WO2005064534A1 - パラメータ調整装置 - Google Patents

パラメータ調整装置 Download PDF

Info

Publication number
WO2005064534A1
WO2005064534A1 PCT/JP2004/019163 JP2004019163W WO2005064534A1 WO 2005064534 A1 WO2005064534 A1 WO 2005064534A1 JP 2004019163 W JP2004019163 W JP 2004019163W WO 2005064534 A1 WO2005064534 A1 WO 2005064534A1
Authority
WO
WIPO (PCT)
Prior art keywords
processing
parameter adjustment
search
cpu
adjustment device
Prior art date
Application number
PCT/JP2004/019163
Other languages
English (en)
French (fr)
Inventor
Masahiro Murakawa
Keiichi Ito
Original Assignee
Evolvable Systems Research Institute Inc.
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 Evolvable Systems Research Institute Inc. filed Critical Evolvable Systems Research Institute Inc.
Priority to EP04807520A priority Critical patent/EP1701299A4/en
Priority to US10/584,350 priority patent/US7636706B2/en
Publication of WO2005064534A1 publication Critical patent/WO2005064534A1/ja
Priority to US12/219,154 priority patent/US20080281986A1/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99932—Access augmentation or optimizing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99933—Query processing, i.e. searching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99933—Query processing, i.e. searching
    • Y10S707/99934—Query formulation, input preparation, or translation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99933—Query processing, i.e. searching
    • Y10S707/99935—Query augmenting and refining, e.g. inexact access
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99933—Query processing, i.e. searching
    • Y10S707/99936—Pattern matching access

