WO2025253489A1 - 推定装置、および推定方法 - Google Patents

推定装置、および推定方法

Info

Publication number
WO2025253489A1
WO2025253489A1 PCT/JP2024/020335 JP2024020335W WO2025253489A1 WO 2025253489 A1 WO2025253489 A1 WO 2025253489A1 JP 2024020335 W JP2024020335 W JP 2024020335W WO 2025253489 A1 WO2025253489 A1 WO 2025253489A1
Authority
WO
WIPO (PCT)
Prior art keywords
obm
growth rate
marine
model
time step
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/JP2024/020335
Other languages
English (en)
French (fr)
Inventor
ヘレン スチュワート
凜 入江
恒子 倉
正樹 久田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Inc
NTT Inc USA
Original Assignee
Nippon Telegraph and Telephone Corp
NTT Inc USA
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 Nippon Telegraph and Telephone Corp, NTT Inc USA filed Critical Nippon Telegraph and Telephone Corp
Priority to PCT/JP2024/020335 priority Critical patent/WO2025253489A1/ja
Publication of WO2025253489A1 publication Critical patent/WO2025253489A1/ja
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • This disclosure relates to an estimation device and an estimation method.
  • ESMs Earth System Models
  • OBMs ocean biogeochemistry models
  • Non-Patent Document 1 the Biogeochemistry with Light, Iron, Nutrients and Gas (BLING) model.
  • the model disclosed in Non-Patent Document 1 represents the growth and loss rates of marine microorganisms such as small and large plankton.
  • Non-Patent Document 1 The growth and loss rates of marine microorganisms in Non-Patent Document 1 are estimated based on ocean physical models and changes in OBM values. However, marine microorganisms evolve rapidly. It is preferable to estimate the growth rates of marine microorganisms more accurately, for example by taking the passage of time into account.
  • This disclosure has been made in light of the above circumstances, and its purpose is to provide technology that enables more accurate estimation of the evolutionary growth rate of marine microorganisms.
  • An estimation device includes a model generation unit that, at each time step, calculates OBM values, including the growth rate of marine microorganisms, using marine physical values calculated from an ocean physical model and an OBM (marine biogeochemical model), and trains a learning model that estimates the growth rate of the marine microorganisms at each time step from the relationship between the marine physical values and the OBM values at each time step; and an estimation unit that, at each time step, calculates OBM values other than the growth rate of the marine microorganisms using the marine physical values and the OBM calculated from the ocean physical model and estimates the growth rate of the marine microorganisms from the marine physical values and the OBM values other than the growth rate of the marine microorganisms using the learning model.
  • a computer calculates OBM values, including the growth rate of marine microorganisms, at each time step using oceanographic values calculated from an oceanographic model and an OBM (marine biogeochemical model), trains a learning model that estimates the growth rate of the marine microorganisms at each time step from the relationship between the oceanographic values and the OBM values at each time step, calculates OBM values other than the growth rate of the marine microorganisms at each time step using the oceanographic values and OBM calculated from the oceanographic model, and estimates the growth rate of the marine microorganisms from the oceanographic values and the OBM values other than the growth rate of the marine microorganisms using the learning model.
  • OBM sea biogeochemical model
  • This disclosure provides technology that enables more accurate estimation of the evolutionary growth rate of marine microorganisms.
  • FIG. 1 is a diagram illustrating functional blocks of an estimation device according to an embodiment of the present disclosure.
  • FIG. 2 is a block diagram illustrating the configuration of the model generation unit.
  • FIG. 3 is a block diagram illustrating the configuration of the estimation unit.
  • FIG. 4 is a flowchart illustrating the estimation process performed by the estimation device.
  • FIG. 5 is a diagram illustrating the hardware configuration of a computer used in the estimation device.
  • the estimation device 1 according to the present disclosure more accurately estimates the evolutionary growth rate of marine microorganisms in a marine biogeochemical model (hereinafter referred to as OBM).
  • OBM marine biogeochemical model
  • the estimation device 1 estimates the growth rate or loss rate of marine microorganisms taking into account the passage of time.
  • the estimation device 1 makes it possible to reflect the evolutionary speed of marine microorganisms in the growth rate or loss rate.
  • the estimation device 1 includes the functions of a model generation unit 10 and an estimation unit 20, an input data storage unit 30 that stores input data, learning model data 41, and estimation data 28. Each function is implemented in a CPU 901. Each piece of data is stored in a storage device such as memory 902 or storage 903.
  • the model generation unit 10 references each piece of data in the input data storage unit 30 to generate a learning model that estimates the growth rate of marine microorganisms at each time step.
  • the model generation unit 10 outputs learning model data 41 that identifies the generated learning model.
  • the estimation unit 20 estimates the growth rate of marine microorganisms at each time step by referencing each data item in the input data storage unit 30 and the learning model generated by the model generation unit 10. The estimation unit 20 associates each time step with the growth rate of marine microorganisms at that time step to generate estimated data 28.
  • the estimation device 1 may generate a learning model that estimates the growth rate for each type of marine microorganism.
  • the growth rate of marine microorganisms is estimated for each time step and type.
  • the estimation unit 20 may estimate the growth rate of marine microorganisms at a lower resolution than the resolution of the learning model generated by the model generation unit 10. This reduces the processing load on the estimation unit 20 compared to estimating the growth rate of marine microorganisms at a higher resolution.
  • the estimation device 1 generates a learning model for estimating the growth rate of marine microorganisms and estimates the growth rate of marine microorganisms at each time step, but this is not limited to this.
  • the estimation device 1 may also estimate the loss rate of marine microorganisms in a similar manner.
  • marine microorganisms are phytoplankton that exist in the ocean.
  • An ocean physical model is a model that calculates parameters that specify the physical state of the ocean, such as ocean current velocity vectors and salinity concentrations.
  • Ocean physical values are the values of parameters that specify the physical state of the ocean. Ocean physical models and ocean physical values may each include multiple elements.
  • OBM is a model that calculates parameters that specify biogeochemical characteristics in the ocean, such as concentrations of nutrients or plankton, growth rates of phytoplankton, and parameters that represent iron deficiency.
  • OBM values are the values of parameters that specify biogeochemical characteristics in the ocean.
  • OBM and OBM values may each include multiple elements.
  • Equation (1) indicates that the growth rate of phytoplankton does not change over time.
