기록된 후에 제공되어도 된다. 혹은, 이들의 프로그램 중 적어도 하나는, 반송파에 중첩된 데이터 신호로서 통신 네트워크를 통하여 제공되어도 된다.
다시 도 2를 참조하여, 설계 지원 장치(10)는, 데이터 취득부(11), 모델 구축부(12), 샘플링부(13), 평갓값 산출부(14), 획득 함수 평가부(15), 설계 파라미터군 취득부(16) 및 출력부(17)를 구비한다. 설계 파라미터 기억부(21) 및 관측값 기억부(22)는, 도 2에 나타나는 바와 같이, 설계 지원 장치(10)에 구성되어도 되고, 설계 지원 장치(10)로부터 액세스 가능한 다른 장치로서 구성되어도 된다.
데이터 취득부(11)는, 제작이 완료된 재료에 관한 실적 데이터를 복수 취득한다. 실적 데이터는, 설계 파라미터군과 복수의 특성 항목의 각각의 관측값의 페어로 이루어진다. 설계 파라미터 기억부(21)는, 실적 데이터에 있어서의 설계 파라미터군을 기억하고 있는 기억 수단이며, 예를 들면 주기억 장치(102) 및 보조 기억 장치(103 )등으로 구성되어도 된다. 관측값 기억부(22)는, 실적 데이터에 있어서의 관측값을 기억하고 있는 기억 수단이다.
도 4는, 설계 파라미터 기억부(21)에 기억되어 있는 설계 파라미터군의 예를 나타내는 도이다. 도 4에 나타나는 바와 같이, 설계 파라미터 기억부(21)는, 1회째(t=1)부터 (T-1)회째(t=T-1)의 재료 제작에 있어서의 설계 파라미터군 xt를 기억하고 있다. 설계 파라미터군 x는, 일례로서, 원재료 A의 배합량, 원재료 B의 배합량 및 설계 파라미터 D 등을 포함해도 되고, 설계 파라미터의 수 D에 따른 차원수의 벡터 데이터를 구성할 수 있다. 설계 파라미터는, 예시한 것 외에, 예를 들면, 분자 구조 및 화상 등의 비벡터 데이터 등이어도 된다. 또, 복수의 분자의 종류로부터 최적인 분자를 선택하는 문제를 취급하는 경우에는, 설계 파라미터는, 복수의 분자 중의 선택지를 나타내는 데이터여도 된다.
도 5는, 관측값 기억부(22)에 기억되어 있는 관측값 y의 예를 나타내는 도이다. 도 5에 나타나는 바와 같이, 관측값 기억부(22)는, 1회째(t=1)부터 (T-1)회째(t=T-1)의 재료 제작에 있어서 제작된 재료의 특성을 나타내는 복수의 특성 항목 k(k=1~K)의 관측값 yk, t를 기억하고 있다. 특성 항목 k는, 일례로서, 유리 전이 온도, 접착력 및 특성 항목 K를 포함해도 된다. 설계 파라미터군 xt와 관측값 yk, t의 페어가 실적 데이터를 구성한다.
설계 지원 장치(10)는, 1회째(t=1)부터 (T-1)회째(t=T-1)의 재료 제작에 있어서의 실적 데이터에 근거하여, 각 특성 항목의 관측값이 향상되는 것 같은, T회째의 설계 파라미터군 xT를 구한다.
모델 구축부(12)는, 실적 데이터에 근거하여 예측 모델을 구축한다. 예측 모델은, 설계 파라미터군 x에 근거하여, 목적 변수로서의 특성 항목 k의 관측값 yk를 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하는 모델이다. 예측 모델을 구성하는 모델은, 관측값 yk를 확률 분포 혹은 그 근사 또는 대체 지표로서 예측 가능한 모델이면 되고, 그 종류는 한정되지 않는다.
예를 들면, 예측 모델은, 설계 파라미터 x를 입력으로 하고, 관측값 yk의 확률 분포를 출력으로 하는 회귀 모델이어도 된다. 예측 모델이 회귀 모델인 경우에는, 예측 모델은, 예를 들면, 선형 회귀, PLS 회귀, 가우스 과정 회귀, 랜덤 포레스트, 및, 뉴럴 네트워크와 같은 회귀 모델 중 어느 하나에 의하여 구성되어도 된다. 모델 구축부(12)는, 실적 데이터를 이용한 주지의 기계 학습의 수법에 의하여, 예측 모델을 구축해도 된다. 모델 구축부(12)는, 실적 데이터를 예측 모델에 적용하여 당해 예측 모델의 파라미터를 갱신하는 기계 학습의 수법에 의하여, 예측 모델을 구축해도 된다.
가우스 과정 회귀로서 구축되는 예측 모델에서는, 교사 데이터의 설명 변수를 구성하는 실적 데이터에 있어서의 설계 파라미터군 x 및 목적 변수를 구성하는 관측값 y 및 예측 대상의 설계 파라미터 x를 모델에 입력함으로써, 관측값의 확률 분포가 예측된다.
또, 예측 모델은, 베이즈 이론에 근거하는 예측값의 사후 분포, 앙상블을 구성하는 예측기의 예측값의 분포, 회귀 모델의 예측 구간 및 신뢰 구간의 이론식, 몬테카를로 드롭아웃에 의하여 얻어지는 분포, 및, 상이한 조건으로 복수 개 구축한 예측기의 예측의 분포 중 어느 하나를 이용하여 관측값의 확률 분포 혹은 그 근사 또는 대체 지표를 예측하는 기계 학습 모델이어도 된다.