Definitions

  • the present invention relates to a parameter adjustment device, and in particular, shortens a large number of parameters of a physical model by a genetic algorithm (hereinafter referred to as GA) using a plurality of processing devices (processors and CPUs).
  • GA genetic algorithm
  • processing devices processors and CPUs
  • Patent Document 1 proposes a parameter adjustment device that automatically performs parameter adjustment processing of a physical model including a plurality of parameters using a GA.
  • Non-Patent Document 2 ⁇ Evolution and Optimum Seeking '' by H.P.Schwefel 1995, publisher
  • Patent Document 1 Japanese Patent Application Laid-Open No. 2003-108972
  • An object of the present invention is to solve the above-described problems, and for this purpose, a parameter adjustment device of the present invention uses a genetic algorithm with a plurality of processing means (CPUs) to perform parameterization.
  • the main feature of the parameter adjustment device for optimizing the meter is that it has a processing allocating means for allocating a part of the plurality of processing means to a search processing by a local search method such as the Powell method.
  • the number of individuals determining means for determining the number of individuals to be subjected to the genetic algorithm processing in the processing means assigned to the processing by the genetic algorithm among the plurality of processing means according to the processing capability of each processing means.
  • each of the plurality of processors has a determination unit for determining whether or not the search processing end condition is satisfied. When an end is determined in any processor, the entire processing of the apparatus is ended. There is also a feature.
  • the parameter adjustment device of the present invention can determine an optimal parameter group in a short time by effectively utilizing resources in the system and parallelizing and effi- ciently performing the fitting process due to the above-described features. And there is an effect.
  • FIG. 1 is a block diagram showing a hardware configuration of an embodiment of a parameter adjusting device according to the present invention.
  • FIG. 2 is a schematic time chart showing a parameter adjustment process using a GA according to the present invention.
  • FIG. 3 is a flowchart showing processing contents in a management CPU 1.
  • FIG. 4 is a flowchart showing the contents of a GA CPU process.
  • FIG. 5 is a flowchart showing the contents of CPU processing for a local method.
  • FIG. 6 is a flowchart showing the contents of GAn processing in S16 and S36.
  • the parameter adjustment device of the present invention for example, prototypes several transistors having different shapes in a semiconductor manufacturing line, optimizes the model parameters of the transistor electrical characteristic model function using measured electrical characteristic data, It can be used to simulate transistors of any shape using models.
  • the present invention is not limited to this example, and is applicable to any processing using a GA.
  • examples will be described.
  • FIG. 1 is a block diagram showing a hardware configuration of an embodiment of the parameter adjustment device of the present invention.
  • CPUl (lO) Well-known n PCs of CPUn (13) are connected by well-known LAN14.
  • CPU 1 (10) is connected to a well-known display 16 for inputting and outputting data, and key board 15 is connected to another CPU. Even if a well-known data input / output device is mounted on each CPU, it will not work.
  • the parameter adjustment device of the present invention is realized by creating and installing a program described later on each CPU.
  • This configuration is an example, and a plurality of CPUs are mounted in one server.
  • the present invention is applicable to virtually any combination computer system capable of parallel processing by a plurality of processing devices (CPUs), such as in a case where a plurality of personal computers are connected via the Internet. Also, the present invention can be applied to a case where a single CPU can execute a plurality of processes substantially in parallel, such as a hyper threading function.
  • FIG. 2 is a schematic timing chart showing a parameter adjustment (fitting) process using the GA of the present invention.
  • the CPU 1 functions as a management CPU and performs input / output of data, allocation of processing to other CPUs, management of the entire parameter adjustment processing, and the like, in addition to GA processing (local method processing).
  • CPU2—CPUn ⁇ 1 is a CPU assigned for GA processing.
  • CPUn is the CPU assigned for search processing in the local method. Note that n is an integer of 2 or more.
  • the GA processing CPU executes GAn processing every time there is an instruction from the management CPU 1. During GAn processing, migration processing for exchanging individuals with other GA CPUs is performed at a predetermined period. In addition, the individual information having a good evaluation value at that time is transmitted to the local method CPUn (or via the management CPU) at a period independent of this.
  • the local method CPUn receives the individual (parameter) information of the management CPU or the GA CPU power, it optimizes (searches) the parameters by a known local search method. Then, the search result is transmitted to the management CPU.
  • FIG. 3 is a flowchart showing processing contents in the management CPU 1.
  • S10 another CPU that can be used for GA or local method is searched.
  • S11 it is determined whether or not the available CPU processing power is a known power. If the determination result is negative, the process proceeds to S12.
  • S12 the processing capability of the CPU whose processing capability is unknown is determined. As the capability, it is possible to adopt a method of reading the clock frequency information of the CPU, measuring the capability by running a simple benchmark test program and measuring the processing time.
  • a CPU for the local method is selected. As a selection condition, for example, a CPU with the lowest processing capacity is selected.
  • the management CPU 1 may be selected as the CPU for the local law, in this example, it is assumed that another CPUn is selected.
  • the processing in S10-13 may be executed in advance.
  • the available CPUs for the management CPU 1 and their processing capabilities, processing assignments, etc. are registered in advance!
  • an individual (chromosome) for GA processing in the management CPU is generated.
  • N chromosomes (individuals) having the values of all or some of the parameters of the transistor physical model function as genes are generated and used as an individual population.
  • Generating an individual refers to determining the value of a gene in a chromosome.
  • a range of recommended parameter initial values is defined for each parameter. Therefore, each parameter is set within a range of recommended parameter initial values. Then, an initial value is randomly determined to be a gene value.
  • the number N of individuals is basically determined based on the number of parameters to be adjusted.
  • the number of individuals N the number of parameters X constant (for example, 5-15). It should be noted that as the number N of individuals increases, the accuracy improves, but the processing time also increases. On the other hand, when a plurality of CPUs having different processing capacities execute GA processing for the same number N of individuals, the CPU is slow and waits until the CPU processing is completed. Therefore, the processing time of a plurality of CPUs allocated for GA may be made substantially the same by increasing N for a CPU having a larger processing capacity.
