WO2021260785A1 - 情報処理装置、情報処理方法およびプログラム - Google Patents

情報処理装置、情報処理方法およびプログラム Download PDF

Info

Publication number
WO2021260785A1
WO2021260785A1 PCT/JP2020/024553 JP2020024553W WO2021260785A1 WO 2021260785 A1 WO2021260785 A1 WO 2021260785A1 JP 2020024553 W JP2020024553 W JP 2020024553W WO 2021260785 A1 WO2021260785 A1 WO 2021260785A1
Authority
WO
WIPO (PCT)
Prior art keywords
region
estimated value
information processing
characteristic
area
Prior art date
Application number
PCT/JP2020/024553
Other languages
English (en)
French (fr)
Inventor
一久 石坂
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2020/024553 priority Critical patent/WO2021260785A1/ja
Publication of WO2021260785A1 publication Critical patent/WO2021260785A1/ja

Links

Images

Classifications

    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]

Definitions

  • the present invention relates to an information processing device, an information processing method and a program.
  • Patent Document 1 describes a robot control inspection system having a scratch inspection device and a machine learning device for inspecting the presence or absence of scratches from an image of an inspected surface of a work.
  • An imaging region including a predetermined imaging point is set in advance in the scratch inspection device.
  • the machine learning device adjusts the image pickup area including the image pickup point so that the scratch information equivalent to the scratch detection information including the scratch detection point of the work observed in the initial state at the start of machine learning can be detected. , Reduce the number of images taken and the points to be imaged, and perform machine learning to shorten the cycle time of inspection.
  • simulations for predicting various phenomena such as weather are becoming widespread due to the improvement of computer computing power.
  • Simulation may be used not only for public purposes but also in industry.
  • the calculation time tends to be long.
  • the accuracy of the estimated value that is the calculation result tends to decrease. Therefore, a simple simulation using a machine learning model such as a deep learning (DL) model has been proposed.
  • DL deep learning
  • An object of the present invention is to provide an information processing method, an information processing method, and a program that solve the above problems.
  • the information processing apparatus has an arithmetic processing unit that calculates an estimated value for an input value for each element region using a predetermined simulation model, and a distribution characteristic of the predetermined estimated value.
  • the analysis unit that classifies the element region related to the calculated estimated value into a characteristic region having at least the distribution characteristic and a peripheral region separate from the characteristic region, and the peripheral region.
  • a calculation control unit that allocates less calculation resources than the characteristic area.
  • the information processing method has a first step of calculating an estimated value for an input value for each element region using a predetermined simulation model, and a distribution characteristic of the predetermined estimated value.
  • the second step of classifying the element region related to the calculated estimated value into a characteristic region having at least the distribution characteristic and a peripheral region separate from the characteristic region, and the peripheral region.
  • the program has a computer, an arithmetic processing unit that calculates an estimated value for an input value for each element area using a predetermined simulation model, and a distribution characteristic of the predetermined estimated value.
  • An analysis unit that classifies the element region related to the calculated estimated value into a characteristic region having at least the distribution characteristic and a peripheral region separate from the characteristic region using the classification model shown in the above, and the peripheral region. It functions as an information processing device including a calculation control unit that allocates less calculation resources than the characteristic area.
  • FIG. 1 is a schematic block diagram showing a hardware configuration example of the information processing apparatus 10 according to the embodiment of the present invention.
  • the information processing apparatus 10 includes one or more devices and a memory, and constitutes a computer system.
  • the device refers to hardware having a function of executing a process instructed by various instructions (commands), mainly a processor.
  • Processors typically include arithmetic units, registers and peripheral circuits.
  • the information processing device 10 includes a CPU (Central Processing Unit) 12 and a memory 12 m.
  • the CPU 12 is connected to and from the memory 12m so as to be able to input and output various data to and from each other according to a predetermined standard (for example, PCI (Peripheral Component Interconnect) Express).
  • PCI Peripheral Component Interconnect
  • the CPU 12 is a processor mainly used as a host device (Host Device).
  • a host device refers to a device that performs central processing in a computer system.
  • the processor reads various programs from the programs stored in the memory device in advance, and writes the read programs in the memory 12m (recording).
  • the processor executes the processing indicated by the instructions described in various programs. In the present application, executing the process indicated by the instruction described in various programs may be referred to as executing the program, executing the program, or the like. Further, executing the process indicated by the instruction may be referred to as executing the instruction, executing the instruction, or the like.
  • the memory 12m is provided with a volatile main storage device such as a DRAM (Dynamic Random Access Memory), and is used as a work area for storing data used for processing in the CPU 12 or generated data.
  • the memory 12m functions as a system memory.
  • the number of devices included in the information processing apparatus 10 is not limited to one, and may be two or more. Devices are generally classified into host devices and accelerators. Some or all of the two or more devices may be accelerators.
  • the accelerator is a device for controlling the processing by the host device and supporting the speeding up of the processing as a computer system.
  • the type of device used as an accelerator is arbitrary.
  • the device used as an accelerator is not limited to the CPU, but is one of an image processing unit (GPU: Graphic Processing Unit), a vector engine (VE: Vector Engine), a deep learning accelerator (DLA: Deep Learning Accelerator), a quantum processor, and the like. , Or a combination thereof may be used.
  • a dedicated main storage device may or may not be connected to each device.
  • the information processing apparatus 10 may include, for example, an auxiliary storage device such as a ROM (Read Only Memory), an HDD (Hard Disk Drive), an SSD (Solid Disk Drive), or a memory device corresponding to a set thereof. ..
  • the memory device stores, for example, various programs such as an OS (Operating System), a library, a utility, and an application program, various parameter sets used for their execution, and various data acquired by their execution. Will be done.
  • the information processing apparatus 10 may include an operation unit (not shown) that receives an operation input and generates an operation signal for instructing an operation according to the received operation input.
  • the information processing apparatus 10 is an input / output unit (not shown) for inputting or outputting various data with other devices according to a predetermined input / output standard (for example, PCI Express) or communication standard (for example, IEEE802.3). ) May be provided.
  • a predetermined input / output standard for example, PCI Express
  • communication standard for example, IEEE802.3
  • FIG. 2 is a schematic block diagram showing a functional configuration example of the information processing apparatus 10 according to the present embodiment.
  • the CPU 12 executes a predetermined program and functions as an information processing device 10 including an arithmetic processing unit 22, an analysis unit 24, and an arithmetic control unit 26.
  • the arithmetic processing unit 22 functions as a simulation unit that executes arithmetic processing related to simulation.
  • the object of the simulation (hereinafter, the object of calculation) has a spatially expanded range (hereinafter, the object area) of a predetermined size.
  • the target area is divided into a plurality of element areas (also called grids, meshes, cells, etc.).
  • the individual element regions are periodically juxtaposed so as to cover the entire target region so as not to overlap each other spatially.
  • the shape of each element area may be any of a rectangle (including a square), a parallelogram, and the like.
  • each element area may be a rectangular parallelepiped (including a cube), a parallelepiped, or the like.
  • the input value to be the target of the arithmetic processing, the estimated value which is the result of the arithmetic processing, and the intermediate value generated in the process of the arithmetic processing are given.
  • the arithmetic processing unit 22 determines as an estimated value an output value obtained by executing arithmetic processing using a predetermined model (hereinafter, simulation model) with respect to the input value given for each element area.
  • the arithmetic processing unit 22 repeats arithmetic processing for calculating an estimated value with respect to an input value at a predetermined time interval.
  • the arithmetic processing unit 22 repeats the arithmetic processing until, for example, the number of repetitions of the arithmetic processing reaches a preset number of repetitions.
  • the arithmetic processing unit 22 may repeat the arithmetic processing until any one or the combination of the input value, the intermediate value and the estimated value satisfies a predetermined end condition. The number of repetitions and the end condition can be set according to each simulation.
  • the arithmetic processing unit 22 outputs the estimated value for each element area obtained by the arithmetic to the analysis unit 24.
  • the arithmetic processing using the simulation model may be simply called simulation.
  • the arithmetic process for calculating one estimated value may be called an arithmetic step.
  • the time interval between two time-adjacent calculation steps may be referred to as a step interval.
  • the size of the element region is inversely proportional to the density of the element region in the target region. That is, increasing the element region corresponds to reducing the density of the element region. An example of simulation will be described later.
  • An estimated value for each element area is input from the arithmetic processing unit 22 to the analysis unit 24.
  • the analysis unit 24 classifies the element regions related to the input estimated values into a plurality of regions using a predetermined classification model.
  • the classification model is a mathematical model for defining a characteristic region from a target region.
  • the characteristic region is a region in which the distribution of estimated values for each element region has a predetermined distribution characteristic.
  • the characteristic region is a region having a predetermined pattern that the user considers important or is of interest to the user as the distribution characteristic of the estimated value. That is, the characteristic region can correspond to an important region.
  • a parameter group showing the distribution characteristic or a parameter group giving the distribution characteristic is used as a model parameter.
  • the user is not limited to the organizer of the simulation, but may include the recipient to whom the result of the simulation is provided.
  • FIG. 3 illustrates the distribution of clouds in the target area as a meteorological phenomenon as an object of simulation.
  • the cloud distribution corresponds to the distribution of the portion where the water vapor density, which is an estimated value for each element region, is higher than a predetermined density.
  • the region having a spiral shape corresponds to the characteristic region I02.
  • the model parameters of the classification model related to the distribution characteristic of the water vapor density giving the shape may be set in the analysis unit.
  • the specific area I02 is an area where a typhoon is likely to be located. Typhoons are generally of great interest because they are likely to cause catastrophic meteorological disasters.
  • the analysis unit 24 may classify the element regions less frequently than the simulation in the arithmetic processing unit 22. This makes it possible to reduce the amount of processing required for analysis of estimated values and classification of element areas. Therefore, as illustrated in FIG. 2, the analysis unit 24 executes the analysis necessity determination 24a for each calculation step.
  • the analysis necessity determination 24a is a process of determining the necessity of analysis of the element area for each calculation step.
  • the analysis unit 24 determines in the analysis necessity determination 24a that the latest calculation step is an analysis step for each predetermined analysis step interval (for example, N calculation step, N is an integer of 2 or more), and other analysis steps. Judgment is made as a normal step for which the calculation step is not analyzed.
  • the analysis unit 24 determines that analysis is necessary (24a: YES)
  • the analysis unit 24 proceeds to the process of the estimated value analysis 24b.
  • the analysis unit 24 determines that the analysis is not possible (24a: NO)
  • the analysis unit 24 advances the operation target operation step to the next step for the operation processing unit 22.
  • the arithmetic processing unit 22 starts arithmetic processing in the next step.
  • the analysis unit 24 calculates, for example, the magnitude of the difference between the estimated value for each element area in the previous analysis step and the estimated value of the element area in the latest calculation step as the amount of change, and the calculated amount of change is predetermined. It may be determined whether or not it is larger than the threshold value of the amount of change of. The analysis unit 24 determines that the latest step is analysis required when the calculated change amount is larger than the predetermined change amount, and determines that the latest step is analysis failure when the calculated change amount is less than the predetermined change amount. You may.
  • SSD Sud of Squared Differences, sum of differences squared
  • SAD Sud of Absolute Differences, sum of absolute values of differences
  • inner product and the like
  • SSD corresponds to the sum of the squared values of the estimated values for each element region between the element regions