관측값의 확률 분포, 또는 그 대체 지표의 예측은, 모델 고유의 수법에 의하여 얻을 수 있다. 관측값의 확률 분포 혹은 그 근사 또는 대체 지표는, 가우스 과정 회귀 및 베이지안 뉴럴 네트워크이면 예측값의 사후 분포에 근거하여, 랜덤 포레스트이면, 앙상블을 구성하는 예측기의 예측의 분포에 근거하여, 선형 회귀이면 예측 구간 및 신뢰 구간에 근거하여, 및, 뉴럴 네트워크이면 몬테카를로 드롭아웃에 근거하여 얻을 수 있다. 단, 각 기계 학습 모델에 대한 관측값의 분포 또는 그 대체 지표의 산출 방법은 상기 수법에 한정되지 않는다.
또, 임의의 모델은, 관측값의 확률 분포 또는 그 대체 지표를 예측할 수 있는 모델로 확장되어도 된다. 예를 들면, 부트 스트랩법 등으로 복수 개의 데이터 세트를 구축하고, 각각에 대하여 예측 모델을 구축함으로써 얻어지는, 각 모델의 예측값의 분포를, 관측값의 확률 분포의 대체 지표로서 이용하는 모델을, 그 예로서 들 수 있다. 단, 기계 학습 모델을 관측값의 확률 분포 또는 그 대체 지표를 예측할 수 있는 모델로 확장하는 방법은 상기 수법에 한정되지 않는다.
또, 모델 구축부(12)는, 예측 모델의 하이퍼 파라미터를 주지의 하이퍼 파라미터 튜닝의 수법에 의하여, 튜닝해도 된다. 즉, 모델 구축부(12)는, 실적 데이터에 있어서의 설명 변수인 설계 파라미터군 x를 나타내는 벡터와, 목적 변수인 관측값 y를 이용한 최우(最尤) 추정에 의하여, 예측 모델의 하이퍼 파라미터를 갱신해도 된다.
또, 예측 모델은, 분류 모델에 의하여 구축되어도 된다. 예측 모델이 분류 모델인 경우에는, 모델 구축부(12)는, 실적 데이터를 이용한 주지의 확률 분포의 평가가 가능한 기계 학습의 수법에 의하여 예측 모델을 구축할 수 있다.
이와 같이, 모델 구축부(12)가 소정의 회귀 모델 또는 분류 모델에 의하여 예측 모델을 구축함으로써, 임의의 설계 파라미터군 x에 근거하여, 특성 항목의 관측값의 확률 분포의 취득이 가능해진다.
또, 예측 모델은, 하나의 특성 항목의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하는 싱글 태스크 모델, 또는, 복수의 특성 항목의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하는 멀티 태스크 모델이어도 된다. 이와 같이, 특성 항목의 성질에 따라 적절히 구성된 멀티 태스크 모델 또는 싱글 태스크 모델에 의하여 예측 모델을 구축함으로써, 예측 모델에 의한 관측값의 예측의 정밀도를 향상시킬 수 있다.
샘플링부(13)는, 각 예측 모델로부터 얻어지는 관측값의 다차원 확률 분포로부터 샘플링한 복수의 목적 변수군을 하나의 샘플링점으로 하여, 소정 점수의 목적 변수군의 샘플링을 행한다.
구체적으로는, 예를 들면 목적 변수로서의 관측값 yk(k=1~K)가, 예측 모델에 근거하여 다차원 정규 분포에 따르고, 또한 서로 무상관인 경우에, 이하와 같이 표기된다.
yk~N(mk(x),σk(x)2)
이와 같은 경우에 있어서, 샘플링부(13)는, 하나의 설계 파라미터군 x에 근거하여, 목적 변수 yk의 확률 분포로부터, 복수의 yk(k=1~K)를 샘플링한다.
보다 구체적으로는, 샘플링부(13)는, 제n(n: 1~N) 샘플링점으로 하여, 목적 변수군 yk, n(k=1~K, n=1~N)을 각각 샘플링한다. 제n 샘플링점의 목적 변수군 yn은, 이하에 표기되는 바와 같이, 목적 변수군에 포함되는 목적 변수의 수를 차원수로 하고, 각 목적 변수의 값을 요소로 하는 벡터를 구성한다.
yn=[y1, n, y2, n, .., yk, n, .., yK, n]
그리고, 샘플링부(13)는, 소정의 점수인 N점의 샘플링점에 상당하는 목적 변수군 집합 Y를 취득한다.
Y=[y1, y2, .., yn, .., yN]
목적 변수군 y1, y2, .., yn, .., yN은, 각각 벡터를 구성한다.
또한, 이상의 예시에서는, 목적 변수로서의 관측값 yk가 정규 분포에 따르고, 또한 서로 무관계인 것을 가정했지만, 상관 관계가 있어도 되거나, 또, 정규 분포인 것에도 한정되지 않고, 그 외의 확률 분포에 따르는 것으로 해도 된다. 또, 샘플링부(13)에 의한 샘플링에 대하여, 목적 변수마다 샘플링하는 예에 의하여 설명했지만, 그와 같은 예에는 한정되지 않고, 샘플링부(13)는, 예를 들면, 각 특성 항목의 예측 모델에 의하여 규정되는 목적 변수의 다차원 정규 분포에 근거하여 목적 변수군을 일괄적으로 샘플링해도 된다.