  • the processing result data of all CPUs including its own data is collected.
  • the termination condition is, for example, when one of the following conditions (1)-(3) is satisfied. (1) The evaluation value of any individual has reached or exceeded a predetermined target value. (2) The rate of increase in the evaluation value has fallen below a predetermined value. (3) The number of calculations has exceeded the specified value.
  • S19 the end is instructed to all CPUs, and in S20, the result is output to, for example, a display, a printer, a file, or the like.
  • the process of S16 may be immediately stopped and the process may proceed to S19.
  • FIG. 4 is a flowchart showing the contents of the GA CPU processing.
  • the control CPU also waits until data is received.
  • the process is terminated.
  • an individual (chromosome) for GA processing in the own CPU is generated. This process is the same as S15.
  • the generated individuals are registered as a population, and the process proceeds to S36.
  • S35 it is determined whether or not the received data is a continuation instruction. If the determination result is positive, the process shifts to S36.
  • S36 a GAn process, which is a predetermined number of generation alternation processes of the GA described later, is executed.
  • S37 the information of the predetermined number of individuals having the higher evaluation value, which is the result of the GA processing, is transferred to the management CPU, and the process returns to S30.
  • FIG. 5 is a flowchart showing the contents of the CPU processing for the local method.
  • the process waits until data is received from the management CPU.
  • the process ends.
  • S53 it is determined whether or not the CPU power for GA is also the evaluated high-order data, which is the transmitted intermediate result. If the determination result is affirmative, the process proceeds to S54.
  • the individual to be searched is selected, for example, by sorting the collected upper individual data in the order of the evaluation value. If the local method CPU can execute the local method search processing multiple times during GAn processing of another CPU, the number of individuals to be selected within the executable range may be multiple, Is processed one by one in order.
  • the parameters are adjusted by the well-known Powell method described in, for example, “Numerical Recipe 'In' C, Technical Review, 1993” or other well-known local search methods, that is, the evaluation value is adjusted. Search for good parameters.
  • This processing has a lighter processing load than GA processing, so it has low processing power! Even a CPU can perform processing in a shorter time than GA processing.
  • a predetermined number of higher-order evaluation values which are the processing results, Transfer the body information to the management CPU and return to S50.
  • FIG. 6 is a flowchart showing the contents of the GAn process in S16 and S36, which is a process of changing a predetermined number of GAs.
  • S60-62 one-generation generation update processing in known genetic algorithm processing is performed. The details are described in the aforementioned patent document.
  • a predetermined number of individuals are randomly selected from the population, and a child individual is generated by crossover processing.
  • the crossover process is to generate an arbitrary number of copies of the selected parent individual and exchange some of the genes between the copied individuals, or to generate a new gene for each gene. This is the process of generating individual children.
  • the evaluation value of the child individual generated in S60 is calculated.
  • the evaluation value is a value indicating how close a gene in a chromosome is to an ideal value as a parameter.
  • the square of the estimated value of the characteristic calculated by the transistor electric characteristic model function using the gene in the chromosome as a model parameter and the measured value of the characteristic obtained by a prototype experiment of the transistor Calculate the error. The lower the square error value is, the better the evaluation is.
  • the accuracy that is, the experimental results of the physical model using the parameters of the individual and It is determined whether or not the error with the highest evaluation value has reached the target value. If the determination result is affirmative, the flow shifts to S72. In S64, it is determined whether or not the force has been performed a predetermined number of times (six times in FIG. 2) for the GA process (alternative generation). If the determination result is affirmative, the process proceeds to S72.
  • S65 it is determined whether or not the individual extraction cycle for the local method (three times in Fig. 2) has arrived. If the determination result is affirmative, the process proceeds to S66. In S66, a predetermined number of individuals with good evaluations are transferred to the local method CPU. In S67, it is determined whether or not the force has arrived during the migration cycle (two times in FIG. 2). If the determination result is affirmative, the process proceeds to S68, but if negative, the process returns to S60.
  • the parallel GA method of the present invention evolves an individual population independently for each processor. For this reason, in the GA for each processor, the versatility of the solution is lower than in the GA of a single group, so that the fitting performance is reduced. Therefore, a process called emigration is added. Migration is the process of exchanging chromosomes between individual populations of each CPU. By this processing, the diversity of the solution is maintained, and the fitting performance equal to or higher than that of the single group is maintained.
  • a predetermined number of individuals with higher evaluations are extracted.
  • the extracted individual data is transferred to a predetermined CPU.
  • the transfer destination CPU may be fixed in advance, or a table or a formula for determining which CPU should be transferred to which time may be created and distributed in advance.
  • CPU1 may be transferred to CPU2
  • CPU2 may be transferred to CPU3
  • “'CPUn-1 may be transferred to CPU1 in a ring shape.
  • migration data from another CPU is received.
  • the migration data is added to the population of individuals, and the process returns to S60.
  • the individuals for the local method processing periodically send the higher-order individuals.
  • the power of disclosing the example of communication In the case where a GA that satisfies a predetermined accuracy appears in each GA CPU, the individual information may be transmitted to the local method CPU as needed.
  • each CPU has GA processing! /
  • the local method processing! / Or an example where the CPU is assigned to either one of them is disclosed.
  • an example of performing a search by a local method for an intermediate result of an intermediate result of the GA processing is disclosed.
  • the GA processing is performed. If the intermediate result can be classified into a plurality of groups falling within a predetermined range in the force parameter space, a search using the local method may be performed on a representative individual of each group.
  • the parameter adjustment device of the present invention can be applied to any parameter adjustment device that optimizes parameters using a genetic algorithm by using a plurality of processing means.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