  • SAD corresponds to the sum of the absolute values of the differences of the estimated values for each element region between the element regions.
  • Both SSD and SAD are index values indicating that the larger the value, the larger the difference.
  • the inner product is an index value indicating that the smaller the value, the larger the difference.
  • the analysis unit 24 analyzes the distribution characteristics of the estimated values for each element region using a machine learning model as a classification model.
  • a machine learning model for example, DL can be used.
  • the classification model is, for example, a mathematical model for determining the degree (accuracy) of the possibility that a characteristic region having a predetermined distribution characteristic as an estimated value for each element region as an input value is included in the target region as an output value. May be good.
  • the analysis unit 24 can acquire the characteristic region information indicating whether or not each element region is included in the characteristic region.
  • the analysis unit 24 determines whether or not the characteristic region can be detected based on whether or not the accuracy calculated using the classification model is equal to or greater than the threshold value of a predetermined accuracy.
  • the analysis unit 24 identifies the characteristic region indicated by the acquired characteristic region information.
  • the analysis unit 24 causes the arithmetic processing unit 22 to advance the arithmetic step to be processed to the next step without performing the arithmetic control by the arithmetic control unit 26.
  • the arithmetic processing unit 22 starts arithmetic processing in the next step.
  • the analysis unit 24 acquires in advance model parameters for analyzing the distribution characteristics of the estimated values using a machine learning model as a classification model.
  • the analysis unit 24 collects training data when acquiring model parameters by learning. Training data is also called training data.
  • the analysis unit 24 acquires, for example, training data including a training set in which known input values and output values are associated with each of a plurality of patterns. Among the plurality of patterns, the estimated value as the input value and the value indicating the presence or absence of the characteristic region as the output value are different. For example, the value indicating the presence or absence of the characteristic region and the value indicating no characteristic region are 1 and 0, respectively. In that case, the range of the estimated value is a real value between the minimum value 0 and the maximum value 1.
  • This real value corresponds to the accuracy indicating the possibility that the characteristic region is included in the target region.
  • the distribution of estimates has a common predetermined distribution characteristic. Taking a simulation of cloud distribution as an example, a predetermined distribution characteristic corresponds to a spiral shape in a region where the water vapor density is higher than the predetermined density.
  • the set of position, orientation and size may be different for each pattern in advance.
  • the analysis unit 24 minimizes the magnitude of the difference between the accuracy calculated by using the machine learning model for the estimated value as the input value and the output value corresponding to the input value.
  • the parameter set used to calculate the accuracy is calculated (learned) as a model parameter.
  • cross entropy Cross Entropy
  • the cross entropy is an index value indicating that the larger the value, the smaller the difference.
  • the analysis unit 24 may acquire model parameters calculated in advance from other devices, not limited to learning in its own unit.
  • the analysis unit 24 defines a region including at least the characteristic region specified in the estimated value analysis 24b as a region of interest.
  • the analysis unit 24 may define the characteristic region as the region of interest as it is, or may define the region inscribed in the characteristic region and having a shape simpler than the characteristic region as the region of interest.
  • the simple shape is, for example, a rectangle when the target area is set in the two-dimensional space, and is, for example, a rectangular parallelepiped when the target area is set in the three-dimensional space.
  • the analysis unit 24 defines a rectangular region I02'inscribed in the characteristic region I02 having a spiral shape as a region of interest.
  • the analysis unit 24 classifies the element area included in the defined area of interest among the element areas included in the target area into other element areas (hereinafter referred to as surrounding areas), and calculates and controls the area of interest information indicating the area of interest. Output to 26.
  • the reason for setting the region of interest is to suppress the increase in the amount of calculation.
  • the shape of the characteristic region becomes more complicated, the number of element regions that require interpolation processing or variable type conversion across the characteristic region and the surrounding region tends to increase, and these increases tend to increase the amount of computation. This is because it can be a cause.
  • the target element area a part of the input value common to the surrounding area so as to be located around the target element area, other An intermediate or estimated value in the surrounding area is used as part of the input value.
  • the target element area located at the outer edge of the characteristic area is adjacent to or close to the target element area. It may not be possible to obtain the input value, median value, or estimated value in the element area in the surrounding area as it is.
  • the step interval in the peripheral region is made larger than the step interval in the characteristic region
  • simulation may not be performed in the peripheral region in a certain calculation step in the characteristic region.
  • the target element area in the characteristic area may not have a uniquely corresponding target element area in the adjacent or adjacent surrounding area. ..
  • the arithmetic processing unit 22 is larger in the surrounding region as an input value, an intermediate value or an arithmetic value (hereinafter, reference value) in the adjacent or adjacent element region to be referenced from the target element region. It becomes necessary to interpolate and estimate the reference value acquired for each element area temporally or spatially.
  • the shape of the region of interest may be such that the length of each side thereof is an integral multiple of the length of each side of each element region. According to such a shape, the process of calculating the reference value by interpolation becomes easy. Further, when the data type accuracy of various variables in the surrounding area is lower than the data type accuracy in the characteristic area, the arithmetic processing unit 22 sets the reference value in the adjacent or adjacent element area to be referred to from the target element area. , It becomes necessary to convert the data type accuracy of the reference value in the surrounding area to the data type accuracy in the specific area.
  • the arithmetic control unit 26 allocates less computational resources than the specified region of interest to the region other than the region of interest indicated by the region of interest information input from the analysis unit 24, that is, the surrounding region. Define arithmetic control parameters.
  • Computational resources refer to resources spent on computational processing.
  • Computational resources also called computational resources, include processor time and memory usage. Any combination of, for example, step spacing, element area size, and data type accuracy can be used as operational control parameters.
  • the step interval is an arithmetic control parameter that reduces computational resources as its value increases.
  • the ratio of the step intervals of the region of interest and the surrounding region may be an integer ratio. This facilitates the process of interpolating the reference value across the calculation steps in the surrounding area.
  • the size of the element area is an arithmetic control parameter that reduces computational resources as its value increases. When the size of the element area is changed, the arithmetic control unit 26 resets the surrounding area so that the element area having the changed size is distributed.
  • the ratio of the sizes of the element regions of the region of interest and the surrounding region may be an integer ratio. This facilitates the process of interpolating the reference value across the region of interest and the surrounding region.
  • Data type precision is the amount of information required to represent an individual variable.
  • the data type accuracy is an arithmetic control parameter that increases computational resources as the accuracy increases.
  • the data type precision is set to, for example, 4 bytes (single precision), 8 bytes (double precision), 16 bytes (quadruple precision), or the like for a floating point type variable.
  • the arithmetic control unit 26 outputs arithmetic control information indicating arithmetic control parameters defined for each element area to the arithmetic processing unit 22.
  • the arithmetic processing unit 22 advances the step to be processed from the current step to the next step, and starts arithmetic processing according to the arithmetic control parameters indicated by the arithmetic control information input from the arithmetic control unit 26.
  • the initial values of the arithmetic control parameters are set in advance in the arithmetic processing unit 22.
  • the operation control parameters as initial values may be equal among the element areas.
  • the calculation control unit 26 does not necessarily output the latest calculation control parameter to the calculation processing unit 22. May be good.
  • the arithmetic processing unit 22 may save the arithmetic control parameters set in the step at that time. When restarting the simulation, the arithmetic processing unit 22 may use the arithmetic control parameters saved at the time of stopping for the arithmetic processing.
  • the arithmetic control unit 26 may stop the arithmetic processing (simulation) on the arithmetic processing unit 22 without allocating the arithmetic resources to the surrounding area.
  • the arithmetic control unit 26 sets stop instruction information indicating the stop of the simulation for the element region belonging to the surrounding region, includes the stop instruction information in the arithmetic control information, and outputs the information to the arithmetic processing unit 22.
  • the arithmetic processing unit 22 does not perform simulation on an element area in which the arithmetic control information input from the arithmetic control unit 26 includes stop instruction information.
  • the arithmetic control unit 26 may set three or more stages of arithmetic control parameters in the target area. It suffices that more characteristic areas can be allocated to the characteristic area than other areas by this arithmetic control parameter. More specifically, the arithmetic control unit 26 defines arithmetic control parameters for each element region so that the element region having a larger distance from the characteristic region can be allocated less computational resources.
  • the most computational resources are allocated to the element region belonging to the characteristic region I04, and the computational control parameters are defined so that the amount of the computational resources allocated can be reduced as the distance from the characteristic region I04 increases. ing. Since the characteristic region I04 is important for the user and the importance decreases as the distance from the characteristic region I04 decreases, it is possible to tolerate a decrease in the accuracy of the output value required in accordance with the decrease in the importance.
  • the calculation accuracy depends on the allocation of calculation resources such as the calculation frequency controlled by the step interval, the amount of information of the variable specified by the data type accuracy, and the calculation density specified by the size of the element area.
  • the analysis unit 24 may define a region within a predetermined distance from the outer edge of the characteristic region I04 as a region of interest I04'and a region farther than the predetermined distance as a peripheral region. .. Then, the arithmetic control unit 26 may set an arithmetic control parameter that gives less arithmetic resources to the surrounding region than other regions. The calculation control unit 26 may set stop instruction information in place of the calculation control parameter for the surrounding area. In that case, the simulation in the surrounding area is stopped.
  • the calculation control unit 26 may change a predetermined simulation model (hereinafter, normal model) used for simulation to a simulation model (hereinafter, lightweight model) having a smaller calculation load with respect to the surrounding area.
  • a predetermined simulation model hereinafter, normal model
  • a simulation model hereinafter, lightweight model
  • a cloud resolution model can be used as a lightweight model.
  • the atmospheric pressure and the wind speed for each peripheral element region within a predetermined range from the target element region for which the estimated value is calculated are calculated.
  • Wind direction, steam source, heat source are used as part of the input value.
  • the input value may include a part or all of the estimated value and the intermediate value in each calculation step within a predetermined period up to the latest calculation step of each of the target element area and the peripheral element area.
  • Arithmetic processing of atmospheric models is usually complicated and consumes a large amount of computational resources.
  • the cloud resolution model uses the atmospheric pressure, wind speed, wind direction, water vapor source, and heat source for each element region as input values, and is a machine learning model for calculating the amount of water vapor for each element region as an output value as an estimated value.
  • the distribution of clouds is expressed by the calculated distribution of water vapor content.
  • the estimation accuracy of the cloud distribution is reduced, but the computational load is smaller than that of the atmospheric model.
  • a small calculation load means that the consumption of calculation resources is small.
  • the calculation control unit 26 sets model information indicating a lightweight model for the element area belonging to the surrounding area, includes the model information in the calculation control information, and outputs the model information to the calculation processing unit 22.
  • the arithmetic processing unit 22 performs a simulation using the lightweight model (hereinafter referred to as lightweight simulation) for an element area in which the arithmetic control information input from the arithmetic control unit 26 includes model information indicating the lightweight model, and other than that.