또, 샘플링부(13)는, 사전에 샘플링 및 저장된 표준 정규 분포로부터의 샘플링점에 근거하여, 목적 변수군 yk, n의 샘플을 얻는 것으로 해도 된다. 구체적으로는, 샘플링부(13)는, 미리, 평균 0, 분산 1의 정규 분포인 표준 정규 분포로부터 샘플링점 y_stdk, n(n=1~N)을 샘플링해 두고, 이하의 변환식에 의하여, 목적 변수군 yk, n의 샘플을 얻을 수 있다.
yk, n=y_stdk, n*σk(x)+mk(x)
또한, 컴퓨터에 실장된 설계 지원 장치(10)에 있어서는, 샘플링부(13)는, N점의 샘플링을 일괄적으로 실시해도 되고, 복수의 설계 파라미터군 x의 각각에 대응하는 샘플링을 일괄적으로 실시해도 된다.
평갓값 산출부(14)는, 하나의 설계 파라미터군 x 및 하나의 샘플링점에 대응하는 목적 변수군의 평갓값을 산출한다. 구체적으로는, 상술한 바와 같이, 하나의 샘플링점의 목적 변수군은, 목적 변수군에 포함되는 목적 변수의 수를 차원수로 하고, 각 목적 변수의 값을 요소로 하는 벡터를 구성하므로, 평갓값 산출부(14)는, 목적 변수군을 나타내는 벡터를 소정의 연산에 의하여 스칼라화함으로써, 각 샘플링점의 평갓값을 산출한다. 각 샘플링점의 평갓값은, 보다 일반적으로는, 목적 변수를 입력으로 하여 소정의 처리에 의하여 산출되는 임의의 스칼라값이어도 된다.
평갓값 산출부(14)는, 일례로서, 이하의 식 (1)에 나타내는 바와 같이, 스칼라화 함수(Scalarizing Function: SF)에 의하여 평갓값 vn을 산출한다.
vn=SF(yn)…(1)
평갓값 vn은, 스칼라값을 구성한다. 스칼라화 함수 SF는, 목적 변수군 yn에 포함되는 목적 변수의 가중합을 산출하는 항을 포함해도 된다. 또, 각 목적 변수에 목푯값이 설정되어 있는 경우에 있어서, 최적화를 최소화 문제로 하는 경우에는, 스칼라화 함수 SF는, 목적 변수군에 포함되는 복수의 목적 변수 중 목푯값을 기준으로 하여 가장 수치가 큰 목적 변수의 그 목푯값에 대한 차를 포함하는 항을 더 포함해도 된다. 또, 최적화를 최대화 문제로 하는 경우에는, 스칼라화 함수 SF는, 목적 변수군에 포함되는 복수의 목적 변수 중 목푯값을 기준으로 하여 가장 수치가 작은 목적 변수의 그 목푯값에 대한 차를 포함하는 항을 더 포함해도 된다.
평갓값 산출부(14)는, 예를 들면, 각 목적 변수에 목푯값이 설정되고, 최적화를 최소화 문제로 하는 경우에는, 이하의 식 (2)에 의하여 평갓값 vn을 산출해도 된다.
[수학식 1]
식 (2) 중, 제1항은 목적 변수군 yn에 포함되는 목적 변수의 가중합을 산출하는 항이며, wk는 목적 변수 yk에 대한 양의 가중값이고 목적 변수 간의 스케일의 차이를 조정하기 위한 것이며, ρ는 제1항과 제2항의 밸런스를 조정하기 위한 임의의 상수이다. 또, 식 (2) 중 제2항은, 목적 변수군 yn에 포함되는 복수의 목적 변수 중 목푯값과의 차가 가장 큰 목적 변수의, 그 목푯값에 대한 차를 포함하는 항이며, gk는, 목적 변수 yk의 목푯값이다.
식 (2)의 제1항에 예시되는 바와 같이, 평갓값 vn이 목적 변수군 yn에 포함되는 목적 변수의 가중합을 포함함으로써, 이와 같이 산출된 평갓값 vn을 이용한 베이즈 최적화의 프로세스에 있어서, 각 목적 변수가 파레토해에 가까워지는 것을 촉진시킬 수 있다. 또, 식 (2)의 제2항에 예시되는 바와 같이, 평갓값 vn이 목적 변수군 yn에 포함되는 복수의 목적 변수 중 목푯값과의 차가 가장 큰 목적 변수의, 그 목푯값에 대한 차를 포함하는 항을 포함함으로써, 베이즈 최적화의 프로세스에 있어서, 목적 변수가 목푯값에 가까워지는 것을 촉진시킬 수 있다.
평갓값 산출부(14)는, 제1~제N 샘플링점의 목적 변수군 yn의 각각의 평갓값 vn을 산출함으로써, 제1~제N 평갓값 vn으로 이루어지는 평갓값 집합 V를 얻을 수 있다.
V=[v1, v2, .., vn, .., vN]
상술한 바와 같이, 평갓값 v1, v2, .., vn, .., vN은, 각각 스칼라값을 구성한다.
또한, 컴퓨터에 실장된 설계 지원 장치(10)에 있어서는, 평갓값 산출부(14)는, N점의 샘플링점의 각각에 대응하는 평갓값 v1, v2, .., vn, .., vN의 산출을 일괄적으로 실시해도 된다.