  • the growth rate of phytoplankton estimated by the estimation device 1 according to the present disclosure is estimated for each time step, taking into account the evolution of phytoplankton. This allows for more accurate estimation of changes in phytoplankton growth rates. Furthermore, the estimation device 1 according to the present disclosure simulates the physical state of the ocean and the biogeochemical state of the ocean using existing models, allowing for flexible estimation.
  • Model generation unit The model generation unit 10 will be described with reference to Fig. 2.
  • the time step in the model generation unit 10 is expressed by a variable n1, where N is the maximum value of the time step calculated by the estimation device 1.
  • the model generation unit 10 references each piece of data in the input data storage unit 30 to generate learning model data 41.
  • the model generation unit 10 has the functions of a calculation unit 11, an output processing unit 15, and a learning unit 16, as well as output data 18 and learning data 19.
  • the input data storage unit 30 has ocean physics initial values 31, ocean physics model data 32, OBM initial values 33, and OBM data 34.
  • Ocean physical model data 32 is data that identifies the model used to calculate ocean physical values at the time step being processed, where time step n1 > 0 and n1 ⁇ N.
  • Ocean physical models include, for example, MITgcm (Massachusetts Institute of Technology General Circulation Model), NEMO (Nucleus for European Modelling of the Ocean), MICOM (Miami Isopycnal Coordinate Ocean Model), MPIOM (Max Planck Institute Ocean Model), CSIRO (Commonwealth Scientific and Industrial Research Organisation), and MOM6 (Modular Ocean Model 6).
  • OBM data 34 is data that specifies a model used to calculate the OBM value at the time step being processed, where time step n1 > 0 and n1 ⁇ N.
  • OBM data 34 includes data that specifies, for example, the calculation formula shown in equation (1) as a model for calculating the growth rate of phytoplankton.
  • OBMs examples include BLING, PlankTOM5, HAMOCC (Hamburg Model of the Ocean Carbon Cycle), PISCES, REcom2 (Regulated Ecosystem Model 2), and COBALT.
  • the calculation unit 11 calculates the OBM value at each time step through simulation. At each time step, the calculation unit 11 calculates the OBM value, including the growth rate of phytoplankton, using the ocean physical values calculated from the ocean physical model specified by the ocean physical model data 32 and the OBM specified by the OBM data 34.
  • the time step 0 instead of referring to the ocean physical model data 32 and the OBM data 34, the calculation unit 11 refers to the ocean physical initial value 31 and the OBM initial value 33.
  • the calculation unit 11 includes an oceanographic calculation unit 12, a coupling unit 13, and an OBM calculation unit 14.
  • the ocean physics calculation unit 12 calculates ocean physics values from the ocean physics model identified by the ocean physics model data 32 at the time step to be calculated.
  • the combining unit 13 integrates the ocean physics values calculated from each ocean physics model to identify the ocean state at that time step.
  • the OBM calculation unit 14 calculates the OBM value for the time step to be calculated using the ocean state identified by the combination unit 13 and the OBM identified by the OBM data 34.
  • the OBM value includes data on the growth rate of phytoplankton.
  • the OBM calculation unit 14 calculates the growth rate of phytoplankton for the time step to be calculated from the parameters of the ocean state for that time step, using, for example, equation (1).
  • the OBM calculation unit 14 inserts into the output data 18 a record that associates the oceanographic physical values calculated by the oceanographic physical calculation unit 12 with the OBM values calculated by the OBM calculation unit 14 for the time step being calculated.
  • the output processing unit 15 generates learning data 19 from the output data 18, which serves as training data for learning in the learning unit 16.
  • the learning unit 16 learns a learning model that estimates the growth rate of phytoplankton at each time step from the relationship between oceanographic physical values and OBM values at each time step.
  • the learning unit 16 refers to the learning data 19 to learn a learning model for estimating the output data shown in equation (3) from the input data shown in equation (2).
  • the learning unit 16 outputs learning model data 41 that identifies the learned learning model.
  • the learning unit 16 uses a common deep learning algorithm.
  • the learning unit uses a convolutional neural network, a recurrent neural network, etc.
  • the estimation device 1 may estimate the growth rate for each species of marine microorganism. For example, the estimation device 1 classifies marine microorganisms into small phytoplankton and large phytoplankton and calculates the growth rate for each.
  • the OBM calculation unit 14 of the model generation unit 10 calculates the OBM value, which includes the growth rate for each species of marine microorganism, and the learning unit 16 trains a learning model that estimates the growth rate for each species of marine microorganism.
  • Training data 19 is data that associates input data and output data during training. Equation (2) is input data during training. Equation (3) is output data during training. Note that T represents a tensor.
  • the estimation unit 20 estimates the growth rate at a lower resolution than the model generation unit 10. Therefore, the values obtained by the calculation unit 11 are calculated by a simulation with a higher resolution than the estimation resolution by the estimation unit 20, and therefore each parameter in equation (2) is given the subscript H. Note that in the following description, low-resolution values calculated by the estimation unit 20 are given the subscript L.
  • the learning model generated by the model generation unit 10 using the learning data shown in equations (2) and (3) can estimate the growth rate for each type of phytoplankton, and estimates the growth rates of large and small phytoplankton.
  • the ocean physical initial values 31 and ocean physical model data 32 include data related to seawater temperature.
  • the OBM initial values 33 and OBM data 34 include at least data related to nutrient concentrations and data on plankton growth rates.
  • the nutrients are NO3, PO4, and Fe.
  • the growth rate data is the growth rate of small plankton and the growth rate of large plankton. Equations (2) and (3) set the growth rate for each size of plankton, but growth rates may also be set for other types, such as attributes, rather than just size.
  • the model generation unit 10 simulates ocean conditions using a general model and calculates values of a marine biogeochemical model for the simulated ocean conditions.
  • the model generation unit 10 calculates each value at a higher resolution than the observed data.
  • the learning model generated by the model generation unit 10 enables more accurate estimation of phytoplankton.
  • the estimation unit 20 will be described with reference to Fig. 3.
  • the time step in the estimation unit 20 is expressed by a variable n2, where N is the maximum value of the time step calculated by the estimation device 1.
  • the estimation unit 20 generates estimation data 28 by referencing the data in the input data storage unit 30 and the learning model data 41 generated by the model generation unit 10.