  • a simulation using a normal model (hereinafter referred to as a normal simulation) is performed on an element area.
  • the arithmetic control unit 26 is a predetermined three or more types of simulation models in which the consumption of computational resources is different. You may choose either one. In that case, the arithmetic control unit 26 sets model information indicating the simulation model selected for each element area, includes the model information in the arithmetic control information, and outputs the model information to the arithmetic processing unit 22.
  • the arithmetic processing unit 22 specifies a simulation model indicated by arithmetic control information input from the arithmetic control unit 26 for each element area, and performs arithmetic processing using the specified simulation model.
  • the number of characteristic regions determined from the target region in the analysis unit 24 is not limited to one, and may be two or more. In that case, the analysis unit 24 may determine the region of interest based on the individual characteristic regions.
  • the arithmetic control unit 26 may adjust the allocation of arithmetic resources for each characteristic region or interest region by the above method. Further, when the characteristic area is not detected in the analysis unit 24, the operation control unit 26 determines the operation control parameter so that the consumption amount of the operation resource is lower than the initial consumption amount at the beginning of the operation for the entire target area.
  • a simulation model may be defined.
  • the first device among the plurality of devices has a function as an arithmetic processing unit 22, and the second device different from the first device functions as an analysis unit 24. May have. That is, the device may be used properly for the arithmetic processing related to the simulation and the analysis related to the classification of the element area.
  • the information processing apparatus 10 includes a CPU 12, a GPU 14, and a VE 16.
  • the GPU 14 has the functions of the analysis unit 24 and the calculation control unit 26, and the VE 16 has the functions of the calculation processing unit 22.
  • the VE 16 is suitable for parallel processing of relatively complicated real number operations such as arithmetic processing related to simulation.
  • the GPU 14 is suitable for parallel processing of relatively simple integer operations such as image processing for pixel values.
  • the information processing apparatus 10 may include the DLA and make the DLA function as the analysis unit 24.
  • the mesh generation unit 202 generates a plurality of element areas (mesh) in which the target area is subdivided, and sets the generated element area in the simulation execution unit 204. Similar to the arithmetic processing unit 22, the simulation execution unit 204 repeats the process of calculating the estimated value for each element area using the normal model.
  • the operation control parameter is not changed with a predetermined initial value, and the normal simulation is repeated 10 times without changing the operation control parameter using the normal model.
  • the calculation time per step is 10s (seconds)
  • the total calculation time for 10 steps is 100s.
  • the calculation time required for analysis and classification is 5 s.
  • 1/4 of the target area is defined as a characteristic area
  • the remaining 3/4 is defined as a peripheral area.
  • a normal simulation is performed, and a lightweight simulation is performed by changing arithmetic control parameters. Since the computational resources required for the lightweight simulation are less than those for the normal simulation, the computational time per arithmetic unit is 1/10 of that for the ordinary simulation.
  • the calculation time for the normal simulation in the characteristic region per step is 2.5 s
  • the calculation time for the lightweight simulation is 0.75 s
  • the calculation time for the entire target area is 3.25 s.
  • analysis and classification are not performed, and the arithmetic control parameters are not changed.
  • the total calculation time for 10 steps is 44.25s.
  • the estimated value obtained by the simulation is analyzed, and the element region is classified into an interest region including a characteristic region having a predetermined distribution characteristic and a surrounding region other than the characteristic region. Since less computational resources can be allocated to the surrounding region than the region of interest, the computational time can be shortened, and the computational accuracy can be reduced as the computational resources decrease.
  • the selection unit 204a counts the number of calculation steps for which the execution of the calculation process is completed, and each time the counted number reaches a predetermined number of repetitions, the simple simulation execution unit 204c executes a simple simulation once. Then, the normal simulation execution unit 204b is made to execute the normal simulation.
  • the simple simulation is a process of calculating an estimated value for an input value using a DL model. In order to apply the arithmetic processing using DL, it is necessary to set the model parameters learned using the known training data as described above. Further, the frequency of the simple simulation can be increased as compared with the normal simulation, and the calculation time can be shortened, but the calculation accuracy of the estimated value may be lowered.
  • the simulation execution unit 204 simulates the cloud distribution and outputs the estimated value as the calculation result to the analysis unit 206.
  • the analysis unit 206 performs image segmentation on the estimated value input from the simulation execution unit 204 to detect the existence region of the typhoon as an important region.
  • Image segmentation performs a process of converting an estimated value for each element region into a color signal value indicating a color tone corresponding to the value, and an image recognition process on image data having the converted color signal value, and from the image. Includes processing to detect a specific recognition object.
  • the image data shows the distribution of clouds in the target area, and spiral clouds are used as the image of the typhoon to be recognized.
  • image segmentation was performed after the end of a series of simulations.
  • the simulation itself is similar to the examples shown in FIGS. 9 and 10 in that the entire target area is processed equally even though the calculation time tends to be long when the calculation target is huge such as meteorological data. The same is true.
  • the present embodiment can solve such a problem by providing at least the minimum configuration described below.
  • the information processing apparatus 10 includes an arithmetic processing unit 22, an analysis unit 24, and an arithmetic control unit 26.
  • the calculation processing unit 22 calculates an estimated value for each element area using a predetermined simulation model for the input value.
  • the analysis unit 24 uses a classification model showing the distribution characteristics of a predetermined estimated value to divide the element region related to the calculated estimated value into a characteristic region having at least the above distribution characteristics and a peripheral region separate from the characteristic region. It is classified into.
  • the arithmetic control unit 26 allocates less computational resources to the surrounding region than the characteristic region.
  • the analysis unit 24 may classify the element area related to the estimated value calculated by the arithmetic processing unit 22 using a machine learning model as a classification model. With this configuration, even if the relationship between the estimated value and the characteristic region is non-linear, the element region based on the estimated value can be classified.
  • the arithmetic control unit 26 may allocate computational resources so that the larger the distance from the characteristic region, the smaller the computational resources. With this configuration, the closer the element area is to the characteristic area, the more computational resources are allocated. Therefore, the estimated value or input value in another element area (for example, an adjacent element area) is referred to with respect to the estimated value in the element area belonging to the characteristic area. Even in this case, the influence of the decrease in accuracy can be suppressed.
  • the arithmetic control unit 26 may make the element area larger than the characteristic area (or the area of interest) in the surrounding area, lower the data type accuracy of the estimated value, or increase the step interval of the estimated value. With this configuration, it is possible to easily control that the computational resources allocated to the surrounding area are smaller than those in the characteristic area or the area of interest.
  • the arithmetic processing unit 22 may determine the estimated value by using a machine learning model that gives a relationship between the predetermined input value and the estimated value in the surrounding area. With this configuration, it is possible to determine the estimated value using less computational resources without relying on the simulation model.
  • the analysis unit 24 may classify the element regions at a frequency lower than the calculation frequency of the estimated value. With this configuration, it is possible to suppress an increase in the processing amount for classifying the element areas and, by extension, the processing time.
  • the information processing apparatus 10 may include at least a first device (for example, VE16) and a second device (for example, GPU14).
  • the first device may function as the arithmetic processing unit 22.
  • the second device may function as the analysis unit 24.
  • the first device and the second device are used properly in order to realize the function of the arithmetic processing unit 22 and the function of the analysis unit 24, respectively. Therefore, a device suitable for each function is used. Further, since the influence of the processing state of one device on the processing state of the other device is suppressed, it is possible to more reliably control the arithmetic processing related to the simulation based on the classification of the element area.
  • the region where typhoon clouds are distributed is mainly used as the characteristic region in the simulation of meteorological information in the target region is not limited to this.
  • the characteristic region is not limited to, for example, a typhoon, but may be an extratropical cyclone or a cloud region associated with a front. Further, the characteristic region may be a region where the temperature is significantly higher or lower than the surroundings, or the precipitation may be a region where the precipitation is significantly higher or lower than the surroundings.
  • the objects to be calculated are not limited to meteorological phenomena, but are physical phenomena such as temperature distribution, pressure distribution, displacement distribution, and stress distribution in a specific space or object, distribution of people and vehicles in a specific area such as an urban area, and distribution of virus-infected persons. Any phenomenon may be used as long as it is a phenomenon expressed by the distribution of the feature amount in the target area.
  • input values, estimated values, simulation models and their model parameters may differ depending on the environment of the calculation object and the target area. For example, in the temperature distribution of an object, the input value for calculating the temperature as an estimated value in a certain target element region becomes the temperature and the heat source in each of the target element region and the peripheral element region in the pre-calculation step.
  • a simulation model a mathematical model based on the heat conduction equation is used.
  • model parameters the specific heat and thermal conductivity of the object for each element region are applicable.
  • the classification model may be a type of neural network other than DL, for example, a recurrent neural network, a residual network, or the like.
  • the classification model may be a machine learning model other than the neural network, for example, AdaBoost, a decision tree, etc., and is not limited to the machine learning model, and is pattern matching with a feature amount expressing a predetermined distribution characteristic. There may be.
  • the information processing apparatus 10 described above may include a computer system inside the information processing apparatus 10. Then, each process of the above-mentioned processing is stored in a computer-readable storage medium in the form of a program, and the processing is performed by reading and executing this program by a computer.
  • the computer system shall include software such as an OS, device driver, utility program, and hardware such as peripheral devices.
  • the “computer-readable recording medium” refers to a portable medium such as a magnetic disk, a magneto-optical disk, a ROM, or a semiconductor memory, and a storage device such as a hard disk built in a computer system.
  • a computer-readable recording medium is a medium that dynamically holds a program for a short time, such as a communication line used when transmitting a program using a network such as the Internet or a communication line such as a telephone line. It may also include a program that holds a program for a certain period of time, such as a volatile memory inside a computer system that serves as a server or a client. Further, the above program may be for realizing a part of the above-mentioned functions, and further, a so-called difference file (difference) which can realize the above-mentioned functions in combination with a program already recorded in the computer system. It may be a program).
  • a part or all of the information processing apparatus 10 in the above-described embodiment may be realized as an integrated circuit such as an LSI (Large Scale integration).
  • LSI Large Scale integration
  • Each functional block of the information processing apparatus 10 may be individually made into a processor, or a part or all of them may be integrated into a processor.
  • the method of making an integrated circuit is not limited to the LSI, and may be realized by a dedicated circuit or a general-purpose processor. Further, when an integrated circuit technology that replaces an LSI appears due to advances in semiconductor technology, an integrated circuit based on this technology may be used.
  • a small amount of computational resources is allocated to a peripheral region in which the distribution of the estimated value as the arithmetic result is separate from the characteristic region having a predetermined distribution characteristic.
  • 10 Information processing device, 12 ... CPU, 12m ... Memory, 14 ... GPU, 14m ... Memory, 16 ... VE, 16m ... Memory, 22 ... Arithmetic processing unit, 24 ... Analysis unit, 26 ... Arithmetic control unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