획득 함수 평가부(15)는, 각 샘플링점의 평갓값의 분포에 근거하여, 설계 파라미터군을 입력으로 하고, 평갓값의 향상에 관한 획득 함수 평갓값을 소정의 획득 함수에 의하여 출력한다.
획득 함수 평가부(15)는, 예를 들면, LCB(Lower Confidence Bound)와 같은 주지의 획득 함수를 이용하여 획득 함수 평갓값을 출력해도 된다. LCB는, 함수의 출력을 최소화하는 경우에 이용되고, LCB의 값을 최소화함으로써 적합한 설계 파라미터군 x가 얻어진다.
획득 함수를 LCB에 의하여 구축하는 경우, 획득 함수 평가부(15)는, 이하의 식 (3)과 같이 획득 함수 평갓값 A(x)를 정의 및 구축한다.
A(x)=mv(x)-aσv(x)…(3)
획득 함수 평가부(15)는, 평갓값 집합 V에 포함되는 평갓값 vn의 분포에 근거하여, 평균 mv(x) 및 표준 편차 σv(x)를 평가 및 취득하고, 식 (3)에 나타나는 획득 함수에 의하여 획득 함수 평갓값을 출력한다. 식 (3)에 있어서의 a는, 임의의 파라미터이다. 상기 획득 함수의 식 (3)은, 설계 파라미터군 x를 파라미터로 했을 때의, 다음의 실험에 있어서의 vn의 관측값이 정규 분포에 따른다고 가정한 경우의 신뢰 구간 하한을 나타낸다.
또, 획득 함수 평가부(15)는, UCB(Upper Confidence Bound), EI(Expected Improvement) 및 PI(Probability of Improvement)와 같은 주지의 함수에 의하여 획득 함수 평갓값 A(x)를 출력해도 된다.
설계 파라미터군 취득부(16)는, 획득 함수 평가부(15)에 의하여 출력된 획득 함수 평갓값 A(x)의 최적화에 의하여 적어도 하나의 설계 파라미터군을 취득한다.
일례로서, 설계 파라미터군 취득부(16)는, 획득 함수의 출력을 최적화하는 적어도 하나의 설계 파라미터군 x를 취득해도 된다. 구체적으로는, 설계 파라미터군 취득부(16)는, 획득 함수 평가부(15)에 의하여 출력된 획득 함수 평갓값 A(x)를 목적 변수로 하는 최적화를 실시하고, 최적해로서 설계 파라미터군 x를 취득한다.
또, 일례로서, 설계 파라미터군 취득부(16)는, 복수의 설계 파라미터군을 소정의 알고리즘에 의하여 취득해도 된다. 구체적으로는, 설계 파라미터군 취득부(16)는, 획득 함수에 대하여, 배치(batch) 베이즈 최적화의 수법을 적용함으로써, 복수의 설계 파라미터군을 취득해도 된다. 배치 베이즈 최적화의 수법은, 예를 들면, Local Penalization 등의 수법이어도 되지만, 그 수법은 한정되지 않는다.
출력부(17)는, 설계 파라미터군 취득부(16)에 의하여 취득된 설계 파라미터군을 출력한다. 즉, 출력부(17)는, 1회째(t=1)부터 (T-1)회째(t=T-1)의 재료 제작에 있어서의 실적 데이터에 근거하여 얻어진 설계 파라미터군을, T회째의 재료의 제작을 위한 설계 파라미터군 xT로서 출력한다.
또, 설계 파라미터군 취득부(16)에 의하여 복수의 설계 파라미터군이 취득되는 경우에는, 출력부(17)는, (T-1)회째의 차회 이후의 N회분의 재료 제작을 위한 설계 파라미터군으로서 취득된 설계 파라미터군을 출력한다. 복수 회분의 재료 제작을 위한 설계 파라미터군은, 동시의 실험 및 재료 제작에 제공되어도 된다.
출력의 양태는 한정되지 않지만, 출력부(17)는, 예를 들면, 소정의 표시 장치에 표시시키거나 소정의 기억 수단에 기억시키거나 함으로써, 설계 파라미터군 후보를 출력한다.
도 6은, 재료 설계에 있어서의 특성 항목 및 설계 파라미터군의 최적화의 프로세스를 나타내는 플로 차트이다.
스텝 S1에 있어서, 설계 파라미터군이 취득된다. 여기에서 취득되는 설계 파라미터군은, 초기의 재료 제작(실험)을 위한 것이며, 임의로 설정된 설계 파라미터군이어도 되고, 이미 행해진 실험 등에 근거하여 설정된 설계 파라미터군이어도 된다.
스텝 S2에 있어서, 재료 제작이 행해진다. 스텝 S3에 있어서, 제작된 재료의 특성 항목의 관측값이 취득된다. 스텝 S2에 있어서의 제작 조건으로서의 설계 파라미터군과 스텝 S3에 있어서 취득된 각 특성 항목의 관측값의 페어는, 실적 데이터를 구성한다.