  • the estimation unit 20 has the functions of a calculation unit 21, an output processing unit 15, and a learning unit 16, as well as output data 18 and learning data 19.
  • the input data storage unit 30 has ocean physics initial values 31, ocean physics model data 32, OBM initial values 33, and OBM data 34'.
  • Each piece of data in the input data storage unit 30 is the same as each piece of data described with reference to Figure 2.
  • the OBM data 34' does not include a model for estimating the growth rate of phytoplankton.
  • the estimation unit 20 refers to the learning model data 41 generated by the model generation unit 10.
  • Estimated data 28 is data that includes the growth rate of phytoplankton at each time step.
  • the calculation unit 21 calculates OBM values other than the phytoplankton growth rate using ocean physical values calculated from the ocean physical model specified by the ocean physical model data 32 and the OBM specified by the OBM data 34.
  • the calculation unit 21 estimates the phytoplankton growth rate from the ocean physical values and OBM values other than the phytoplankton growth rate using the learning model specified by the learning model data 41.
  • the time step 0 instead of referring to the ocean physical model data 32, OBM data 34', and learning model data 41, the calculation unit 21 refers to the ocean physical initial value 31 and the OBM initial value 33.
  • the calculation unit 21 includes an oceanographic calculation unit 22, a coupling unit 23, and an OBM calculation unit 24.
  • the oceanographic calculation unit 22 and the connection unit 23 are similar to the oceanographic calculation unit 12 and the connection unit 13 described with reference to Figure 2.
  • the oceanographic calculation unit 22 and the connection unit 23 identify the oceanic state at the time step to be calculated.
  • the OBM calculation unit 24 calculates OBM values other than the phytoplankton growth rate for the time step being calculated using the ocean state and OBM.
  • the OBM calculation unit 24 further uses the learning model generated by the model generation unit 10 to estimate the phytoplankton growth rate for the time step being calculated from the ocean physical values and OBM values other than the phytoplankton growth rate.
  • the OBM calculation unit 14 inserts into the output data 18 a record that associates the oceanographic physical values calculated by the oceanographic physical calculation unit 12 with the OBM values calculated by the OBM calculation unit 14 for the time step being calculated.
  • the calculation unit 21 generates estimated data 28 that associates each time step with the growth rate of phytoplankton at that time step.
  • the output processing unit 25 outputs the estimated data 28.
  • the estimation unit 20 may output estimated data 28 at a lower resolution than the model generation unit 10.
  • the OBM calculation unit 24 calculates OBM values other than the phytoplankton growth rate at each time step, and then calculates low-resolution OBM values from the calculated OBM values other than the phytoplankton growth rate.
  • the OBM calculation unit 24 analyzes the calculated high-resolution BM values other than the phytoplankton growth rate to calculate low-resolution OBM values other than the phytoplankton growth rate. Any method may be used to calculate the low-resolution values.
  • the OBM calculation unit 24 further uses a learning model to estimate the plankton growth rate from oceanographic physical values and low-resolution OBM values other than the phytoplankton growth rate.
  • low-resolution OBM values other than the growth rate of phytoplankton are expressed, for example, by equation (4).
  • the OBM calculation unit 24 inputs the value shown in equation (4) into the learning model, and outputs the value shown in equation (5).
  • the estimation unit 20 calculates the time-dependent growth rate of phytoplankton while reducing the processing load.
  • the time-dependent growth rate of phytoplankton is used, for example, to calculate the primary production and carbon fixation amount of phytoplankton.
  • the model generation unit 10 learns a learning model that estimates the growth rate for each species of marine microorganism.
  • the OBM calculation unit 24 uses the learning model that estimates the growth rate for each species of marine microorganism to estimate the growth rate for each species of marine microorganism from oceanographic physical values and OBM values other than the growth rate for each species of marine microorganism.
  • the estimation device 1 can, for example, classify marine microorganisms into small phytoplankton and large phytoplankton and calculate the growth rate for each.
  • step S11 the estimation device 1 initializes time step n1.
  • step S12 the estimation device 1 calculates oceanographic physical values for time step n1.
  • step S13 the estimation device 1 calculates oceanographic physical values for time step n1.
  • step S14 the estimation device 1 compares time step n1 with the termination condition. If time step n1 does not satisfy the termination condition, the process proceeds to step S16. In step S16, the estimation device 1 increments time step n1 and repeats the processing of steps S12 and S13.
  • step S15 the estimation device 1 generates a learning model that estimates the growth rate of phytoplankton.
  • step S21 the estimation device 1 initializes time step n2.
  • step S22 the estimation device 1 calculates oceanographic physical values for time step n2.
  • step S23 the estimation device 1 refers to the OBM to calculate oceanographic physical values other than the growth rate of phytoplankton.
  • step S24 the estimation device 1 refers to the learning model generated in step S15 to estimate the growth rate of phytoplankton.
  • step S25 the estimation device 1 compares time step n2 with the termination condition. If time step n2 does not satisfy the termination condition, the process proceeds to step S26. In step S26, the estimation device 1 increments time step n2 and repeats the processing of steps S22 to S24.
  • step S27 the estimation device 1 outputs the growth rate of phytoplankton for each time step.
  • the estimation device 1 is able to output the growth rate of phytoplankton for each time step, taking into account the rapid evolutionary rate of marine microorganisms.
  • the estimation device 1 can more accurately estimate the growth rate due to the evolution of marine microorganisms.
  • the estimation device 1 of this embodiment described above uses, for example, a general-purpose computer system including a CPU (Central Processing Unit, processor) 901, memory 902, storage 903 (HDD: Hard Disk Drive, SSD: Solid State Drive), communication device 904, input device 905, and output device 906.
  • the CPU 901 executes a program loaded on memory 902, thereby realizing each function of the estimation device 1.
  • estimation device 1 may be implemented on a single computer, or on multiple computers.
  • the estimation device 1 may also be a virtual machine implemented on a computer.
  • the program for the estimation device 1 can be stored on a computer-readable recording medium such as a HDD, SSD, USB (Universal Serial Bus) memory, CD (Compact Disc), or DVD (Digital Versatile Disc), or can be distributed via a network.
  • a computer-readable recording medium such as a HDD, SSD, USB (Universal Serial Bus) memory, CD (Compact Disc), or DVD (Digital Versatile Disc), or can be distributed via a network.
  • the computer-readable recording medium is, for example, a non-transitory recording medium.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