要素領域ごとに入力値に対して所定のシミュレーションモデルを用いて推定値を演算する演算処理部と、所定の推定値の分布特性を示す分類モデルを用いて、演算された前記推定値に係る要素領域を、少なくとも前記分布特性を有する特性領域と、前記特性領域とは別個の周囲領域とに分類する分析部と、前記周囲領域に、前記特性領域よりも少ない演算資源を割り当てる演算制御部と、を備える。本実施形態は、情報処理装置、情報処理方法またはプログラムのいずれでも実現することができる。

Description

情報処理装置、情報処理方法およびプログラム
　本発明は、情報処理装置、情報処理方法およびプログラムに関する。
　特許文献１には、ワークの被検査面の画像からキズの有無を検査するキズ検査装置と機械学習装置とを有するロボット制御検査システムについて記載されている。キズ検査装置には、所定の撮像点を含む撮像領域を予め設定しておく。機械学習装置は、機械学習開始時の初期状態において観測されるワークのキズ検出箇所を含むキズ検出情報と同等のキズ情報を検出することができるように撮像点を含む撮像領域を調整することで、撮像枚数、撮像個所を減らし、検査のサイクルタイムを短縮するための機械学習を行う。
特開２０１９－７８９１号公報
　他方、コンピュータの演算能力の向上により気象をはじめとする各種の現象を予測するためのシミュレーションが普及しつつある。シミュレーションは、公共目的に限らず産業界などでも活用されることがある。一般に、シミュレーションの対象物が大規模な場合には、演算時間が長くなる傾向がある。反面、演算量を減らすと演算結果となる推定値の精度が低下する傾向がある。そこで、深層学習（ＤＬ：Deep Learning）モデルをはじめとする機械学習モデルを用いた簡易シミュレーションが提案されている。しかしながら、簡易シミュレーションでは、推定値を演算するための推定モデルを予め生成しておく必要がある。
　本発明は、上記の課題を解決する情報処理方法、情報処理方法、およびプログラムを提供することを目的とする。
　本発明の第１の態様によれば、情報処理装置は、要素領域ごとに入力値に対して所定のシミュレーションモデルを用いて推定値を演算する演算処理部と、所定の推定値の分布特性を示す分類モデルを用いて、演算された前記推定値に係る要素領域を、少なくとも前記分布特性を有する特性領域と、前記特性領域とは別個の周囲領域とに分類する分析部と、前記周囲領域に、前記特性領域よりも少ない演算資源を割り当てる演算制御部と、を備える。
　本発明の第２の態様によれば、情報処理方法は、要素領域ごとに入力値に対して所定のシミュレーションモデルを用いて推定値を演算する第１ステップと、所定の推定値の分布特性を示す分類モデルを用いて、演算された前記推定値に係る要素領域を、少なくとも前記分布特性を有する特性領域と、前記特性領域とは別個の周囲領域とに分類する第２ステップと、前記周囲領域に、前記特性領域よりも少ない演算資源を割り当てる第３ステップと、を有する。
　本発明の第３の態様によれば、プログラムは、コンピュータに、要素領域ごとに入力値に対して所定のシミュレーションモデルを用いて推定値を演算する演算処理部と、所定の推定値の分布特性を示す分類モデルを用いて、演算された前記推定値に係る要素領域を、少なくとも前記分布特性を有する特性領域と、前記特性領域とは別個の周囲領域とに分類する分析部と、前記周囲領域に、前記特性領域よりも少ない演算資源を割り当てる演算制御部と、を備える情報処理装置として機能させる。
　本発明によれば、特性領域における演算精度を確保しながら演算量を低減することができる。
本実施形態に係る情報処理装置のハードウェア構成の一例を示す概略ブロック図である。 本実施形態に係る情報処理装置の機能構成例を示す概略ブロック図である。 本実施形態に係る特性領域および関心領域の例を示す図である。 本実施形態に係る演算資源の割当例を示す図である。 本実施形態に係る情報処理装置のハードウェア構成の他の例を示す概略ブロック図である。 従来のシミュレーションの実行例を説明するための説明図である。 本実施形態に係るシミュレーションの実行例を説明するための説明図である。 本実施形態に係る最小構成の情報処理装置の機能構成例を示す概略ブロック図である。 従来のシミュレーションの第１例を示す説明図である。 従来のシミュレーションの第２例を示す説明図である。 従来のシミュレーションの第３例を示す説明図である。
　以下、図面を参照して本発明の実施形態について説明する。
　図１は、本発明の一実施形態に係る情報処理装置１０のハードウェア構成例を示す概略ブロック図である。
　情報処理装置１０は、１個以上のデバイスとメモリを備え、コンピュータシステムを構成する。本実施形態では、デバイスとは、各種の命令（コマンド）で指示される処理を実行する機能を有するハードウェア、主にプロセッサを指す。プロセッサは、典型的には、演算装置、レジスタおよび周辺回路を備える。
　図１に示す例では、情報処理装置１０は、ＣＰＵ（中央処理装置；Central Processing Unit）１２、およびメモリ１２ｍを含んで構成される。ＣＰＵ１２は、メモリ１２ｍとの間で所定の規格（例えば、ＰＣＩ（Peripheral Component Interconnect） Express）に従って相互に各種のデータを入出力可能に接続される。
　ＣＰＵ１２は、主にホストデバイス（Host Device）として用いられるプロセッサである。ホストデバイスは、コンピュータシステムにおいて中心的な処理を行うデバイスを指す。プロセッサは、予めメモリデバイスに記憶されているプログラムから各種のプログラムを読み出し、読み出したプログラムをメモリ１２ｍに書き込む（記録）。プロセッサは、各種のプログラムに記述されている命令で示される処理を実行する。なお、本願では各種のプログラムに記述された命令で示される処理を実行することを、プログラムを実行する、プログラムの実行、などと呼ぶことがある。また、その命令で示される処理を実行することを、命令を実行する、命令の実行、などと呼ぶことがある。
　メモリ１２ｍは、例えば、ＤＲＡＭ（Dynamic Random Access Memory）などの揮発性の主記憶装置を備え、ＣＰＵ１２における処理に用いられるデータまたは生成されたデータを格納するための作業領域として用いられる。メモリ１２ｍは、システムメモリとして機能する。
　なお、情報処理装置１０が備えるデバイスの数は、１個に限られず、２個以上であってもよい。一般にデバイスは、ホストデバイスとアクセラレータ（Accelerator）に分類される。２個以上のデバイスの一部または全部は、アクセラレータであってもよい。アクセラレータは、ホストデバイスにより、その処理が制御され、コンピュータシステムとしての処理の高速化を支援するためのデバイスである。アクセラレータとして用いられるデバイスの種別は、任意である。アクセラレータとして用いられるデバイスとして、ＣＰＵに限らず、画像処理装置（ＧＰＵ：Graphic Processing Unit）、ベクトルエンジン（ＶＥ：Vector Engine）、深層学習アクセラレータ（ＤＬＡ：Deep Learning Accelerator）、量子プロセッサ、などのいずれか、またはそれらの組み合わせが用いられてもよい。
　個々のデバイスには、内蔵のメモリの他、専用の主記憶装置が接続されてもよいし、接続されていなくてもよい。
　また、情報処理装置１０には、例えば、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid Disk Drive）などの補助記憶装置もしくはそれらの組に相当するメモリデバイスを備えてもよい。メモリデバイスには、例えば、ＯＳ（Operating System）、ライブラリ、ユーティリティ、アプリケーションプログラムなど各種のプログラムや、それらの実行に用いられる各種のパラメータセット、それらの実行により取得された各種のデータ、などが記憶される。
　情報処理装置１０は、操作入力を受け付け、受け付けた操作入力に応じて動作を指示するための操作信号を生成する操作部（図示せず）を備えてもよい。情報処理装置１０は、他の機器との各種のデータを所定の入出力規格（例えば、ＰＣＩ　Express）または通信規格（例えば、ＩＥＥＥ８０２．３）に従って入力または出力するための入出力部（図示せず）を備えてもよい。
　次に、本実施形態に係る情報処理装置１０の機能構成例について説明する。図２は、本実施形態に係る情報処理装置１０の機能構成例を示す概略ブロック図である。ＣＰＵ１２は、所定のプログラムを実行し、演算処理部２２と、分析部２４と、演算制御部２６と、を備える情報処理装置１０として機能させる。
　演算処理部２２は、シミュレーションに関する演算処理を実行するシミュレーション部として機能する。シミュレーションの対象物（以下、演算対象物）は、所定の大きさの空間的に広がった範囲（以下、対象領域）を有する。対象領域は、複数の要素領域（グリッド、メッシュ、セルなどとも呼ばれる）に区分されている。個々の要素領域は、空間的に互いに重なり合わないように対象領域の全体を覆うように周期的に並置される。対象領域が二次元空間に設定される場合、個々の要素領域の形状は、長方形（正方形も含む）、平行四辺形などの、いずれであってもよい。対象領域が三次元空間に設定される場合、個々の要素領域の形状は、直方体（立方体も含む）、平行六面体などの、いずれであってもよい。個々の要素領域ごとに演算処理の対象とする入力値、演算処理の結果となる推定値、演算処理の過程で生ずる中間値が与えられる。
　演算処理部２２は、要素領域ごとに与えられた入力値に対して、所定のモデル（以下、シミュレーションモデル）を用いた演算処理を実行して得られる出力値を推定値として定める。演算処理部２２は、入力値に対して所定の時間間隔で推定値を算出するための演算処理を繰り返す。演算処理部２２は、例えば、演算処理の繰り返し回数が、予め設定された繰り返し回数に達するまで演算処理を繰り返す。演算処理部２２は、入力値、中間値および推定値のいずれか、または組み合わせが所定の終了条件を満足するまで演算処理を繰り返してもよい。繰り返し回数、終了条件は、個々のシミュレーションに応じて設定されうる。演算処理部２２は、演算により得られた要素領域ごとの推定値を分析部２４に出力する。