스텝 S4에 있어서, 소정의 종료 조건이 충족되었는지 아닌지가 판정된다. 소정의 종료 조건은, 설계 파라미터군 및 특성 항목의 관측값의 최적화를 위한 조건이며 임의로 설정되어도 된다. 최적화를 위한 종료 조건은, 예를 들면, 제작(실험) 및 관측값의 취득의 소정 횟수로의 도달, 관측값의 목푯값으로의 도달 및 최적화의 수습 등이어도 된다. 소정의 종료 조건이 충족되었다고 판정된 경우에는, 최적화의 프로세스가 종료된다. 소정의 종료 조건이 충족되었다고 판정되지 않은 경우에는, 프로세스는, 스텝 S5로 진행된다.
스텝 S5에 있어서, 설계 지원 장치(10)에 의한 설계 지원 처리가 행해진다. 설계 지원 처리는, 다음의 재료 제작을 위한 설계 파라미터군을 출력하는 처리이다. 그리고, 프로세스는, 다시 스텝 S1로 되돌아간다.
또한, 스텝 S1~S5에 의하여 구성되는 처리 사이클의 1사이클 째에 있어서, 설계 파라미터군 및 특성 항목의 관측값의 페어가 초기 데이터로서 복수 얻어지는 경우에는, 스텝 S1~S4의 처리는 생략된다. 초기 데이터가 얻어지지 않는 경우에는, 스텝 S1에 있어서, 예를 들면 실험계획법 및 랜덤 서치 등의 임의의 방법으로 얻어진 설계 파라미터군이 취득된다. 처리 사이클의 2사이클 째 이후에서는, 스텝 S1에 있어서, 스텝 S5에 있어서 출력된 설계 파라미터군이 취득된다.
도 7은, 실시형태에 관한 설계 지원 장치(10)에 있어서의 설계 지원 방법의 내용의 일례를 나타내는 플로 차트이며, 도 6에 있어서의 스텝 S5의 처리를 나타낸다. 설계 지원 방법은, 프로세서(101)에 설계 지원 프로그램(P1)을 읽어들여, 그 프로그램이 실행됨으로써, 각 기능부(11~17)가 실현됨으로써 실행된다.
스텝 S11에 있어서, 데이터 취득부(11)는, 제작이 완료된 재료에 관한 실적 데이터를 복수 취득한다. 실적 데이터는, 설계 파라미터군과 특성 항목의 각각의 관측값의 페어로 이루어진다.
스텝 S12에 있어서, 모델 구축부(12)는, 실적 데이터에 근거하여, 예측 모델을 구축한다.
스텝 S13에 있어서, 샘플링부(13)는, 예측 모델에 근거하여, 하나의 설계 파라미터군 x에 근거하여 각 예측 모델로부터 얻어지는 관측값의 다차원 확률 분포로부터 샘플링한 복수의 목적 변수군을 하나의 샘플링점으로 하여, 소정 점수의 목적 변수군의 샘플링을 행한다.
스텝 S14에 있어서, 평갓값 산출부(14)는, 목적 변수군의 각 목적 변수의 값을 요소로 하는 벡터를 소정의 연산에 의하여 스칼라화함으로써, 각 샘플링점의 평갓값을 산출한다.
스텝 S15에 있어서, 획득 함수 평가부(15)는, 각 샘플링점의 평갓값의 분포에 근거하여, 소정의 획득 함수 평갓값을 출력한다.
스텝 S16에 있어서, 설계 파라미터군 취득부(16)는, 스텝 S15에 있어서 획득 함수 평가부(15)에 의하여 얻어진 획득 함수 평갓값의 최적화에 의하여 적어도 하나의 설계 파라미터군을 취득한다.
스텝 S17에 있어서, 출력부(17)는, 스텝 S16에 있어서 설계 파라미터군 취득부(16)에 의하여 취득된 설계 파라미터군을, 다음의 재료 제작(스텝 S1)을 위한 설계 파라미터군으로서 출력한다.
다음으로, 컴퓨터를, 본 실시형태의 설계 지원 장치(10)로서 기능시키기 위한 설계 지원 프로그램에 대하여 설명한다. 도 8은, 설계 지원 프로그램의 구성을 나타내는 도이다.
설계 지원 프로그램(P1)은, 설계 지원 장치(10)에 있어서의 설계 지원 처리를 통괄적으로 제어하는 메인 모듈(m10), 데이터 취득 모듈(m11), 모델 구축 모듈(m12), 샘플링 모듈(m13), 평갓값 산출 모듈(m14), 획득 함수 평가 모듈(m15), 설계 파라미터군 취득 모듈(m16) 및 출력 모듈(m17)을 구비하여 구성된다. 그리고, 각 모듈(m11~m17)에 의하여, 데이터 취득부(11), 모델 구축부(12), 샘플링부(13), 평갓값 산출부(14), 획득 함수 평가부(15), 설계 파라미터군 취득부(16) 및 출력부(17)를 위한 각 기능이 실현된다.
또한, 설계 지원 프로그램(P1)은, 통신 회선 등의 전송 매체를 통하여 전송되는 양태여도 되고, 도 8에 나타나는 바와 같이, 기록 매체(M1)에 기억되는 양태여도 된다.