推定装置１は、各時間ステップにおいて、海洋物理モデルから算出された海洋物理値とＯＢＭ（海洋地球生物化学モデル）を用いて、海洋微生物の成長率を含む、ＯＢＭ値を算出し、各時間ステップにおける海洋物理値とＯＢＭ値との関係から、各時間ステップにおける海洋微生物の成長率を推定する学習モデルを学習するモデル生成部１０と、各時間ステップにおいて、海洋物理モデルから算出された海洋物理値とＯＢＭを用いて、海洋微生物の成長率以外のＯＢＭ値を算出し、学習モデルを用いて、海洋物理値と海洋微生物の成長率以外のＯＢＭ値から、海洋微生物の成長率を推定する推定部２０を備える。

Description

推定装置、および推定方法
　本開示は、推定装置、および推定方法に関する。
　地球システムモデル（ＥＳＭ：Earth System Models）は、人間活動が地球の炭素循環を含む地球の物質循環や海洋生態系および海洋資源に及ぼす影響を明らかにするための、重要なツールである。ＥＳＭは、構成要素の一つとして、海洋生物地球化学モデル（ＯＢＭ：Ocean biogeochemistry models）を含む。ＯＢＭは、海洋の生物地球化学的特性と、それらの特性が時間とともにどのように変化するかを説明するために使用される。
　例えば、ＯＢＭの一つの例として、生物地球化学モデル（ＢＬＩＮＧ：Biogeochemistry with Light, Iron, Nutrients and Gas）がある（非特許文献１）。非特許文献１が開示するモデルは、小さいプランクトンと大きいプランクトン等の海洋微生物の成長率および損失率を表現する。
　非特許文献１の海洋微生物の成長率および損失率は、海洋物理モデル、およびＯＢＭ値の変化に対して推定される。しかしながら海洋微生物の進化速度は速い。海洋微生物の成長率等は、さらに、時間の進行を考慮するなど、より正確に推定されることが好ましい。
　本開示は、上記事情に鑑みてなされたものであり、本開示の目的は、海洋微生物の進化による成長率を、より正確に推定可能な技術を提供することである。
　本開示の一態様の推定装置は、各時間ステップにおいて、海洋物理モデルから算出された海洋物理値とＯＢＭ（海洋生物地球化学モデル）を用いて、海洋微生物の成長率を含む、ＯＢＭ値を算出し、前記各時間ステップにおける前記海洋物理値と前記ＯＢＭ値との関係から、各時間ステップにおける前記海洋微生物の成長率を推定する学習モデルを学習するモデル生成部と、各時間ステップにおいて、前記海洋物理モデルから算出された海洋物理値とＯＢＭを用いて、前記海洋微生物の成長率以外のＯＢＭ値を算出し、前記学習モデルを用いて、前記海洋物理値と前記海洋微生物の成長率以外のＯＢＭ値から、前記海洋微生物の成長率を推定する推定部を備える。
　本開示の一態様の推定方法は、コンピュータが、各時間ステップにおいて、海洋物理モデルから算出された海洋物理値とＯＢＭ（海洋生物地球化学モデル）を用いて、海洋微生物の成長率を含む、ＯＢＭ値を算出し、前記各時間ステップにおける前記海洋物理値と前記ＯＢＭ値との関係から、各時間ステップにおける前記海洋微生物の成長率を推定する学習モデルを学習し、各時間ステップにおいて、前記海洋物理モデルから算出された海洋物理値とＯＢＭを用いて、前記海洋微生物の成長率以外のＯＢＭ値を算出し、前記学習モデルを用いて、前記海洋物理値と前記海洋微生物の成長率以外のＯＢＭ値から、前記海洋微生物の成長率を推定する。
　本開示によれば、海洋微生物の進化による成長率を、より正確に推定可能な技術を提供することができる。
図１は、本開示の実施の形態に係る推定装置の機能ブロックを説明する図である。 図２は、モデル生成部の構成を説明するブロック図である。 図３は、推定部の構成を説明するブロック図である。 図４は、推定装置による推定処理を説明するフローチャートである。 図５は、推定装置に用いられるコンピュータのハードウエア構成を説明する図である。
　以下、図面を参照して、本開示の実施の形態を説明する。図面の記載において同一部分には同一符号を付し説明を省略する。
　（推定装置）
　本開示に係る推定装置１は、海洋生物地球化学モデル（以下、ＯＢＭ）において、海洋微生物の進化による成長率を、より正確に推定する。推定装置１は、時間の進行を考慮して、海洋微生物の成長率または損失率を推定する。推定装置１は、海洋微生物の進化スピードを、成長率または損失率に反映することを可能とする。
　図１に示すように推定装置１は、モデル生成部１０、および推定部２０の各機能と、入力データを記憶する入力データ記憶部３０、学習モデルデータ４１および推定データ２８を備える。各機能は、CPU９０１に実装される。各データは、メモリ９０２またはストレージ９０３等の記憶装置に記憶される。
　モデル生成部１０は、入力データ記憶部３０の各データを参照して、各時間ステップにおける海洋微生物の成長率を推定する学習モデルを生成する。モデル生成部１０は、生成した学習モデルを特定する学習モデルデータ４１を出力する。
　推定部２０は、入力データ記憶部３０の各データとモデル生成部１０が生成した学習モデルを参照して、各時間ステップにおける海洋微生物の成長率を推定する。推定部２０は、各時間ステップに、その時間ステップにおける海洋微生物の成長率を対応づけて、推定データ２８を生成する。
　本開示に係る推定装置１は、海洋微生物の種別毎に、成長率を推測する学習モデルを生成しても良い。海洋微生物の成長率は、時間ステップおよび種別毎に推定される。
　本開示において推定部２０は、モデル生成部１０が生成した学習モデルの解像度よりも、低解像度で、海洋微生物の成長率を推定しても良い。高解像度で、海洋微生物の成長率を推定する場合に比べて、推定部２０における処理負担が、軽減される。