　以下の説明では、シミュレーションモデルを用いた演算処理を単にシミュレーションと呼ぶことがある。１回の推定値を算出するための演算処理を演算ステップと呼ぶことがある。複数回の演算ステップのうち時間的に隣接する２回の演算ステップ間の時間間隔をステップ間隔と呼ぶことがある。要素領域の大きさは、対象領域における要素領域の密度に反比例する。つまり、要素領域を大きくすることは、要素領域の密度を低くすることに相当する。シミュレーションの例については、後述する。
　分析部２４には、演算処理部２２から要素領域ごとの推定値が入力される。分析部２４は、所定の分類モデルを用いて、入力された推定値に係る要素領域を複数の領域に分類する。分類モデルは、対象領域から特性領域を定めるための数理モデルである。特性領域は、要素領域ごとの推定値の分布が所定の分布特性を有する領域である。特性領域は、推定値の分布特性として、ユーザが重要と考える、または、ユーザが関心を有する所定のパターンを有する領域である。つまり、特性領域は、重要領域に相当しうる。分類モデルを用いた演算処理では、その分布特性を示すパラメータ群またはその分布特性を与えるパラメータ群がモデルパラメータとして用いられる。ユーザは、シミュレーションの主催者に限らず、シミュレーションの結果が提供される被提供者も含まれうる。
　図３は、気象現象として対象領域における雲の分布をシミュレーションの対象物として例示する。雲の分布は、要素領域ごとの推定値となる水蒸気密度が所定の密度よりも高い部位の分布に相当する。図３に例示される３個の雲の領域のうち、形状渦巻状となる領域が特性領域Ｉ０２に相当する。特性領域Ｉ０２を検出するためには、その形状を与える水蒸気密度の分布特性に係る分類モデルのモデルパラメータが分析部に設定されればよい。特定領域Ｉ０２は、台風が所在する可能性が高い領域である。台風は、甚大な気象災害を発生させるおそれが高いため、一般に、高い関心の対象となりうる。
　分析部２４は、演算処理部２２におけるシミュレーションよりも低い頻度で、要素領域の分類を行ってもよい。これにより、推定値の分析および要素領域の分類にかかる処理量を低減することができる。そこで、図２に例示されるように、分析部２４は、演算ステップごとに分析要否判定２４ａを実行する。分析要否判定２４ａは、演算ステップごとに要素領域の分析の要否を判定する処理である。分析部２４は、分析要否判定２４ａにおいて、所定の分析ステップ間隔（例えば、Ｎ演算ステップ、Ｎは２以上の整数）ごとに最新の演算ステップを分析要とする分析ステップとして判定し、その他の演算ステップを分析否とする通常ステップとして判定する。
　分析部２４は、分析要と判定する場合（２４ａ：　ＹＥＳ）、推定値分析２４ｂの処理に進む。他方、分析部２４は、分析否と判定する場合（２４ａ：　ＮＯ）、演算処理部２２に対して処理対象の演算ステップを次のステップに進める。演算処理部２２は、次のステップにおける演算処理を開始する。
　なお、分析要否判定に係る処理は、図２に例示される手法に限られない。例えば、分析部２４は、例えば、前回の分析ステップにおける要素領域ごとの推定値から最新の演算ステップにおける要素領域の推定値との差の大きさを変化量として算出し、算出した変化量が所定の変化量の閾値よりも大きいか否かを判定してもよい。
　分析部２４は、算出した変化量が所定の変化量よりも大きい場合、最新のステップを分析要と判定し、算出した変化量が所定の変化量未満の場合、最新のステップを分析否と判定してもよい。差の大きさの指標値として、例えば、ＳＳＤ（Sum of Squared Differences、差分二乗和）、ＳＡＤ（Sum of Absolute Differences、差分絶対値和）、内積などが利用可能である。ＳＳＤは、要素領域ごとの推定値の二乗値の要素領域間における和に相当する。ＳＡＤは、要素領域ごとの推定値の差分の絶対値の要素領域間における和に相当する。ＳＳＤ、ＳＡＤともに、その値が大きいほど差が大きいことを示す指標値である。内積は、その値が小さいほど差が大きいことを示す指標値である。
　分析部２４は、推定値分析２４ｂにおいて、分類モデルとして機械学習モデルを用いて要素領域ごとの推定値の分布特性を分析する。機械学習モデルとして、例えば、ＤＬが利用可能である。分類モデルは、例えば、入力値とする要素領域ごとの推定値が所定の分布特性を有する特性領域が対象領域に含まれる可能性の度合い（確度）を出力値として定めるための数理モデルであってもよい。かかる分類モデルによる出力値を算出する過程において、分析部２４は、要素領域ごとにその特性領域に含まれるか否かを示す特性領域情報を取得することができる。分析部２４は、分類モデルを用いて算出した確度が所定の確度の閾値以上であるか否かに基づいて特性領域を検出できたか否かを判定する。分析部２４は、特性領域を検出できたと判定するとき、取得された特性領域情報で示される特性領域を特定する。
　他方、分析部２４は、特性領域を検出できないと判定するとき、演算制御部２６による演算制御を行わずに、演算処理部２２に対して処理対象の演算ステップを次のステップに進めさせる。演算処理部２２は、次のステップにおける演算処理を開始する。
　分析部２４は、分類モデルとする機械学習モデルを用いて推定値の分布特性を分析するためのモデルパラメータを予め取得しておく。分析部２４は、学習によりモデルパラメータを取得する際、訓練データを収集する。訓練データは、学習データとも呼ばれる。分析部２４は、例えば、複数のパターンのそれぞれについて、既知の入力値と出力値を対応付けてなる訓練セットを含む訓練データとして取得する。複数のパターンの間では、入力値とする推定値、出力値とする特性領域の有無を示す値が異なる。例えば、特性領域有を示す値、無を示す値は、それぞれ１、０である。その場合、推定値の値域は、最小値０から最大値１の間の実数値となる。この実数値は、対象領域に特性領域が含まれる可能性を示す確度に相当する。特性領域を有するパターンに対しては、推定値の分布は共通の所定の分布特性を有する。雲の分布のシミュレーションを例にすると、所定の分布特性は、水蒸気密度が所定の密度より高い領域の形状が渦巻状であることに相当する。但し、パターンごとに予め位置、向きおよび大きさの組が異なりうる。
　そして、分析部２４は、入力値とする推定値に対して機械学習モデルを用いて算出される確度と、その入力値に対応する出力値との差の大きさが最小化されるように、確度の算出に用いられるパラメータセットをモデルパラメータとして算出（学習）する。差の大きさの指標値とする損失関数（Loss Function）として、ＳＳＤ、ＳＡＤの他、交差エントロピー（Cross Entropy）などが利用可能である。交差エントロピーは、ＳＳＤ、ＳＡＤとは異なり、その値が大きいほど差が小さいことを示す指標値である。
　なお、分析部２４は、自部における学習に限らず、他の機器から予め算出されたモデルパラメータを取得してもよい。
　分析部２４は、要素領域分類２４ｃにおいて、推定値分析２４ｂにおいて特定された特性領域を少なくとも含む領域を関心領域として定める。分析部２４は、特性領域をそのまま関心領域として定めてもよいが、特性領域を内接し、その特性領域よりも単純な形状を有する領域を関心領域として定めてもよい。単純な形状とは、対象領域が二次元空間に設定される場合には、例えば、長方形であり、対象領域が三次元空間に設定される場合には、例えば、直方体である。
　図３に示す例では、分析部２４は、渦巻状の形状を有する特性領域Ｉ０２を内接する長方形の領域Ｉ０２’を関心領域として定める。分析部２４は、対象領域に含まれる要素領域のうち定めた関心領域に含まれる要素領域と、その他の要素領域（以下、周囲領域）に分類し、関心領域を示す関心領域情報を演算制御部２６に出力する。
　特性領域よりも単純な形状を有する関心領域を設定するのは、演算量の増加を抑制するためである。特性領域の形状が複雑になるほど特性領域と周囲領域を跨いで補間処理を要する要素領域もしくは変数の型変換を行うべき要素領域の数が増加する傾向があり、これらの増加は演算量が増加する原因となりうるためである。シミュレーションの対象物やシミュレーションモデルによっては、処理対象とする要素領域（以下、対象要素領域）における演算処理において、対象要素領域の周囲に所在するよう周囲領域と共通の入力値の一部、他の周囲領域における中間値もしくは推定値が入力値の一部として用いられる。他方、後述するように演算制御パラメータの調整によりステップ間隔、要素領域の大きさ、またはデータ型精度が変更されると特性領域の外縁に所在する対象要素領域では、その対象要素領域に隣接または近接する周囲領域内の要素領域における入力値、中間値または推定値をそのままでは取得できないことがある。
　例えば、周囲領域におけるステップ間隔を特性領域におけるステップ間隔よりも大きくする場合には、特性領域における、ある演算ステップにおいて、周囲領域ではシミュレーションがなされないことがある。周囲領域における要素領域の大きさを特性領域における要素領域よりも大きくする場合には、特性領域における対象要素領域において、隣接または近接する周囲領域において一意に対応する対象要素領域が存在しないことがある。そのような場合には、演算処理部２２は、対象要素領域から参照されるべき隣接または近接する要素領域における入力値、中間値または演算値（以下、参照値）として、周囲領域における、より大きい要素領域ごとに取得される参照値を時間的または空間的に補間して推定する必要が生ずる。そこで、関心領域の形状は、その各辺の長さが、個々の要素領域の各辺の長さが整数倍となる形状としてもよい。かかる形状によれば、補間により参照値を算出する処理が容易となる。
　また、周囲領域における各種変数のデータ型精度を特性領域におけるデータ型精度よりも低くする場合には、演算処理部２２は、対象要素領域から参照されるべき隣接または近接する要素領域における参照値として、周囲領域における参照値のデータ型精度を、特定領域におけるデータ型精度に変換する必要が生ずる。