이상 설명한 본 실시형태의 설계 지원 장치(10), 설계 지원 방법 및 설계 지원 프로그램(P1)에 의하면, 실적 데이터에 근거하여 특성 항목의 관측값을 예측하는 예측 모델이 구축된다. 이 예측 모델은, 목적 변수로서의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하므로, 각 특성 항목의 예측 모델로부터 얻어지는 관측값의 다차원 분포에 근거하여, 임의의 점수의 목적 변수군을 샘플링할 수 있다. 각 샘플링점에 있어서의 목적 변수군을 요소로 하는 벡터에 대하여 소정의 연산을 행함으로써, 스칼라값에 의하여 표현된 각 샘플링점에 관한 평갓값을 얻을 수 있다. 그리고, 각 샘플링점의 평갓값의 분포에 근거하여, 소정의 획득 함수를 이용하여 출력된 획득 함수 평갓값의 최적화에 의하여, 다음의 실험 등에 적합한 설계 파라미터군을 얻을 수 있다. 따라서, 평갓값을 직접 학습하여 획득 함수를 구축하는 통상의 방법과 비교하여, 보다 고정밀도의 기계 학습 모델을 얻는 것이 가능해지고, 결과적으로 실험 등에 채용되는 설계 파라미터군의 적합도의 향상에 의하여, 실험 횟수의 저감이 가능해진다.
이상, 본 발명을 그 실시형태에 근거하여 상세하게 설명했다. 그러나, 본 발명은 상기 실시형태에 한정되는 것은 아니다. 본 발명은, 그 요지를 벗어나지 않는 범위에서 다양한 변형이 가능하다.
P1…설계 지원 프로그램
m10…메인 모듈
m11…데이터 취득 모듈
m12…모델 구축 모듈
m13…샘플링 모듈
m14…평갓값 산출 모듈
m15…획득 함수 평가 모듈
m16…설계 파라미터군 취득 모듈
m17…출력 모듈
10…설계 지원 장치
11…데이터 취득부
12…모델 구축부
13…샘플링부
14…평갓값 산출부
15…획득 함수 평가부
16…설계 파라미터군 취득부
17…출력부
21…설계 파라미터 기억부
22…관측값 기억부

Claims (10)

  1. 복수의 설계 파라미터로 이루어지는 설계 파라미터군에 근거하여 제작되는 제품, 재공품, 반제품, 부품 또는 시작품의 설계에 있어서, 설계 파라미터의 결정과 결정된 설계 파라미터에 근거하는 제품, 재공품, 반제품, 부품 또는 시작품의 제작의 반복에 의하여 설계 파라미터의 최적화를 도모하는 수법에 적용하기 위하여, 제품, 재공품, 반제품, 부품 또는 시작품의 특성을 나타내는 복수의 특성 항목이 향상되는 것 같은, 상기 복수의 설계 파라미터를 구하는 설계 지원 장치로서,
    제작이 완료된 상기 제품, 상기 재공품, 상기 반제품, 상기 부품 또는 상기 시작품에 관한, 상기 설계 파라미터군과 상기 복수의 특성 항목의 각각의 관측값으로 이루어지는 실적 데이터를 복수 취득하는 데이터 취득부와,
    상기 설계 파라미터군에 근거하여, 목적 변수로서의 상기 특성 항목의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하는 예측 모델을, 상기 실적 데이터에 근거하여 구축하는 모델 구축부와,
    각 예측 모델로부터 얻어지는 관측값의 다차원 확률 분포로부터 샘플링한 복수의 목적 변수군을 하나의 샘플링점으로 하여, 상기 목적 변수군을 소정 점수 샘플링하는 샘플링부와,
    상기 목적 변수군에 포함되는 목적 변수의 수를 차원수로 하고 각 목적 변수의 값을 요소로 하는 벡터를 소정의 연산에 의하여 스칼라화함으로써, 각 샘플링점의 목적 변수군의 평갓값을 산출하는 평갓값 산출부와,
    각 샘플링점의 상기 평갓값의 분포에 근거하여, 상기 설계 파라미터군을 입력으로 하며, 상기 평갓값의 향상에 관한 획득 함수 평갓값을 소정의 획득 함수에 의하여 출력하는 획득 함수 평가부와,
    상기 획득 함수 평갓값의 최적화에 의하여 적어도 하나의 설계 파라미터군을 취득하는 설계 파라미터군 취득부와,
    상기 설계 파라미터군 취득부에 의하여 취득된 상기 설계 파라미터군을 출력하는 출력부를 구비하는 설계 지원 장치.
  2. 청구항 1에 있어서,
    상기 평갓값 산출부는, 상기 목적 변수군에 포함되는 목적 변수의 가중합을 포함하는 상기 평갓값을 산출하는, 설계 지원 장치.
  3. 청구항 2에 있어서,
    상기 평갓값 산출부는, 각 목적 변수에 목푯값이 설정되어 있는 경우에는, 상기 목적 변수군에 포함되는 복수의 목적 변수 중, 목푯값과의 차가 가장 큰 목적 변수의 상기 목푯값에 대한 차를 더 포함하는 상기 평갓값을 산출하는, 설계 지원 장치.
  4. 청구항 1 내지 청구항 3 중 어느 한 항에 있어서,
    상기 획득 함수 평가부는, LCB(Lower Confidence Bound), UCB(Upper Confidence Bound), EI(Expected Improvement) 및 PI(Probability of Improvement) 중 어느 하나의 획득 함수에 의하여 상기 획득 함수 평갓값을 출력하는, 설계 지원 장치.
  5. 청구항 1 내지 청구항 4 중 어느 한 항에 있어서,
    상기 설계 파라미터군 취득부는, 상기 획득 함수 평갓값을 최적화하는 하나의 설계 파라미터군을 취득하는, 설계 지원 장치.