　本開示に係る推定装置１は、海洋微生物の成長率を推定する学習モデルを生成し、各時間ステップにおける海洋微生物の成長率を推定する場合を説明するが、これに限らない。推定装置１は、海洋微生物の損失率も同様に推定しても良い。本開示において、海洋微生物は、海洋に存在する植物プランクトンである。
　海洋物理モデルは、海流の流速ベクトル、塩分濃度など、海洋の物理状態を特定するパラメータを算出するモデルである。海洋物理値は、海洋の物理状態を特定するパラメータの値である。海洋物理モデルおよび海洋物理値は、それぞれ複数の要素を含んでも良い。
　ＯＢＭは、栄養塩またはプランクトンなどの濃度、植物プランクトンの成長率、鉄不足を表すパラメータなどの、海洋における生物地球化学的特性を特定するパラメータを算出するモデルである。ＯＢＭ値は、海洋における生物地球化学的特性を特定するパラメータの値である。ＯＢＭおよびＯＢＭ値は、それぞれ複数の要素を含んでも良い。
　一般的に、植物プランクトンの成長率μは、式（１）により示される。式（１）は、植物プランクトンの成長率が、時間の進展により変化しないことを示す。
　これに対し、本開示に係る推定装置１が推定する植物プランクトンの成長率は、植物プランクトンの進化を考慮して、時間ステップ毎に推定される。これにより、植物プランクトンの成長率の変化を、より正確に推定することができる。また本開示に係る推定装置１は、海洋の物理的な状態と、海洋の生物地球化学的な状態を、既存のモデルを用いてシミュレーションするので、柔軟に推定することができる。
　（モデル生成部）
　図２を参照して、モデル生成部１０を説明する。モデル生成部１０における時間ステップは、変数ｎ１で表現される。Ｎは、推定装置１が算出する時間ステップの最大値である。
　モデル生成部１０は、入力データ記憶部３０の各データを参照して、学習モデルデータ４１を生成する。モデル生成部１０は、計算部１１、出力処理部１５および学習部１６の各機能と、出力データ１８および学習データ１９の各データを有する。
　入力データ記憶部３０は、海洋物理初期値３１、海洋物理モデルデータ３２、ＯＢＭ初期値３３およびＯＢＭデータ３４を有する。
　海洋物理初期値３１は、時間ステップｎ１＝０における海洋物理値である。
　海洋物理モデルデータ３２は、時間ステップｎ１＞０かつｎ１＜Ｎにおいて、処理対象の時間ステップにおける海洋物理値を算出するために用いられるモデルを特定するデータである。
　海洋物理モデルは、例えば、MITgcm（Massachusetts. Institute of Technology. General Circulation Model）、NEMO（Nucleus for European Modelling of the Ocean）、MICOM（Miami Isopycnal Cordinate Ocean Model）、 MPIOM（Max Planck Institute Ocean Model）、CSIRO（Commonwealth Scientific and Industrial Research Organisation）、 MOM6（Modular Ocean Model 6）などである。
　ＯＢＭ初期値３３は、時間ステップ＝０におけるＯＢＭ値である。
　ＯＢＭデータ３４は、時間ステップｎ１＞０かつｎ１＜Ｎにおいて、処理対象の時間ステップにおけるＯＢＭ値を算出するために用いられるモデルを特定するデータである。本開示においてＯＢＭデータ３４は、植物プランクトンの成長率を算出するモデルとして、例えば、式（１）に示す計算式を特定するデータを含む。
　ＯＢＭは、例えば、BLING、PlankTOM5、HAMOCC（Hamburg Model of the Ocean Carbon Cycle）、PISCES、REcom2（Regu- lated Ecosystem Model 2）、COBALTなどである。
　計算部１１は、シミュレーションによって、各時間ステップにおけるＯＢＭ値を算出する。各時間ステップにおいて、海洋物理モデルデータ３２が特定する海洋物理モデルから算出された海洋物理値と、ＯＢＭデータ３４が特定するＯＢＭを用いて、植物プランクトンの成長率を含む、ＯＢＭ値を算出する。ここで、時間ステップ＝０の場合、海洋物理モデルデータ３２とＯＢＭデータ３４を参照する代わりに、海洋物理初期値３１およびＯＢＭ初期値３３を参照する。
　計算部１１は、海洋物理計算部１２、結合部１３およびＯＢＭ計算部１４を備える。
　海洋物理計算部１２は、算出対象の時間ステップにおいて、海洋物理モデルデータ３２が特定する海洋物理モデルから海洋物理値を算出する。結合部１３は、各海洋物理モデルから算出された海洋物理値を統合して、その時間ステップにおける海洋状態を特定する。
　ＯＢＭ計算部１４は、算出対象の時間ステップについて、結合部１３が特定した海洋状態と、ＯＢＭデータ３４が特定するＯＢＭを用いて、ＯＢＭ値を算出する。ここでＯＢＭ値は、植物プランクトンの成長率のデータを含む。ＯＢＭ計算部１４は、例えば、式（１）を用いて、算出対象の時間ステップについて、その時間ステップの海洋状態のパラメータから、植物プランクトンの成長率を算出する。
　ＯＢＭ計算部１４は、算出対象の時間ステップについて、海洋物理計算部１２が算出した海洋物理値と、ＯＢＭ計算部１４が算出したＯＢＭ値を対応づけたレコードを、出力データ１８に挿入する。
　計算部１１は、時間ステップｎ１＝０からｎ１＜ｎまで、時間ステップｎ１をインクリメントしながら、海洋物理計算部１２、結合部１３、およびＯＢＭ計算部１４の各処理を繰り返す。計算部１１は、各時間ステップについて、海洋物理計算部１２が算出した海洋物理値と、ＯＢＭ計算部１４が算出したＯＢＭ値を対応づけた出力データ１８を生成する。
　出力処理部１５は、出力データ１８から、学習部１６における学習の教師データとなる学習データ１９を生成する。