【課題】複数の処理装置を使用して遺伝的アルゴリズムにより物理モデルの多数のパラメータなどを短時間で調整可能なパラメータ調整装置を提供すること。 【解決手段】パラメータ調整装置は、複数の処理手段の内の一部を局所探索法による探索処理に割り当てる処理割り当て手段を備え、性能が低いプロセッサに局所探索の処理を割り当てる。また、遺伝的アルゴリズムによる探索の中間結果を収集し、局所探索法による探索処理に利用する。システム内の資源を有効活用して調整処理を並列化および効率化することにより、短時間で最適なパラメータ群を決定できるという効果がある。

Description

明 細 書
パラメータ調整装置
技術分野
[0001] 本発明は、パラメータ調整装置に関するものであり、特に、複数の処理装置 (プロ セッサ、 CPU)を使用して遺伝的アルゴリズム（以下 GAと記す）により物理モデルの 多数のパラメータなどを短時間で調整可能なパラメータ調整装置に関するものである 背景技術
[0002] 従来、実験結果など力 GAを用いて複数のパラメータを含む物理モデルのパラ メータフィッティング (調整)処理を自動的に行うパラメータ調整装置が提案されて 、 る。 GAの参考文献としては、例えば下記非特許文献 1がある。なお、本発明でいう G Aとは進化的計算手法のことをいい、進化的戦術（Evolution Strategy :ES)の手法も 含むものである。進化的戦術の参考文献としては、例えば、下記非特許文献 2がある
[0003] 更に、下記の特許文献 1には、 GAを用いて複数のパラメータを含む物理モデルの パラメータ調整処理を自動的に行うパラメータ調整装置が提案されて 、る。
特干文献 1： David E. Goldberg着「tjenetic Algorithms in Search, Optimization, and Machine Learning] 1989年、出版ネ: fcADDISON- WESLEY PUBLISHING
COMPANY,INC.が出版
非特許文献 2 : H.P.Schwefel著「Evolution and Optimum Seeking」 1995年、出版社
John Wiley & Sonsが出版
特許文献 1：特開 2003— 108972号公報
発明の開示
発明が解決しょうとする課題
[0004] 上記した従来のパラメータ調整方法にお!、ては、まず最初に GAを用いてパラメ一 タ調整 (探索)を行 、、探索の終盤にぉ 、ては局所的探索法を用いて精度を向上さ せる手法が採用されていた。しかし、 GAを用いた探索は終盤において探索速度が 低下するので、 GAで精度を上げようとすると処理時間が長くなつてしまい、一方で早 く局所的探索法に切り換えると最適解にたどり着力ない恐れがあるという問題点があ つた o
[0005] また、 GA処理は比較的並列処理に向いている力 局所的探索法は並列処理によ る高速ィ匕には向いていないという問題点もあった。更に、適用するモデルによっては GAよりも局所的探索法の方が早く最適解にたどり着く可能性があるが、このようなモ デルにぉ 、ても従来の方法では処理時間の短縮ができな 、と 、う問題点もあった。 課題を解決するための手段
[0006] 本発明は、上記した課題を解決することを目的とし、このために、本発明のパラメ一 タ調整装置は、複数の処理手段 (CPU)を用いて遺伝的アルゴリズムを使用してパラ メータを最適化するパラメータ調整装置において、複数の処理手段の内の一部を Powell法などの局所探索法による探索処理に割り当てる処理割り当て手段を備えた ことを主要な特徴とする。
[0007] また、複数あるプロセッサの性能が均一ではな 、場合に、性能が低!、プロセッサに 局所探索の処理を割り当てる点にも特徴がある。また、複数のプロセッサの内の遺伝 的アルゴリズムによる処理に割り当てられたプロセッサ力 探索の中間結果を収集し
、局所探索法による探索処理に利用する点にも特徴がある。
[0008] また、複数の処理手段の内の遺伝的アルゴリズムによる処理に割り当てられた処理 手段における遺伝的アルゴリズム処理される個体数をそれぞれの処理手段の処理能 力に応じて決定する個体数決定手段を備えた点にも特徴がある。更に、複数のプロ セッサはそれぞれ探索処理終了条件を満足するか否かを判定する判定手段を備え 、任意のプロセッサにおいて終了の判定がなされた場合には、装置の全体の処理を 終了する点にも特徴がある。
発明の効果
[0009] 本発明のパラメータ調整装置は上記のような特徴によって、システム内の資源を 有効活用してフィッティング処理を並列化および効率ィヒすることにより、短時間で最 適なパラメータ群を決定できると 、う効果がある。
図面の簡単な説明 [0010] [図 1]本発明のパラメータ調整装置の実施例のハードウェア構成を示すブロック図で ある。
[図 2]本発明の GAを使用したパラメータ調整処理を示す概略タイムチャートである。
[図 3]管理 CPU1における処理内容を示すフローチャートである。
[図 4]GA用 CPU処理の内容を示すフローチャートである。
[図 5]局所法用の CPU処理の内容を示すフローチャートである。
[図 6]S16、 S36の GAn処理の内容を示すフローチャートである。
符号の説明
[0011] 10, 11, 12, 13 · · -CPU
14· · -LAN
15 · "キーボード
16 · "ディスプレイ
発明を実施するための最良の形態
[0012] 本発明のパラメータ調整装置は、例えば半導体製造ラインにおいて異なる形状のト ランジスタをいくつか試作し、測定した電気特性のデータを用いて、トランジスタ電気 特性モデル関数のモデルパラメータを最適化し、このモデルを使用して任意の形状 のトランジスタのシミュレーションを行うために使用可能である。但し、本発明はこの例 に限らず、 GAを用いる任意の処理に適用可能である。以下実施例について説明す る。
実施例 1
[0013] 図 1は、本発明のパラメータ調整装置の実施例のハードウェア構成を示すブロック 図である。 CPUl (lO)— CPUn (13)の周知の n台のパソコンが周知の LAN14によ つて接続されている。 CPU1 (10)にはデータ入出力用の周知のディスプレイ 16、キ 一ボード 15が接続されている力 他の CPUにも接続されていても力まわない。それ ぞれの CPUには周知のデータ入出力装置を搭載しても力まわない。本発明のパラメ ータ調整装置は、各 CPUにそれぞれ後述するプログラムを作成してインストールする ことにより実現する。