  6. 청구항 1 내지 청구항 4 중 어느 한 항에 있어서,
    상기 설계 파라미터군 취득부는, 복수의 상기 설계 파라미터군을 소정의 알고리즘에 의하여 취득하는, 설계 지원 장치.
  7. 청구항 1 내지 청구항 6 중 어느 한 항에 있어서,
    상기 예측 모델은, 상기 설계 파라미터군을 입력으로 하고, 상기 관측값의 확률 분포를 출력으로 하는 회귀 모델 또는 분류 모델이며,
    상기 모델 구축부는, 상기 실적 데이터를 이용한 기계 학습에 의하여, 상기 예측 모델을 구축하는, 설계 지원 장치.
  8. 청구항 7에 있어서,
    상기 예측 모델은, 베이즈 이론에 근거하는 예측값의 사후 분포, 앙상블을 구성하는 예측기의 예측값의 분포, 회귀 모델의 예측 구간 및 신뢰 구간의 이론식, 몬테카를로 드롭아웃, 및, 상이한 조건으로 복수 개 구축한 예측기의 예측의 분포 중 어느 하나를 이용하여 관측값의 확률 분포 혹은 그 근사 또는 대체 지표를 예측하는 기계 학습 모델인, 설계 지원 장치.
  9. 복수의 설계 파라미터로 이루어지는 설계 파라미터군에 근거하여 제작되는 제품, 재공품, 반제품, 부품 또는 시작품의 설계에 있어서, 설계 파라미터의 결정과 결정된 설계 파라미터에 근거하는 제품, 재공품, 반제품, 부품 또는 시작품의 제작의 반복에 의하여 설계 파라미터의 최적화를 도모하는 수법에 적용하기 위하여, 제품, 재공품, 반제품, 부품 또는 시작품의 특성을 나타내는 복수의 특성 항목이 향상되는 것 같은, 상기 복수의 설계 파라미터를 구하는 설계 지원 장치에 있어서의 설계 지원 방법으로서,
    제작이 완료된 상기 제품, 상기 재공품, 상기 반제품, 상기 부품 또는 상기 시작품에 관한, 상기 설계 파라미터군과 상기 복수의 특성 항목의 각각의 관측값으로 이루어지는 실적 데이터를 복수 취득하는 데이터 취득 스텝과,
    상기 설계 파라미터군에 근거하여, 목적 변수로서의 상기 특성 항목의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하는 예측 모델을, 상기 실적 데이터에 근거하여 구축하는 모델 구축 스텝과,
    각 예측 모델로부터 얻어지는 관측값의 다차원 확률 분포로부터 샘플링한 복수의 목적 변수군을 하나의 샘플링점으로 하여, 상기 목적 변수군을 소정 점수 샘플링하는 샘플링 스텝과,
    상기 목적 변수군에 포함되는 목적 변수의 수를 차원수로 하고 각 목적 변수의 값을 요소로 하는 벡터를 소정의 연산에 의하여 스칼라화함으로써, 각 샘플링점의 목적 변수군의 평갓값을 산출하는 평갓값 산출 스텝과,
    각 샘플링점의 상기 평갓값의 분포에 근거하여, 상기 설계 파라미터군을 입력으로 하며, 상기 평갓값의 향상에 관한 획득 함수 평갓값을 소정의 획득 함수에 의하여 출력하는 획득 함수 평가 스텝과,
    상기 획득 함수 평갓값의 최적화에 의하여 적어도 하나의 설계 파라미터군을 취득하는 설계 파라미터군 취득 스텝과,
    상기 설계 파라미터군 취득 스텝에 의하여 취득된 상기 설계 파라미터군을 출력하는 출력 스텝을 갖는 설계 지원 방법.
  10. 컴퓨터를, 복수의 설계 파라미터로 이루어지는 설계 파라미터군에 근거하여 제작되는 제품, 재공품, 반제품, 부품 또는 시작품의 설계에 있어서, 설계 파라미터의 결정과 결정된 설계 파라미터에 근거하는 제품, 재공품, 반제품, 부품 또는 시작품의 제작의 반복에 의하여 설계 파라미터의 최적화를 도모하는 수법에 적용하기 위하여, 제품, 재공품, 반제품, 부품 또는 시작품의 특성을 나타내는 복수의 특성 항목이 향상되는 것 같은, 상기 복수의 설계 파라미터를 구하는 설계 지원 장치로서 기능시키기 위한 설계 지원 프로그램으로서,
    상기 컴퓨터에,
    제작이 완료된 상기 제품, 상기 재공품, 상기 반제품, 상기 부품 또는 상기 시작품에 관한, 상기 설계 파라미터군과 상기 복수의 특성 항목의 각각의 관측값으로 이루어지는 실적 데이터를 복수 취득하는 데이터 취득 기능과,
    상기 설계 파라미터군에 근거하여, 목적 변수로서의 상기 특성 항목의 관측값을 확률 분포 혹은 그 근사 또는 대체 지표로서 예측하는 예측 모델을, 상기 실적 데이터에 근거하여 구축하는 모델 구축 기능과,
    각 예측 모델로부터 얻어지는 관측값의 다차원 확률 분포로부터 샘플링한 복수의 목적 변수군을 하나의 샘플링점으로 하여, 상기 목적 변수군을 소정 점수 샘플링하는 샘플링 기능과,
    상기 목적 변수군에 포함되는 목적 변수의 수를 차원수로 하고 각 목적 변수의 값을 요소로 하는 벡터를 소정의 연산에 의하여 스칼라화함으로써, 각 샘플링점의 목적 변수군의 평갓값을 산출하는 평갓값 산출 기능과,
    각 샘플링점의 상기 평갓값의 분포에 근거하여, 상기 설계 파라미터군을 입력으로 하며, 상기 평갓값의 향상에 관한 획득 함수 평갓값을 소정의 획득 함수에 의하여 출력하는 획득 함수 평가 기능과,
    상기 획득 함수 평갓값의 최적화에 의하여 적어도 하나의 설계 파라미터군을 취득하는 설계 파라미터군 취득 기능과,
    상기 설계 파라미터군 취득 기능에 의하여 취득된 상기 설계 파라미터군을 출력하는 출력 기능을 실현시키는 설계 지원 프로그램.
KR1020237038032A 2021-04-27 2022-04-20 설계 지원 장치, 설계 지원 방법 및 설계 지원 프로그램 KR20240001159A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021075151A JP2022169242A (ja) 2021-04-27 2021-04-27 設計支援装置、設計支援方法及び設計支援プログラム
JPJP-P-2021-075151 2021-04-27
PCT/JP2022/018312 WO2022230736A1 (ja) 2021-04-27 2022-04-20 設計支援装置、設計支援方法及び設計支援プログラム

Publications (1)

Publication Number Publication Date
KR20240001159A true KR20240001159A (ko) 2024-01-03

Family

ID=83847306

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237038032A KR20240001159A (ko) 2021-04-27 2022-04-20 설계 지원 장치, 설계 지원 방법 및 설계 지원 프로그램

Country Status (5)

Country Link
EP (1) EP4318337A1 (ko)
JP (1) JP2022169242A (ko)
KR (1) KR20240001159A (ko)
CN (1) CN117242450A (ko)
WO (1) WO2022230736A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522068B (zh) * 2023-07-03 2023-09-15 西安羚控电子科技有限公司 一种试验参数生成方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020052737A (ja) 2018-09-27 2020-04-02 株式会社神戸製鋼所 製品設計装置および該方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7139782B2 (ja) * 2018-08-23 2022-09-21 横浜ゴム株式会社 ゴム材料設計方法、ゴム材料設計装置、及びプログラム
JP7109339B2 (ja) * 2018-11-02 2022-07-29 昭和電工株式会社 ポリマー設計装置、プログラム、および方法
JP7218624B2 (ja) * 2019-03-08 2023-02-07 富士通株式会社 データ処理プログラム及びデータ処理方法
JP7450905B2 (ja) * 2019-09-05 2024-03-18 国立研究開発法人物質・材料研究機構 硬化性組成物の探索方法、及び、硬化性組成物の探索装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020052737A (ja) 2018-09-27 2020-04-02 株式会社神戸製鋼所 製品設計装置および該方法

Also Published As

Publication number Publication date
JP2022169242A (ja) 2022-11-09
EP4318337A1 (en) 2024-02-07
WO2022230736A1 (ja) 2022-11-03
CN117242450A (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
Guimarães et al. An innovative adaptive sparse response surface method for structural reliability analysis
WO2022124077A1 (ja) 設計支援装置、設計支援方法及び設計支援プログラム
Stewart et al. Data assimilation with correlated observation errors: experiments with a 1-D shallow water model
WO2022124075A1 (ja) 設計支援装置、設計支援方法及び設計支援プログラム
Zhu et al. Robust supervised probabilistic principal component analysis model for soft sensing of key process variables
US20220036223A1 (en) Processing apparatus, processing method, and non-transitory storage medium
Bon et al. Accelerating sequential Monte Carlo with surrogate likelihoods
KR20240001159A (ko) 설계 지원 장치, 설계 지원 방법 및 설계 지원 프로그램
Costa et al. Gaussian process model–an exploratory study in the response surface methodology
Battaglia et al. Parsimonious periodic autoregressive models for time series with evolving trend and seasonality
Greenman et al. Benchmarking uncertainty quantification for protein engineering
Moustapha et al. Multi-objective robust optimization using adaptive surrogate models for problems with mixed continuous-categorical parameters
Brezocnik et al. Evolutionary algorithm approaches to modeling of flow stress
Cravero et al. How can polydispersity information be integrated in the QSPR modeling of mechanical properties?
CN116861957A (zh) 一种基于强化学习的算子自动调优方法及相关装置
WO2023080179A1 (ja) 設計支援装置、設計支援方法及び設計支援プログラム
EP4148623A1 (en) Hyperparameter adjustment device, non-transitory recording medium in which hyperparameter adjustment program is recorded, and hyperparameter adjustment program
WO2024024957A1 (ja) 設計支援装置、設計支援方法及び設計支援プログラム
Park et al. Machine learning of stochastic gene network phenotypes
JP2024011665A (ja) 設計支援装置、設計支援方法及び設計支援プログラム
Muñoz et al. Time Series Forecasting using NARX and NARMAX models with shallow and deep neural networks
US20130325786A1 (en) Sparse higher-order markov random field
Wang et al. Error-guided method combining adaptive learning kriging model and parallel-tempering-based importance sampling for system reliability analysis
Zhang et al. Bayesian inference of stochastic dynamic models using early-rejection methods based on sequential stochastic simulations
US11494247B2 (en) Model generation apparatus, model generation method, and non-transitory storage medium