　学習部１６は、各時間ステップにおける海洋物理値とＯＢＭ値との関係から、各時間ステップにおける植物プランクトンの成長率を推定する学習モデルを学習する。本開示において学習部１６は、学習データ１９を参照して、式（２）に示す入力データから式（３）に示す出力データを推定するための学習モデルを学習する。学習部１６は、学習した学習モデルを特定する学習モデルデータ４１を出力する。
　学習部１６は、一般的な深層学習アルゴリズムを用いる。学習部は、例えば、畳み込みニューラルネットワーク、リカレントニューラルネットーワークなどを用いる。
　推定装置１は、海洋微生物の種別毎に、成長率を推定しても良い。推定装置１は、例えば、海洋微生物を、小さい植物プランクトンと、大きい植物プランクトンに区分して、それぞれについて、成長率を算出する。モデル生成部１０のＯＢＭ計算部１４は、海洋微生物の種別毎の成長率を含む、ＯＢＭ値を算出し、学習部１６は、海洋微生物の種別毎の成長率を推定する学習モデルを学習する。
　本開示において、モデル生成部１０が生成する学習データ１９の一例を説明する。学習データ１９は、学習時の入力データと出力データを対応づけるデータである。式（２）は、学習時の入力データである。式（３）は、学習時の出力データである。なお、Ｔはテンソルを示す。
　本開示において、推定部２０は、モデル生成部１０よりも解像度を落として、成長率を推定する。従って、計算部１１によって得られる値は、推定部２０による推定の解像度よりも、高解像度シミュレーションによって算出されるので、式（２）の各パラメータに、添え字Ｈが付される。なお、後述の説明において、推定部２０で算出される低解像度の値は、添え字Ｌを付す。
　式（２）および（３）に示す学習データによって、モデル生成部１０が生成する学習モデルは、植物プランクトンの種別毎に成長率を推定可能で、大きい植物プランクトンと小さい植物プランクトンの成長率を推定する。
　この場合、海洋物理初期値３１および海洋物理モデルデータ３２は、海水温に関するデータを含む。ＯＢＭ初期値３３およびＯＢＭデータ３４は、少なくとも、栄養塩の濃度に関するデータと、プランクトンの成長率のデータを含む。ここで栄養塩は、ＮＯ３、ＰＯ４およびＦｅである。成長率のデータは、小さいプランクトンの成長率と、大きいプランクトンの成長率である。式（２）および式（３）は、プランクトンの大きさ毎の成長率を設定するが、大きさに限らず、属性など他の種別毎に成長率を設定しても良い。
　本開示に係るモデル生成部１０は、一般的なモデルを用いて、海洋状態をシミュレーションし、シミュレーションされた海洋状態における、海洋生物地球化学モデルの値を算出する。モデル生成部１０は、観測データよりも高解像度で、各値を算出する。モデル生成部１０が生成する学習モデルは、植物プランクトンをより正確に推定することを可能にする。
　（推定部）
　図３を参照して、推定部２０を説明する。推定部２０における時間ステップは、変数ｎ２で表現される。Ｎは、推定装置１が算出する時間ステップの最大値である。
　推定部２０は、入力データ記憶部３０の各データと、モデル生成部１０が生成した学習モデルデータ４１を参照して、推定データ２８を生成する。推定部２０は、計算部２１、出力処理部１５および学習部１６の各機能と、出力データ１８および学習データ１９の各データを有する。
　入力データ記憶部３０は、海洋物理初期値３１、海洋物理モデルデータ３２、ＯＢＭ初期値３３およびＯＢＭデータ３４’を有する。入力データ記憶部３０の各データは、図２を参照して説明した各データと同様である。但し、ＯＢＭデータ３４’は、図２に示すＯＢＭデータ３４と異なり、植物プランクトンの成長率を推定するモデルを含まない点が異なる。推定部２０は、植物プランクトンの成長率を推定する際、モデル生成部１０が生成した学習モデルデータ４１を参照する。
　推定データ２８は、各時間ステップにおける植物プランクトンの成長率を含むデータである。
　計算部２１は、各時間ステップにおいて、海洋物理モデルデータ３２が特定する海洋物理モデルから算出された海洋物理値と、ＯＢＭデータ３４が特定するＯＢＭを用いて、植物プランクトンの成長率以外のＯＢＭ値を算出する。計算部２１は、学習モデルデータ４１が特定する学習モデルを用いて、海洋物理値と植物プランクトンの成長率以外のＯＢＭ値から、植物プランクトンの成長率を推定する。ここで、時間ステップ＝０の場合、海洋物理モデルデータ３２、ＯＢＭデータ３４’および学習モデルデータ４１を参照する代わりに、海洋物理初期値３１およびＯＢＭ初期値３３を参照する。
　計算部２１は、海洋物理計算部２２、結合部２３およびＯＢＭ計算部２４を備える。
　海洋物理計算部２２および結合部２３は、図２を参照して説明した海洋物理計算部１２および結合部１３と同様である。海洋物理計算部２２および結合部２３は、算出対象の時間ステップにおける海洋状態を特定する。
　ＯＢＭ計算部２４は、算出対象の時間ステップについて、海洋状態とＯＢＭを用いて、植物プランクトンの成長率以外のＯＢＭ値を算出する。ＯＢＭ計算部２４はさらに、モデル生成部１０が生成した学習モデルを用いて、算出対象の時間ステップについて、海洋物理値と植物プランクトンの成長率以外のＯＢＭ値から、植物プランクトンの成長率を推定する。
　ＯＢＭ計算部１４は、算出対象の時間ステップについて、海洋物理計算部１２が算出した海洋物理値と、ＯＢＭ計算部１４が算出したＯＢＭ値を対応づけたレコードを、出力データ１８に挿入する。
　計算部２１は、時間ステップｎ１＝０からｎ１＜ｎまで、時間ステップをインクリメントしながら、海洋物理計算部２２、結合部２３、およびＯＢＭ計算部２４の各処理を繰り返す。計算部２１は、各時間ステップと、その時間ステップにおける植物プランクトンの成長率を対応づけた推定データ２８を生成する。
　出力処理部２５は、推定データ２８を出力する。