　演算制御部２６は、分析部２４から入力される関心領域情報で示される関心領域以外の領域、つまり周囲領域に対して、特定した関心領域よりも演算資源（Computational Resource）が少なく割り当てられるように演算制御パラメータを定める。演算資源とは、演算処理に費やされる資源を指す。演算資源は、計算資源とも呼ばれ、プロセッサ時間とメモリ使用量が含まれる。演算制御パラメータとして、例えば、ステップ間隔、要素領域の大きさ、およびデータ型精度のいずれか、またはそれらの任意の組み合わせが利用可能である。
　ステップ間隔は、その値が大きいほど演算資源を少なくする演算制御パラメータである。ここで、関心領域、周囲領域それぞれのステップ間隔の比を、整数比としてもよい。これにより周囲領域において演算ステップを跨いで参照値を補間する処理が容易となる。
　要素領域の大きさは、その値が大きいほど演算資源を少なくする演算制御パラメータである。演算制御部２６は、要素領域の大きさを変更する場合には、周囲領域において変更後の大きさを有する要素領域が分布するように再設定する。ここで、関心領域、周囲領域それぞれの要素領域の大きさの比は、整数比としてもよい。これにより関心領域と周囲領域を跨いで参照値を補間する処理が容易となる。
　データ型精度は、個々の変数の表現に要する情報量である。データ型精度は、その精度が高いほど演算資源を大きくする演算制御パラメータである。データ型精度は、例えば、浮動小数点型の変数に対して、４バイト（単精度）、８バイト（倍精度）、１６バイト（４倍精度）などのいずれかが設定される。
　演算制御部２６は、要素領域ごとに定めた演算制御パラメータを示す演算制御情報を演算処理部２２に出力する。演算処理部２２は、処理対象のステップを現ステップから次のステップに進め、演算制御部２６から入力された演算制御情報で示される演算制御パラメータに従って演算処理を開始する。
　なお、演算処理部２２には、演算制御パラメータの初期値を予め設定しておく。初期値としての演算制御パラメータは、要素領域間で等しくてもよい。また、最新の分析ステップ演算制御パラメータに直前の分析ステップにおいて定めた演算制御パラメータから変更がない場合には、演算制御部２６は、必ずしも最新の演算制御パラメータを演算処理部２２に出力しなくてもよい。また、演算処理部２２は、シミュレーションを停止する場合、その時点のステップにおいて設定された演算制御パラメータを保存してもよい。シミュレーションを再開する際、演算処理部２２は、停止の際に保存した演算制御パラメータを演算処理に用いてもよい。
　なお、上記の説明では、演算制御部２６が関心領域と周囲領域のそれぞれに対して計２段階の演算制御パラメータを定める場合を例にしたが、これには限られない。演算制御部２６は、周囲領域に対して演算資源を割り当てずに、演算処理部２２に対して演算処理（シミュレーション）を停止させてもよい。その場合、演算制御部２６は、周囲領域に属する要素領域に対して、シミュレーションの停止を示す停止指示情報を設定し、演算制御情報に含めて演算処理部２２に出力する。演算処理部２２は、演算制御部２６から入力された演算制御情報に停止指示情報が含まれる要素領域に対してシミュレーションを行わない。
　なお、演算制御部２６は、対象領域において３段階以上の演算制御パラメータを定めてもよい。この演算制御パラメータにより、特性領域には他の領域よりも特性領域が多く割り当てることができればよい。より具体的には、演算制御部２６は、特性領域からの距離が大きい要素領域ほど、より少ない演算資源を割り当てられるように要素領域ごとの演算制御パラメータを定める。
　図４に示す例では、特性領域Ｉ０４に属する要素領域に最も多くの演算資源が割り当てられ、特性領域Ｉ０４から離れるほど割り当てられる演算資源の量を減少させることができるように演算制御パラメータが定められている。特性領域Ｉ０４はユーザにとり重要であり、特性領域Ｉ０４から離れるほど重要度が低下するため、重要度の低下に応じて要求される出力値の精度の低下が許容されうる。演算精度は、ステップ間隔で制御される演算頻度、データ型精度で指示される変数の情報量、要素領域の大きさで指示される演算密度など、演算資源の割り当てに依存する。
　分析部２４は、図４に例示されるように、特性領域Ｉ０４の外縁から所定の距離以内の領域を関心領域Ｉ０４’とし、その所定の距離よりも離れた領域を周囲領域として定めてもよい。そして、演算制御部２６は、その周囲領域に対して他の領域よりも少ない演算資源を与える演算制御パラメータを定めてもよい。演算制御部２６は、その周囲領域に対して、演算制御パラメータに代え停止指示情報を設定してもよい。その場合には、周囲領域におけるシミュレーションが停止される。
　なお、上記の演算制御パラメータの設定例では、演算処理部２２において演算処理に用いる所定のシミュレーションモデルを変更しないことを前提としたが、これには限られない。演算制御部２６は、周囲領域に対して、シミュレーションに用いる所定のシミュレーションモデル（以下、通常モデル）を、より演算負荷が小さいシミュレーションモデル（以下、軽量モデル）に変更してもよい。例えば、雲の分布のシミュレーションにおいて、通常モデルとして大気モデルを採用する場合には、軽量モデルとして雲解像モデルを利用することができる。
　大気モデルを用いた演算処理では、例えば、対象メッシュにおける水蒸気量を含む推定値を算出するために、推定値の演算対象となる対象要素領域から所定の範囲内の周辺要素領域ごとの気圧、風速、風向、水蒸気源、熱源が入力値の一部として用いられる。入力値には、対象要素領域、周辺要素領域それぞれの最新の演算ステップまでの所定の期間内の各演算ステップにおける推定値と中間値の一部または全部も含まれうる。大気モデルの演算処理は、通例、複雑であり大量の演算資源が消費される。他方、雲解像モデルは、入力値として要素領域ごとの気圧、風速、風向、水蒸気源および熱源が用いられ、推定値とする出力値として要素領域ごとの水蒸気量を算出するための機械学習モデルである。算出される水蒸気量の分布により雲の分布が表現される。雲解像モデルによれば雲の分布の推定精度が低下するが、大気モデルよりも演算負荷が小さくなる。ここで、演算負荷が小さいとは、演算資源の消費量が少ないことを意味する。
　そこで、演算制御部２６は、周囲領域に属する要素領域に対して、軽量モデルを示すモデル情報を設定し、演算制御情報に含めて演算処理部２２に出力する。演算処理部２２は、演算制御部２６から入力された演算制御情報に軽量モデルを示すモデル情報が含まれる要素領域に対して軽量モデルを用いたシミュレーション（以下、軽量シミュレーション）を行い、それ以外の要素領域に対して通常モデルを用いたシミュレーション（以下、通常シミュレーション）を行う。
　また、演算制御部２６は、上記のように要素領域ごとに３段階以上の演算制御パラメータのいずれかを設定することに代え、演算資源の消費量が異なる予め定めた３種類以上のシミュレーションモデルのいずれかを選択してもよい。その場合、演算制御部２６は、要素領域ごとに選択したシミュレーションモデルを示すモデル情報を設定し、演算制御情報に含めて演算処理部２２に出力する。演算処理部２２は、演算制御部２６から入力された演算制御情報で示されるシミュレーションモデルを要素領域ごとに特定し、特定したシミュレーションモデルを用いた演算処理を行う。
　なお、分析部２４において対象領域から定められる特性領域の数は、１個に限られず、２個以上となることもある。その場合、分析部２４は、個々の特性領域に基づいて関心領域を定めればよい。演算制御部２６は、個々の特性領域または関心領域に対して上記の手法で演算資源の割り当てを調整すればよい。また、分析部２４において特性領域が検出されない場合には、演算制御部２６は、対象領域全体に対して演算開始当初における初期の消費量よりも演算資源の消費量が低下するように演算制御パラメータまたはシミュレーションモデルを定めてもよい。
　情報処理装置１０が複数のデバイスを備える場合には、複数のデバイスのうち第１デバイスは演算処理部２２としての機能を有し、第１デバイスとは異なる第２デバイスは分析部２４としての機能を有してもよい。即ち、シミュレーションに係る演算処理と要素領域の分類に係る分析とでデバイスが使い分けられてもよい。図５に示す例では、情報処理装置１０は、ＣＰＵ１２と、ＧＰＵ１４と、ＶＥ１６と、を備える。ＧＰＵ１４が分析部２４と演算制御部２６の機能を有し、ＶＥ１６が演算処理部２２の機能を有する。演算処理部２２、分析部２４のそれぞれの処理にふさわしいデバイスを用いることでシステム全体としての処理効率を向上させることができる。図５に示す例では、ＶＥ１６は、シミュレーションに係る演算処理のように比較的複雑な実数演算の並列処理に適している。ＧＰＵ１４は、画素値に対する画像処理などの比較的単純な整数演算の並列処理に適している。分析部２４が推定値分析２４ｂの処理においてＤＬモデルを用いる場合には、情報処理装置１０は、ＤＬＡを備え、ＤＬＡを分析部２４として機能させてもよい。
（動作例）
　次に、本実施形態に係る情報処理装置１０の動作例について説明する。図６、図７に示す例では、それぞれ従来のシミュレーション、本実施形態に係るシミュレーションにおいて、１０ステップの演算処理が行われる場合が仮定されている。
　従来のシミュレーションでは、図９に例示されるようにメッシュ生成部２０２は、対象領域を細分化した複数の要素領域（メッシュ）を生成し、シミュレーション実行部２０４に生成した要素領域を設定する。シミュレーション実行部２０４は、演算処理部２２と同様に通常モデルを用いて要素領域単位で推定値を算出する処理を繰り返す。図６に示す例では、演算制御パラメータが所定の初期値のまま変更されずに通常モデルを用いて通常シミュレーションが演算制御パラメータを変更せずに１０回繰り返される。１ステップ当たりの演算時間は１０ｓ（秒）であるところ１０ステップの全演算時間は１００ｓとなる。