[0014] なお、この構成は一例であり、 1台のサーバー中に複数の CPUが搭載されている 場合、あるいはインターネットを介して複数のパソコンが接続されている場合など、本 発明は実質的に複数の処理装置 (CPU)による並列処理が可能な任意のコンビユー タシステムに適用可能である。また、ハイパースレツデイング機能など、 1つの CPUに よって実質的に複数の処理を並列に実行可能な場合においても本発明を適用する ことが可能である。
[0015] 図 2は、本発明の GAを使用したパラメータ調整 (フィッティング)処理を示す概略タ ィムチャートである。 CPU 1は管理用 CPUとして機能し、 GA処理 (局所法処理)以外 にデータの入出力、他の CPUへの処理の割り当て、パラメータ調整処理全体の管理 等を行う。 CPU2— CPUn— 1は、 GA処理用に割り当てられた CPUである。 CPUn は、局所法の探索処理用に割り当てられた CPUである。なお、 nは 2以上の整数であ る。
[0016] CPU1は、所定の周期（GAの所定数の世代交代処理 =GAn処理）毎に他の CP Uから処理結果 (評価値の良い個体情報)を収集し終了条件を判定して、終了条件 を満足している場合には処理全体を終了し、結果を出力する。 GA処理用 CPUは、 管理用 CPU1から指示がある度に GAn処理を実行する。 GAn処理中には所定の周 期で他の GA用 CPUと個体を交換する移住処理が行われる。また、これとは独立し た周期で、局所法用 CPUnへ (あるいは管理用 CPUを介して)その時点で評価値の 良い個体情報を送信する。
[0017] 局所法用 CPUnは、管理用 CPUあるいは GA用 CPU力も個体 (パラメータ)情報を 受信すると、公知の局所的探索方法によりパラメータの最適化 (探索)を行う。そして 探索結果を管理用 CPUに送信する。
[0018] 図 3は、管理 CPU1における処理内容を示すフローチャートである。 S10において は GA用あるいは局所法用として利用可能な他の CPUを検索する。 S 11にお ヽては 、利用可能な CPUの処理能力は既知力否かが判定され、判定結果が否定の場合に は S 12に移行する。 S12にお ヽては処理能力が未知の CPUの処理能力を判定する 。能力としては CPUのクロック周波数情報を読み出す、簡単なベンチマークテストプ ログラムを走らせて処理時間を測定することにより能力を測定する等の方法を採用可 能である。 [0019] S13においては局所法用の CPUを選定する。選定条件としては、例えば最も処理 能力の低い CPUを選定する。管理用 CPU 1が局所法用の CPUとして選定されても かまわないが、この例では別の CPUnが選定されたものとする。なお、 S10— 13の処 理は、予め事前に実行しておいてもよく。管理 CPU1に利用可能な CPUおよびその 処理能力、処理の割り当て等を予め登録してお!、てもよ!/、。
[0020] S14においては GAあるいは局所法処理に必要な入力データ等を各 CPUに分配 する。 S15においては管理用 CPUにおける GA処理用の個体 (染色体)を生成する。 例えば半導体製造ラインの場合にはトランジスタの物理モデル関数の全てあるいは 一部のパラメータの値を遺伝子とする染色体 (個体)を N個生成し、個体母集団とす る。個体の生成とは染色体中の遺伝子の値を決定することである。なお、公知の BSI Mなどのトランジスタの物理モデルにおいては、各パラメータについて推奨するパラメ ータ初期値の範囲が定められているので、各パラメータについて、推奨するパラメ一 タ初期値の範囲内にお 、てランダムに初期値を決定して遺伝子の値とする。
[0021] 個体数 Nは、基本的には調整すべきパラメータの数に基づき決定する。実施例に おいては、例えば個体数 N=パラメータ数 X定数 (例えば 5— 15)としてもよい。なお 、個体数 Nは大きいほど精度は向上するが処理時間も長くなる。一方、処理能力の 異なる複数の CPUに同じ個体数 Nの GA処理を実行させると、速 、CPUは遅 、CP Uの処理が終了するまで待たされることになる。そこで、処理能力の大きな CPUほど Nを大きくすることにより、 GA用に割り当てられた複数の CPUの処理時間がほぼ同 じになるようにしてもよい。
[0022] S16においては後述する GAn処理（あるいは局所法処理）が行われる。 S17にお いては自分のデータも含めて全ての CPUの処理結果データを収集する。 S18にお いては、終了条件を満足するか否かが判定される。終了条件としては例えば以下の（ 1)一 (3)のいずれかの条件を満足した時とする。（1)何れかの個体の評価値が予め 定められた目標値以上に達した。（2)評価値の増加率が所定値を下まわった。 (3) 計算回数が所定値を超えた。
[0023] S19においては全ての CPUに対して終了を指示し、 S20においては例えばデイス プレイ、プリンタ、ファイル等に結果を出力する。なお、 S16の処理中に上記終了条 件の（1)の情報が他の CPU力も送信されてきた場合には、直ちに S16の処理を中止 し、 S19に移行してもよい。
[0024] 図 4は、 GA用 CPU処理の内容を示すフローチャートである。 S30においては管理 CPU力もデータを受信するまで待ち、 S31においては、受信したデータが終了指示 ならば処理を終了する。 S32においては受信したデータが S14において分配された データである力否かが判定され、判定結果が肯定の場合には S33に移行する。 S33 においては自 CPUにおける GA処理用の個体 (染色体)を生成する。この処理は S15 と同じ処理である。 S34においては生成した個体を母集団として登録して、 S36に移 行する。
[0025] S35においては、受信したデータが続行指示か否かが判定され、判定結果が肯定 の場合には S36に移行する。 S36においては後述する GAの所定数の世代交代処 理である GAn処理が実行される。 S37においては GA処理の結果である、評価値が 上位の所定個数の個体の情報を管理 CPUに転送し、 S30に戻る。
[0026] 図 5は、局所法用の CPU処理の内容を示すフローチャートである。 S50においては 管理 CPUからデータを受信するまで待ち、 S51においては、受信したデータが終了 指示ならば処理を終了する。 S52においては受信したデータが S14において分配さ れたデータである力否かが判定され、判定結果が肯定の場合には S55に移行する。
[0027] S53においては、 GA用 CPU力も送信された中間結果である評価上位データであ る力否かが判定され、判定結果が肯定の場合には S54に移行する。 S54においては 、各 CPU力 収集した上位個体データを評価値順にソートするなどして、探索処理 する個体を選択する。なお、局所法用の CPUが他の CPUの GAn処理中に局所法 探索処理を複数回実行可能であれば、実行可能な範囲内で選択する個体数は複数 であってもよぐ複数の場合には 1つずつ順に処理する。
[0028] S55においては、例えば「ニューメリカルレシピ'イン'シー、技術評論社、 1993」な どに記載の公知の Powell法あるいはその他の公知の局所的探索法によりパラメータ の調整、即ち評価値の良いパラメータの探索を行う。この処理は GA処理と比べて処 理負荷が軽!、ので、処理能力の低!、CPUであっても GA処理と比べて短時間で処 理可能である。 S56においては、処理の結果である、評価値が上位の所定個数の個 体の情報を管理 CPUに転送し、 S50に戻る。
[0029] 図 6は、 S16、 S36の、 GAの所定数の世代交代処理である GAn処理の内容を示 すフローチャートである。 S60— 62においては公知の遺伝的アルゴリズム処理にお ける 1世代の世代更新処理が行われる。なお、詳細については前記した特許文献に 記載されている。まず、 S60においては母集団から個体をランダムに所定数選択し、 交叉処理により子個体を生成する。交叉処理とは、選択した親個体のコピーをそれ ぞれ任意個生成して、それらのコピー個体間において遺伝子の一部を交換するか、 あるいはそれぞれの遺伝子力 新たな遺伝子を生成することにより任意個の子個体 を生成する処理である。
[0030] S61にお 、ては S60で生成された子個体の評価値を計算する。評価値とは、染色 体中の遺伝子がパラメータとしてどれだけ理想的な値に近 、かを示す値である。半 導体製造ラインに適用する場合には、染色体中の遺伝子をモデルパラメータとするト ランジスタ電気特性モデル関数で計算した特性の推定値と、トランジスタの試作実験 により得られた特性の測定値との二乗誤差を計算する。そして、 2乗誤差値が低けれ ば低 、ほど評価が良 、ものとする。
[0031] S62においては S60で選択した親個体と生成した子個体の中力 評価の良い順に 取り出した個体数分だけを母集団に戻し、残りを破棄する。この処理によって評価値 の低い染色体が淘汰される。なお、この他に、親個体の一部を淘汰の対象にせずに そのまま母集団に戻し、残りの親個体と子個体から評価の良い順に「残りの親個体」 数分戻す方法、あるいは全ての個体を母集団に戻してから、もとの母集団の数だけ 残して他を淘汰する方法を用いてもよ!ヽ。
[0032] 通常、 GAにおいては交叉の他に突然変異という処理を行う。しかし、例えば前記し た特許文献にお!、ては、交叉過程にお!、て乱数を用いて子固体の遺伝子を生成し ているため、突然変異の性質も兼ね備えている。そのため、上記のような交叉手法を 用いる場合は別に突然変異は行う必要がない。なお、実数値を扱う GAの場合、突 然変異処理として染色体の各遺伝子に正規分布に従って発生させた正規乱数を加 算する操作が提案されており、このような突然変異処理を追加してもよい。
[0033] S63においては、精度、即ち個体のパラメータを使用した物理モデルの実験結果と の誤差 =評価値が最も良いものが目標値に達しているか否かが判定され、判定結果 が肯定の場合には S72に移行する。 S64においては GA処理 (世代交代）が予め定 められた回数（図 2では 6回）実行された力否かが判定され、判定結果が肯定の場合 には S 72に移行する。
[0034] S65においては、局所法用の個体抽出周期（図 2では 3回）が到来した力否かが判 定され、判定結果が肯定の場合には S66に移行する。 S66においては、評価の良い 個体を所定数だけ局所法用 CPUに転送する。 S67においては、移住周期（図 2では 2回）が到来した力否かが判定され、判定結果が肯定の場合には S68に移行するが 、否定の場合には S60に戻る。
[0035] 本発明の並列 GA方式は個体集団をプロセッサ毎に独立して進化させる。このため 、プロセッサ毎の GAでは単一集団の GAに比べ解の多様性が低下するためにフイツ ティング性能が低下してしまう。そこで、移住と呼ばれる処理を追加する。移住は各 C PUの個体集団間で染色体の入れ替えを行う処理である。この処理により、解の多様 性を維持し、単一集団時と同等以上のフィッティング性能を維持する。
[0036] S68においては、評価が上位の個体を所定個数だけ抽出する。 S69においては、 抽出した個体データを予め定められた CPUへ転送する。転送先の CPUは予め固定 されていてもよいし、何回目はどの CPUに転送するかを決めるテーブルあるいは演 算式を予め作成して配布しておいてもよい。一例としては、例えば CPU1は CPU2へ 、 CPU2は CPU3へ、 "'CPUn- 1は CPU1へというようにリング状に転送してもよい。 S70においては、他の CPUからの移住データを受信する。 S71においては、移住デ ータを個体の母集団に加え、 S60〖こ戻る。
[0037] 終了が判定された場合には、 S72において処理の結果である、評価値が上位の所 定個数の個体の情報を管理 CPUに転送し、報告して GAn処理を終了する。
[0038] 以上のような構成および処理によって、短時間で高精度のパラメータ調整ができる 。そして、物理モデルに当該パラメータを採用することにより、試作をせずに高精度の 回路シミュレーションを行うことができるので、半導体素子の製造効率が向上する。
[0039] 以上実施例 1を説明したが、本発明のパラメータ調整装置には以下のような変形例 も考えられる。実施例においては局所法処理用の個体は周期的に上位のものを送 信する例を開示した力 各 GA用 CPUにおいて所定の精度を満足するものが出現し た場合に、その個体情報を局所法用 CPUに随時送信するようにしてもよい。
[0040] 実施例にお!、てはそれぞれの CPUは GA処理ある!/、は局所法処理の!/、ずれか一 方に割り当てる例を開示したが、例えば 1台だけ処理能力の高い CPUがある場合な どには、処理能力の最も高い CPUに GA処理と局所法処理の両方を割り当て、その 他の CPUに GA処理のみを割り当てるようにすることも可能である。
[0041] 実施例においては GA処理の中間結果の上位のものについて局所法による探索を 行う例を開示したが、パラメータ空間内で評価値のピークが複数個ある場合などにお いて、 GA処理の中間結果の上位のもの力 パラメータ空間において所定の範囲内 に収まる複数のグループに分類できる場合には、それぞれのグループの代表個体に っ 、て局所法による探索を行うようにしてもょ 、。
産業上の利用可能性
[0042] 本発明のパラメータ調整装置は複数の処理手段を用いて遺伝的アルゴリズムを 使用してパラメータを最適化する任意のパラメータ調整装置に適用できる。

Claims

請求の範囲
[1] 複数の処理手段を用いて遺伝的アルゴリズムを使用してパラメータを最適化するパ ラメータ調整装置において、 前記複数の処理手段の内の一部を局所探索法による 探索処理に割り当てる処理割り当て手段を備えたことを特徴とするパラメータ調整装 置。
[2] 前記処理割り当て手段は、前記複数の処理手段の内の処理能力の最も小さいもの を局所探索法による探索処理に割り当てることを特徴とする請求項 1に記載のパラメ ータ調整装置。
[3] 更に、前記複数の処理手段の内の遺伝的アルゴリズムによる処理に割り当てられた 処理手段から探索の中間結果を収集し、局所探索法による探索処理に利用する探 索処理制御手段を備えたことを特徴とする請求項 1に記載のパラメータ調整装置。
[4] 更に、前記複数の処理手段の内の遺伝的アルゴリズムによる処理に割り当てられた 処理手段における遺伝的アルゴリズム処理される個体数をそれぞれの処理手段の処 理能力に応じて決定する個体数決定手段を備えたことを特徴とする請求項 1に記載 のパラメータ調整装置。
[5] 前記複数の処理手段はそれぞれ探索処理終了条件を満足するか否かを判定する 判定手段を備え、任意の処理手段において終了の判定がなされた場合には、装置 の全体の処理を終了することを特徴とする請求項 1に記載のパラメータ調整装置。
PCT/JP2004/019163 2003-12-26 2004-12-22 パラメータ調整装置 WO2005064534A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP04807520A EP1701299A4 (en) 2003-12-26 2004-12-22 DEVICE FOR ADJUSTING PARAMETERS
US10/584,350 US7636706B2 (en) 2003-12-26 2004-12-22 Parameter adjustment device
US12/219,154 US20080281986A1 (en) 2003-12-26 2008-07-17 Parameter adjusting device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2003-433656 2003-12-26
JP2003433656A JP4458412B2 (ja) 2003-12-26 2003-12-26 パラメータ調整装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US12/219,154 Continuation US20080281986A1 (en) 2003-12-26 2008-07-17 Parameter adjusting device

Publications (1)

Publication Number Publication Date
WO2005064534A1 true WO2005064534A1 (ja) 2005-07-14

Family

ID=34736523

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2004/019163 WO2005064534A1 (ja) 2003-12-26 2004-12-22 パラメータ調整装置

Country Status (6)

Country Link
US (2) US7636706B2 (ja)
EP (1) EP1701299A4 (ja)
JP (1) JP4458412B2 (ja)
KR (1) KR20070005925A (ja)
CN (1) CN1902646A (ja)
WO (1) WO2005064534A1 (ja)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5055556B2 (ja) * 2005-12-05 2012-10-24 国立大学法人名古屋大学 ハイブリッドｇａによる複数パラメータの最適化方法、パターンマッチングによるデータ解析方法、放射線回折データに基づく物質構造の推定方法、ならびに関連するプログラム、記録媒体および各種装置
WO2009062090A1 (en) * 2007-11-08 2009-05-14 Genetic Finance Holdings Limited Distributed network for performing complex algorithms
BRPI1011964A2 (pt) * 2009-04-28 2016-04-26 Genetic Finance Barbados Ltd sistema de computador em rede, e, método para resolver um problema computacional usando uma pluradidade de computadores clientes.
RU2604673C2 (ru) * 2009-04-28 2016-12-10 Сентиент Текнолоджиз (Барбадос) Лимитед Серверная вычислительная система
JP5733389B2 (ja) * 2011-04-22 2015-06-10 富士通株式会社 情報処理装置及び情報処理装置の処理方法
US20140067601A1 (en) * 2012-09-06 2014-03-06 Sap Ag Supply chain finance planning
US9594594B2 (en) * 2012-10-18 2017-03-14 Advanced Micro Devices, Inc. Media hardware resource allocation
CN104021425B (zh) * 2014-05-19 2017-04-19 中国人民解放军国防科学技术大学 一种用于解决提早‑延期调度问题的模因演化算法
US10430429B2 (en) 2015-09-01 2019-10-01 Cognizant Technology Solutions U.S. Corporation Data mining management server
US11250327B2 (en) 2016-10-26 2022-02-15 Cognizant Technology Solutions U.S. Corporation Evolution of deep neural network structures
US11507844B2 (en) 2017-03-07 2022-11-22 Cognizant Technology Solutions U.S. Corporation Asynchronous evaluation strategy for evolution of deep neural networks
US11250314B2 (en) 2017-10-27 2022-02-15 Cognizant Technology Solutions U.S. Corporation Beyond shared hierarchies: deep multitask learning through soft layer ordering
EP3724819A4 (en) 2017-12-13 2022-06-22 Cognizant Technology Solutions U.S. Corporation SCALABLE ARCHITECTURES FOR THE EVOLUTION OF DEEP NEURAL NETWORKS
WO2019118299A1 (en) 2017-12-13 2019-06-20 Sentient Technologies (Barbados) Limited Evolving recurrent networks using genetic programming
US11527308B2 (en) 2018-02-06 2022-12-13 Cognizant Technology Solutions U.S. Corporation Enhanced optimization with composite objectives and novelty-diversity selection
US11481639B2 (en) 2019-02-26 2022-10-25 Cognizant Technology Solutions U.S. Corporation Enhanced optimization with composite objectives and novelty pulsation
US11669716B2 (en) 2019-03-13 2023-06-06 Cognizant Technology Solutions U.S. Corp. System and method for implementing modular universal reparameterization for deep multi-task learning across diverse domains
CA3131688A1 (en) 2019-03-27 2020-10-01 Olivier Francon Process and system including an optimization engine with evolutionary surrogate-assisted prescriptions
US11775841B2 (en) 2020-06-15 2023-10-03 Cognizant Technology Solutions U.S. Corporation Process and system including explainable prescriptions through surrogate-assisted evolution