　推定部２０は、モデル生成部１０に比べて低解像度で、推定データ２８を出力しても良い。例えば、ＯＢＭ計算部２４は、各時間ステップにおいて、植物プランクトンの成長率以外のＯＢＭ値を算出した後、算出された植物プランクトンの成長率以外のＯＢＭ値から、低解像度のＯＢＭ値を算出する。ＯＢＭ計算部２４は、算出された植物プランクトンの成長率以外の高解像度のＢＭ値を解析して、低解像度の植物プランクトンの成長率以外のＯＢＭ値を算出する。低解像度の値を算出する方法は、任意の方法で良い。ＯＢＭ計算部２４はさらに、学習モデルを用いて、海洋物理値と、植物プランクトンの成長率以外の低解像度のＯＢＭ値から、プランクトンの成長率を推定する。
　ここで、植物プランクトンの成長率以外の低解像度のＯＢＭ値は、例えば、式（４）で表現される。
　ＯＢＭ計算部２４は、式（４）に示す値を、学習モデルに入力することにより、式（５）に示す値を出力する。
　これにより推定部２０は、処理負担を軽減して、時間依存の植物プランクトンの成長率を算出することができる。時間依存の植物プランクトンの成長率は、例えば、植物プランクトンの一次生産および炭素固定量の算出などに用いられる。
　推定装置１は、海洋微生物の種別毎に、成長率を推定する場合、モデル生成部１０は、海洋微生物の種別毎の成長率を推定する学習モデルを学習する。この場合、ＯＢＭ計算部２４は、海洋微生物の種別毎の成長率を推定する学習モデルを用いて、海洋物理値と海洋微生物の種別毎の成長率以外のＯＢＭ値から、海洋微生物の種別毎の成長率を推定する。推定装置１は、例えば、海洋微生物を、小さい植物プランクトンと、大きい植物プランクトンに区分して、それぞれについて、成長率を算出することができる。
　（推定方法）
　図４を参照して、本開示に係る推定方法を説明する。図４に示す処理のうち、ステップＳ１１－ステップＳ１５は、モデル生成部１０の処理に対応する。ステップＳ２１－ステップＳ２７は、推定部２０の処理に対応する。
　ステップＳ１１において推定装置１は、時間ステップｎ１を初期化する。
　ステップＳ１２において推定装置１は、時間ステップｎ１について、海洋物理値を算出する。ステップＳ１３において推定装置１は、時間ステップｎ１について、海洋物理値を算出する。
　ステップＳ１４において推定装置１は、時間ステップｎ１と終了条件を比較する。時間ステップｎ１が終了条件を満たさない場合、ステップＳ１６に進む。ステップＳ１６において推定装置１は、時間ステップｎ１をインクリメントして、ステップＳ１２およびステップＳ１３の処理を繰り返す。
　時間ステップｎ１が終了条件を満たす場合、ステップＳ１５に進む。ステップＳ１５において推定装置１は、植物プランクトンの成長率を推定する学習モデルを生成する。
　ステップＳ２１において推定装置１は、時間ステップｎ２を初期化する。
　ステップＳ２２において推定装置１は、時間ステップｎ２について、海洋物理値を算出する。ステップＳ２３において推定装置１は、ＯＢＭを参照して、植物プランクトンの成長率以外の海洋物理値を算出する。ステップＳ２４において推定装置１は、ステップＳ１５で生成した学習モデルを参照して、植物プランクトンの成長率を推定する。
　ステップＳ２５において推定装置１は、時間ステップｎ２と終了条件を比較する。時間ステップｎ２が終了条件を満たさない場合、ステップＳ２６に進む。ステップＳ２６において推定装置１は、時間ステップｎ２をインクリメントして、ステップＳ２２－ステップＳ２４の処理を繰り返す。
　時間ステップｎ２が終了条件を満たす場合、ステップＳ２７に進む。ステップＳ２７において推定装置１は、各時間ステップの植物プランクトンの成長率を出力する。
　このような本開示に係る推定装置１は、海洋微生物の速い進化速度を考慮して、時間ステップ毎の植物プランクトンの成長率を出力することができる。推定装置１は、海洋微生物の進化による成長率を、より正確に推定することができる。
　上記説明した本実施形態の推定装置１は、例えば、CPU（Central Processing Unit、プロセッサ）９０１と、メモリ９０２と、ストレージ９０３（HDD：Hard Disk Drive、SSD：Solid State Drive）と、通信装置９０４と、入力装置９０５と、出力装置９０６とを備える汎用的なコンピュータシステムが用いられる。このコンピュータシステムにおいて、CPU９０１がメモリ９０２上にロードされたプログラムを実行することにより、推定装置１の各機能が実現される。
　なお、推定装置１は、１つのコンピュータで実装されてもよく、あるいは複数のコンピュータで実装されても良い。また推定装置１は、コンピュータに実装される仮想マシンであっても良い。
　推定装置１のプログラムは、HDD、SSD、USB（Universal Serial Bus）メモリ、CD (Compact Disc)、DVD (Digital Versatile Disc)などのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。コンピュータ読取り可能な記録媒体は、例えば非一時的な（non-transitory）記録媒体である。
　なお、本開示は上記実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。
　１　推定装置
　１０　モデル生成部
　１１、２１　計算部
　１２、２２　海洋物理計算部
　１３、２３　結合部
　１４、２４　ＯＢＭ計算部
　１５、２５　出力処理部
　１８　出力データ
　１９　学習データ
　１６　学習部
　２０　推定部
　２８　推定データ
　３０　入力データ記憶部
　３１　海洋物理初期値
　３２　海洋物理モデルデータ
　３３　ＯＢＭ初期値
　３４　ＯＢＭデータ
　４１　学習モデルデータ
　９０１　CPU
　９０２　メモリ
　９０３　ストレージ
　９０４　通信装置
　９０５　入力装置
　９０６　出力装置

Claims (4)

  1. 　各時間ステップにおいて、海洋物理モデルから算出された海洋物理値とＯＢＭ（海洋生物地球化学モデル）を用いて、海洋微生物の成長率を含む、ＯＢＭ値を算出し、
    　前記各時間ステップにおける前記海洋物理値と前記ＯＢＭ値との関係から、各時間ステップにおける前記海洋微生物の成長率を推定する学習モデルを学習するモデル生成部と、
    　各時間ステップにおいて、前記海洋物理モデルから算出された海洋物理値とＯＢＭを用いて、前記海洋微生物の成長率以外のＯＢＭ値を算出し、前記学習モデルを用いて、前記海洋物理値と前記海洋微生物の成長率以外のＯＢＭ値から、前記海洋微生物の成長率を推定する推定部
    　を備える推定装置。
  2. 　前記推定部は、前記各時間ステップにおいて、前記海洋微生物の成長率以外のＯＢＭ値を算出し、算出した値から、低解像度のＯＢＭ値を算出し、前記学習モデルを用いて、前記海洋物理値と前記低解像度のＯＢＭ値から、前記海洋微生物の成長率を推定する
    　請求項１に記載の推定装置。
  3. 　前記モデル生成部は、前記海洋微生物の種別毎の成長率を含む、ＯＢＭ値を算出し、
    前記海洋微生物の種別毎の成長率を推定する他の学習モデルを学習し、
    　前記推定部は、前記他の学習モデルを用いて、前記海洋物理値と前記海洋微生物の種別毎の成長率以外のＯＢＭ値から、前記海洋微生物の種別毎の成長率を推定する
    　請求項１に記載の推定装置。
  4. 　コンピュータが、
    　各時間ステップにおいて、海洋物理モデルから算出された海洋物理値とＯＢＭ（海洋生物地球化学モデル）を用いて、海洋微生物の成長率を含む、ＯＢＭ値を算出し、
    　前記各時間ステップにおける前記海洋物理値と前記ＯＢＭ値との関係から、各時間ステップにおける前記海洋微生物の成長率を推定する学習モデルを学習し、
    　各時間ステップにおいて、前記海洋物理モデルから算出された海洋物理値とＯＢＭを用いて、前記海洋微生物の成長率以外のＯＢＭ値を算出し、前記学習モデルを用いて、前記海洋物理値と前記海洋微生物の成長率以外のＯＢＭ値から、前記海洋微生物の成長率を推定する
    　推定方法。
PCT/JP2024/020335 2024-06-04 2024-06-04 推定装置、および推定方法 Pending WO2025253489A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/020335 WO2025253489A1 (ja) 2024-06-04 2024-06-04 推定装置、および推定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/020335 WO2025253489A1 (ja) 2024-06-04 2024-06-04 推定装置、および推定方法

Publications (1)

Publication Number Publication Date
WO2025253489A1 true WO2025253489A1 (ja) 2025-12-11

Family

ID=97961013

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/020335 Pending WO2025253489A1 (ja) 2024-06-04 2024-06-04 推定装置、および推定方法

Country Status (1)

Country Link
WO (1) WO2025253489A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493007A (zh) * 2022-01-27 2022-05-13 中国科学院海洋研究所 一种评估海洋牧场生物承载力的方法、装置及系统
JP2022082681A (ja) * 2019-04-15 2022-06-02 国立研究開発法人理化学研究所 環境因子予測装置、方法、プログラム、学習済モデルおよび記憶媒体

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022082681A (ja) * 2019-04-15 2022-06-02 国立研究開発法人理化学研究所 環境因子予測装置、方法、プログラム、学習済モデルおよび記憶媒体
CN114493007A (zh) * 2022-01-27 2022-05-13 中国科学院海洋研究所 一种评估海洋牧场生物承载力的方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
STEWART HELEN, IRIE RIN, SUZUKI AYA, HISADA MASAKI, TAKAHASHI KEIKO: "Effect of submesoscale dynamics and baroclinic instabilities on phytoplankton", COPERNICUS GMBH, 1 January 2023 (2023-01-01), XP093378948, Retrieved from the Internet <URL:https://meetingorganizer.copernicus.org/EGU23/EGU23-11212.html> DOI: 10.5194/egusphere-egu23-11212 *

Similar Documents

Publication Publication Date Title
Gauci et al. Horizon: Facebook's open source applied reinforcement learning platform
US20210342699A1 (en) Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation
JP6090286B2 (ja) 機械学習装置、機械学習方法、分類装置、分類方法、プログラム
JP5943358B2 (ja) 学習装置、処理装置、予測システム、学習方法、処理方法、およびプログラム
JP6933367B2 (ja) ニューラルネットワーク回路装置、システム、処理方法および実行プログラム
US11270203B2 (en) Apparatus and method for training neural network by performing normalization using a plurality of normalization techniques
US10747637B2 (en) Detecting anomalous sensors
CN108009593A (zh) 一种迁移学习最优算法选取方法及系统
Wiedenmann et al. Autocorrelated error in stock assessment estimates: implications for management strategy evaluation
US20260087377A1 (en) Knowledge tracing device, method, and program
CN113535947A (zh) 一种带有缺失标记的不完备数据的多标记分类方法及装置
US20220207368A1 (en) Embedding Normalization Method and Electronic Device Using Same
US11568303B2 (en) Electronic apparatus and control method thereof
CN107247996A (zh) 一种应用于异分布数据环境的主动学习方法
CN117730332A (zh) 信息处理方法和信息处理系统
JP2025168206A (ja) 適応型ラベルエンベディングによる辞書対照学習に基づく効率的データ分類方法及び装置
CN116050257B (zh) 面向自我意识增强的无人机数字孪生体模块化仿真方法
TW202518382A (zh) 影像加強之方法、從模糊影像產生去模糊影像之方法以及電子裝置
US20240028902A1 (en) Learning apparatus and method
CN112036566A (zh) 使用遗传算法选取特征的方法和装置
CN118245301A (zh) 一种ddr闪存的性能优化方法、装置、设备及存储介质
Khan et al. Chaos Control, Codimension‐One and Codimension‐Two 1: 2 Strong Resonance Bifurcation Analysis of a Predator‐Prey Model with Holling Types I and III Functional Responses
JP7575008B2 (ja) 制御方法、制御装置、及びプログラム
JP2019036207A (ja) 最適化装置、最適化方法および最適化プログラム
CN115346077A (zh) 卷积神经网络的训练方法、装置、设备和存储介质

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: 24942580

Country of ref document: EP

Kind code of ref document: A1