　他方、図７に示す例では、第０ステップ（ｔ＝０）において通常シミュレーションが行われ、第１ステップ（ｔ＝１）において第０ステップにより得られた推定値に対する分析により要素領域の分類がなされる。分析ならびに分類にかかる演算時間は５ｓとなる。分類の結果、対象領域のうち１／４が特性領域として定められ、残りの３／４が周囲領域として定められる。特性領域、周囲領域では、それぞれ通常シミュレーションがなされ、演算制御パラメータを変更して、軽量シミュレーションがなされる。軽量シミュレーションに要する演算資源は通常シミュレーションよりも少なくなるため、演算単位当たりの演算時間は、通常シミュレーションの１／１０となる。従って、１ステップ当たりの特性領域における通常シミュレーションに係る演算時間は２．５ｓであるのに対し、軽量シミュレーションに係る演算時間は０．７５ｓとなり、対象領域全体の演算時間は３．２５ｓとなる。但し、第１ステップ（ｔ＝１）から第９ステップ（ｔ＝９）にかけて、分析ならびに分類が行われず、演算制御パラメータは変更されない。
　よって、１０ステップの全演算時間は４４．２５ｓとなる。このように、本実施形態ではシミュレーションにより得られる推定値が分析され、要素領域が所定の分布特性を有する特性領域を含む関心領域とそれ以外の周囲領域に分類される。関心領域よりも周囲領域に対して少ない演算資源を割り当てられるため、演算時間を短縮できるとともに、演算資源の減少に伴う演算精度の低下が許容される。
　なお、従来は、通常シミュレーションを基本とし、間欠的に簡易シミュレーションを実行することが検討されていた。図１０に示す例では、選択部２０４ａは演算処理の実行が終了した演算ステップの回数を計数し、計数した回数が所定の繰り返し回数に達するごとに簡易シミュレーション実行部２０４ｃに簡易シミュレーションを１回実行させ、通常シミュレーション実行部２０４ｂに通常シミュレーションを実行させる。簡易シミュレーションは、入力値に対してＤＬモデルを用いて推定値を算出する処理である。ＤＬを用いた演算処理を適用するためには、上記のように既知の訓練データを用いて学習されたモデルパラメータを設定しておく必要がある。また、通常シミュレーションに対して簡易シミュレーションの頻度を高くして、演算時間を短縮できる反面、推定値の演算精度が低下するおそれがあった。
　また、図１１に示す例では、シミュレーション実行部２０４が雲の分布のシミュレーションを行い、演算結果となる推定値を分析部２０６に出力する。分析部２０６は、シミュレーション実行部２０４から入力される推定値に対して画像セグメンテーションを行って重要領域として台風の存在領域を検出する。画像セグメンテーションは、要素領域ごとの推定値を、その値に対応する色調を示す色信号値に変換する処理と、変換した色信号値を有する画像データに対して画像認識処理を行い、その画像から特定の認識対象物を検出する処理とを含む。画像データには対象領域における雲の分布が示され、認識対象物となる台風の画像として渦巻状の雲が用いられる。しかしながら、画像セグメンテーションは、一連のシミュレーションの終了後に実行されていた。シミュレーション自体は、気象データのように演算対象物が巨大な場合には演算時間が長くなりがちであるにも関わらず、対象領域全体を等しく処理を行う点で図９、図１０に示す例と同様である。
　これに対し、本実施形態は、少なくとも次に説明する最小構成を備えることで、かかる課題を解決することができる。図８に示すように、本実施形態に係る情報処理装置１０は、演算処理部２２と、分析部２４と、演算制御部２６と、を備える。
　演算処理部２２は、要素領域ごとに入力値に対して所定のシミュレーションモデルを用いて推定値を演算する。
　分析部２４は、所定の推定値の分布特性を示す分類モデルを用いて、演算された推定値に係る要素領域を、少なくとも上記の分布特性を有する特性領域と、特性領域とは別個の周囲領域とに分類する。
　演算制御部２６は、周囲領域に、特性領域よりも少ない演算資源を割り当てる。
　この構成により、演算結果となる推定値の分布が所定の分布特性を有する特性領域とは別個の周囲領域に対して少ない演算資源が割り当てられる。特性領域に対する演算資源が維持されることで推定値の精度の確保と演算時間の短縮を両立することができる。
　分析部２４は、分類モデルとして機械学習モデルを用いて演算処理部２２により演算された推定値に係る要素領域を分類してもよい。
　この構成により、推定値と特性領域との関係が非線形であっても、推定値に基づく要素領域を分類することができる。
　演算制御部２６は、特性領域からの距離が大きい領域ほど少なくなるように演算資源を割り当ててもよい。
　この構成により、特性領域に近い要素領域ほど演算資源が多く割り当てられるため、特性領域に属する要素領域における推定値に対する他の要素領域（例えば、隣接する要素領域）における推定値または入力値を参照する場合でも、その精度の低下の影響を抑制することができる。
　演算制御部２６は、周囲領域において特性領域（または関心領域）よりも要素領域を大きくし、推定値のデータ型精度を低下させ、または推定値のステップ間隔を大きくしてもよい。
　この構成により、周囲領域に対して割り当てる演算資源を、特性領域または関心領域よりも少なくする制御を簡便に行うことができる。
　演算処理部２２は、周囲領域において予め定めた入力値と推定値との関係を与える機械学習モデルを用いて推定値を定めてもよい。
　この構成により、シミュレーションモデルに頼らずに、より少ない演算資源を用いて推定値を定めることができる。
　分析部２４は、推定値の演算頻度よりも低い頻度で要素領域を分類してもよい。
　この構成により、要素領域を分類するための処理量、ひいては処理時間の増加を抑制することができる。
　情報処理装置１０は、少なくとも第１のデバイス（例えば、ＶＥ１６）と第２のデバイス（例えば、ＧＰＵ１４）を備えてもよい。第１のデバイスは、演算処理部２２として機能してもよい。第２のデバイスは、分析部２４として機能してもよい。
　この構成により、第１のデバイスと第２のデバイスが、それぞれ演算処理部２２の機能と分析部２４の機能を実現するために使い分けられる。そのため、それぞれの機能に適したデバイスが利用される。また、一方のデバイスの処理状態の他方のデバイスの処理状態への影響が抑えられるため、要素領域の分類に基づくシミュレーションに係る演算処理をより確実に制御することができる。
　なお、上記の説明では、主に対象領域内における気象情報のシミュレーションにおいて台風の雲が分布する領域を特性領域とする場合を例にしたが、これには限られない。特性領域は、例えば、台風に限らず、温帯低気圧や前線に伴う雲の領域であってもよい。また、特性領域は、温度がその周囲よりも有意に高いもしくは低い領域であってもよいし、降水量がその周囲よりも有意に高いもしくは低い領域であってもよい。演算対象物は、気象現象に限らず、特定の空間や物体における温度分布、圧力分布、変位分布、応力分布などの物理現象、市街地などの特定領域における人や車両の分布、ウィルス感染者の分布など、対象領域における特徴量の分布で表現される現象であればよい。一般に演算対象物や対象領域の環境によって、入力値、推定値、シミュレーションモデルおよびそのモデルパラメータが異なりうる。例えば、物体の温度分布では、ある対象要素領域における推定値として温度を算出するための入力値は、前演算ステップにおける対象要素領域と周辺要素領域それぞれにおける温度および熱源となる。シミュレーションモデルとして、熱伝導方程式に基づく数理モデルが用いられる。モデルパラメータとして、要素領域ごとの物体の比熱および熱伝導率が該当する。
　また、分類モデルとして、主にＤＬを用いる場合を例にしたが、これには限られない。分類モデルは、ＤＬ以外の種類のニューラルネットワーク、例えば、再帰型ニューラルネットワーク、残差ネットワークなどであってもよい。また、分類モデルは、ニューラルネットワーク以外の機械学習モデル、例えば、ＡｄａＢｏｏｓｔ、決定木、などであってもよいし、機械学習モデルに限られず、所定の分布特性を表現する特徴量とのパターンマッチングであってもよい。
　上記の情報処理装置１０は、その内部にコンピュータシステムを備えてもよい。そして、上述した各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記憶媒体に記憶され、このプログラムをコンピュータが読み出して実行することによって、それらの処理が行われる。コンピュータシステムは、ＯＳ、デバイスドライバ、ユーティリティプログラムなどのソフトウェアや周辺機器等のハードウェアを含むものとする。また、コンピュータ読み取り可能な記録媒体」とは、磁気ディスク、光磁気ディスク、ＲＯＭ、半導体メモリ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに、コンピュータ読み取り可能な記録媒体、とは、インターネット等のネットワークや電話回線等の通信回線を用いてプログラムを送信する場合に用いる通信線など、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリなど、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
　また、上述した実施形態における情報処理装置１０の一部、または全部を、ＬＳＩ（Large Scale integration）等の集積回路として実現してもよい。情報処理装置１０の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。
　以上、本発明の好ましい実施形態を説明したが、本発明はこれら実施形態及びその変形例に限定されることはない。本発明の主旨を逸脱しない範囲で、構成の付加、省略、置換、およびその他の変更が可能である。
　また、本発明は前述した説明によって限定されることはなく、添付の特許請求の範囲によってのみ限定される。
　上記各態様の情報処理装置、情報処理方法およびプログラムによれば、演算結果となる推定値の分布が所定の分布特性を有する特性領域とは別個の周囲領域に対して少ない演算資源が割り当てられる。特性領域に対する演算資源が維持されることで推定値の精度の確保と演算時間の短縮を両立することができる。
１０…情報処理装置、１２…ＣＰＵ、１２ｍ…メモリ、１４…ＧＰＵ、１４ｍ…メモリ、１６…ＶＥ、１６ｍ…メモリ、２２…演算処理部、２４…分析部、２６…演算制御部