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08272760A (ja) * 1995-03-29 1996-10-18 Hitachi Ltd 非線形最適化並列処理方法
JPH09282288A (ja) * 1996-04-09 1997-10-31 Fujitsu Ltd 複数計算機運用システム
JPH1097437A (ja) * 1996-09-20 1998-04-14 Nippon Steel Corp 並列分散処理システム
JPH10134019A (ja) * 1996-09-06 1998-05-22 Fujitsu Ltd 局所解を利用した並列遺伝的アルゴリズムの大域的探索装置及び探索装置及び局所解を利用した並列遺伝的アルゴリズムの大域的探索プログラムを格納した記憶媒体
JP2000163393A (ja) * 1998-11-27 2000-06-16 Matsushita Electric Ind Co Ltd 組合せ最適化装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5942097A (en) * 1997-12-05 1999-08-24 The Ohio State University Method and apparatus featuring a non-consumable anode for the electrowinning of aluminum
JP3665460B2 (ja) * 1997-12-05 2005-06-29 富士通株式会社 分散自律協調型の応答時間チューニングによる経路選択システム、方法、及び記録媒体
US5924097A (en) * 1997-12-23 1999-07-13 Unisys Corporation Balanced input/output task management for use in multiprocessor transaction processing system
JP3404532B2 (ja) * 2001-07-27 2003-05-12 独立行政法人産業技術総合研究所 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム
JP2003288579A (ja) * 2001-07-27 2003-10-10 National Institute Of Advanced Industrial & Technology 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム
US7236971B1 (en) * 2002-12-20 2007-06-26 Ncr Corporation Method and system for deriving data through interpolation in a database system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08272760A (ja) * 1995-03-29 1996-10-18 Hitachi Ltd 非線形最適化並列処理方法
JPH09282288A (ja) * 1996-04-09 1997-10-31 Fujitsu Ltd 複数計算機運用システム
JPH10134019A (ja) * 1996-09-06 1998-05-22 Fujitsu Ltd 局所解を利用した並列遺伝的アルゴリズムの大域的探索装置及び探索装置及び局所解を利用した並列遺伝的アルゴリズムの大域的探索プログラムを格納した記憶媒体
JPH1097437A (ja) * 1996-09-20 1998-04-14 Nippon Steel Corp 並列分散処理システム
JP2000163393A (ja) * 1998-11-27 2000-06-16 Matsushita Electric Ind Co Ltd 組合せ最適化装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP1701299A4 *

Also Published As

Publication number Publication date
JP2005190372A (ja) 2005-07-14
US20080281986A1 (en) 2008-11-13
CN1902646A (zh) 2007-01-24
US20070150435A1 (en) 2007-06-28
JP4458412B2 (ja) 2010-04-28
US7636706B2 (en) 2009-12-22
KR20070005925A (ko) 2007-01-10
EP1701299A4 (en) 2009-04-22
EP1701299A1 (en) 2006-09-13

Similar Documents

Publication Publication Date Title
WO2005064534A1 (ja) パラメータ調整装置
Zomaya et al. Observations on using genetic algorithms for dynamic load-balancing
Iverson et al. Dynamic, competitive scheduling of multiple DAGs in a distributed heterogeneous environment
Subrata et al. Artificial life techniques for load balancing in computational grids
Wu et al. GRIP: Global routing via integer programming
CN108055292B (zh) 一种虚拟机向物理机映射的优化方法
CN116629189B (zh) 一种集成电路的布局生成方法及装置
Subashini et al. Comparison of multi-objective evolutionary approaches for task scheduling in distributed computing systems
Ding et al. Kubernetes-oriented microservice placement with dynamic resource allocation
Li et al. On runtime communication and thermal-aware application mapping and defragmentation in 3D NoC systems
Pooranian et al. Using imperialist competition algorithm for independent task scheduling in grid computing
KR102129389B1 (ko) 클라우드 컴퓨팅 환경에서의 다목적 가상머신 배치 방법 및 장치
Su et al. Towards optimal decomposition of Boolean networks
CN114579282A (zh) 一种任务调度方法及装置
CN112463532B (zh) 构建snn工作负载自动映射器的方法及自动映射器
Aytug et al. Measures of subproblem criticality in decomposition algorithms for shop scheduling
Rajakumar et al. Workflow balancing in parallel machines through genetic algorithm
Miao et al. Efficient flow-based scheduling for geo-distributed simulation tasks in collaborative edge and cloud environments
Figueira et al. A slowdown model for applications executing on time-shared clusters of workstations
CN116866440A (zh) 一种集群节点选择调度方法、装置、电子设备和存储介质
Saroja et al. Multi-criteria decision-making for heterogeneous multiprocessor scheduling
CN112328332B (zh) 一种面向云计算环境的数据库配置优化方法
Belkebir et al. Mapping and scheduling techniques in NoC: A survey of the state of the art
Smith A service for queue prediction and job statistics
Hajiamini et al. A fast heuristic for improving the energy efficiency of asymmetric VFI-Based manycore systems

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200480039146.1

Country of ref document: CN

AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LT LU MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 1020067011612

Country of ref document: KR

WWE Wipo information: entry into national phase

Ref document number: 2007150435

Country of ref document: US

Ref document number: 10584350

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2004807520

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

WWW Wipo information: withdrawn in national office

Ref document number: DE

WWP Wipo information: published in national office

Ref document number: 2004807520

Country of ref document: EP

WWP Wipo information: published in national office

Ref document number: 1020067011612

Country of ref document: KR

WWP Wipo information: published in national office

Ref document number: 10584350

Country of ref document: US