Claims (9)

  1. 　要素領域ごとに入力値に対して所定のシミュレーションモデルを用いて推定値を演算する演算処理部と、
    　所定の推定値の分布特性を示す分類モデルを用いて、演算された前記推定値に係る要素領域を、少なくとも前記分布特性を有する特性領域と、前記特性領域とは別個の周囲領域とに分類する分析部と、
    　前記周囲領域に、前記特性領域よりも少ない演算資源を割り当てる演算制御部と、
    　を備える情報処理装置。
  2. 　前記分析部は、前記分類モデルとして、所定の機械学習モデルを用いて、演算された前記推定値に係る前記要素領域を分類する
    　請求項１に記載の情報処理装置。
  3. 　前記演算制御部は、前記特性領域からの距離が大きい領域ほど少なくなるように演算資源を割り当てる
    　請求項２に記載の情報処理装置。
  4. 　前記演算制御部は、前記周囲領域において前記特性領域よりも前記要素領域を大きくし、前記推定値の演算精度を低下させ、または前記推定値のステップ間隔を大きくする
    　請求項１から請求項３のいずれか一項に記載の情報処理装置。
  5. 　前記演算制御部は、前記周囲領域において、予め定めた入力値と推定値との関係を与える機械学習モデルを用いて前記推定値を定める
    　請求項１から請求項３のいずれか一項に記載の情報処理装置。
  6. 　前記分析部は、前記推定値の演算頻度よりも低い頻度で前記要素領域を分類する
    　請求項１から請求項５のいずれか一項に記載の情報処理装置。
  7. 　少なくとも第１のデバイスと第２のデバイスを備え、
    　前記第１のデバイスが前記演算処理部として機能し、
    　前記第２のデバイスが前記分析部として機能する
    　請求項１から請求項６のいずれか一項に記載の情報処理装置。
  8. 　情報処理装置における情報処理方法であって、
    　要素領域ごとに入力値に対して所定のシミュレーションモデルを用いて推定値を演算する第１ステップと、
    　所定の推定値の分布特性を示す分類モデルを用いて、演算された前記推定値に係る要素領域を、少なくとも前記分布特性を有する特性領域と、前記特性領域とは別個の周囲領域とに分類する第２ステップと、
    　前記周囲領域に、前記特性領域よりも少ない演算資源を割り当てる第３ステップと、
    　を有する情報処理方法。
  9. 　コンピュータに、
    　要素領域ごとに入力値に対して所定のシミュレーションモデルを用いて推定値を演算する演算処理部と、
    　所定の推定値の分布特性を示す分類モデルを用いて、演算された前記推定値に係る要素領域を、少なくとも前記分布特性を有する特性領域と、前記特性領域とは別個の周囲領域とに分類する分析部と、
    　前記周囲領域に、前記特性領域よりも少ない演算資源を割り当てる演算制御部と、
    　を備える情報処理装置として機能させるためのプログラム。
PCT/JP2020/024553 2020-06-23 2020-06-23 情報処理装置、情報処理方法およびプログラム WO2021260785A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/024553 WO2021260785A1 (ja) 2020-06-23 2020-06-23 情報処理装置、情報処理方法およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/024553 WO2021260785A1 (ja) 2020-06-23 2020-06-23 情報処理装置、情報処理方法およびプログラム

Publications (1)

Publication Number Publication Date
WO2021260785A1 true WO2021260785A1 (ja) 2021-12-30

Family

ID=79282224

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/024553 WO2021260785A1 (ja) 2020-06-23 2020-06-23 情報処理装置、情報処理方法およびプログラム

Country Status (1)

Country Link
WO (1) WO2021260785A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004038630A (ja) * 2002-07-04 2004-02-05 Keio Gijuku 混合格子型解適合格子法を用いた数値解析装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004038630A (ja) * 2002-07-04 2004-02-05 Keio Gijuku 混合格子型解適合格子法を用いた数値解析装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIMBO TOMOHIKO, ΤAKAHIKO TANAHASI: "Shock wave analysis with Hybrid Grid Adaptation method", PROCEEDINGS OF THE ANNUAL MEETING 2001 OF THE JAPAN SOCIETY OF FLUID MECHANICS, 31 July 2001 (2001-07-31), pages 271 - 272, XP055894134, [retrieved on 20220222] *

Similar Documents

Publication Publication Date Title
CN109272016B (zh) 目标检测方法、装置、终端设备和计算机可读存储介质
US10885660B2 (en) Object detection method, device, system and storage medium
US8472718B2 (en) Superpixel segmentation methods and systems
CN106886980B (zh) 一种基于三维激光雷达目标识别的点云密度增强的方法
CN110533022B (zh) 一种目标检测方法、系统、装置及存储介质
CN110610143B (zh) 多任务联合训练的人群计数网络方法、系统、介质及终端
CN109977952B (zh) 基于局部最大值的候选目标检测方法
CN102110284B (zh) 信息处理设备及信息处理方法
KR101981284B1 (ko) 이미지 처리 장치 및 방법
CN108629405B (zh) 提高卷积神经网络计算效率的方法和装置
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN111177811A (zh) 一种应用于云平台的消防点位自动布图的方法
WO2021260785A1 (ja) 情報処理装置、情報処理方法およびプログラム
CN116261734A (zh) 硬件加速器的神经架构缩放
CN115953330B (zh) 虚拟场景图像的纹理优化方法、装置、设备和存储介质
CN113807330B (zh) 面向资源受限场景的三维视线估计方法及装置
CN116597275A (zh) 一种基于数据增强的高速移动目标识别方法
US9483846B2 (en) Data interpolation and classification method for map data visualization
JP2020098455A (ja) 物体識別システム、物体識別方法、並びに、画像識別プログラム
CN114492540A (zh) 目标检测模型的训练方法、装置、计算机设备及存储介质
CN114723877A (zh) 一种针对三维稀疏卷积网络的对抗样本生成方法
CN113011415A (zh) 基于Grid R-CNN模型改进的目标检测方法及系统
JP2014199533A (ja) 画像識別装置、画像識別方法およびプログラム
CN109583512B (zh) 图像处理方法、装置及系统
TWI613545B (zh) 繪圖處理程序之分析方法與分析系統

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20941935

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20941935

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP