存储介质和数据处理方法技术

本文公开了存储介质和数据处理方法。提供了一种非暂态计算机可读存储介质，其存储有使计算机执行处理的程序，该处理包括：基于通过对使用变量的值的组合而生成的数据集进行学习处理而获取的并且对数据的维数进行压缩的压缩模型，获取压缩空间内的与通过使用变量的值的预定组合而生成的数据相对应的点；基于与通过使用预定组合而生成的数据相对应的点、空间内的与根据变量的值而改变的特性的目标值相对应的目标点以及空间内的针对变量中的预定变量的回归模型，获取预定变量的改变量；以及通过使用改变量来改变包括在预定组合中的预定变量的值。

【技术实现步骤摘要】
存储介质和数据处理方法
本文讨论的实施方式涉及存储介质和数据处理方法。
技术介绍
在电路设计中，通过组合表示电路参数的设计变量来设置设计空间。设计变量用于描述目标函数，使得将优化问题公式化。在设计空间中，执行搜索处理，其搜索用于优化目标函数的最优解(全局解)。然而，当设计变量之间存在相互作用时，作为设计空间中的目标函数的曲面的解空间是多模态的。在解空间中可能会存在多个峰和谷。在这种情况下，通过根据简单梯度方法的搜索处理，搜索结果容易陷入局部解而不是全局解。因此，数学规划、元启发式算法、响应面方法等已经用于寻找全局解。元启发式算法包括模拟退火、遗传算法等。关于电路设计，已知一种电路参数设计方法，该方法不仅考虑到所制造的产品电路的性能的变化，而且考虑到由于变化引起的损失的最小化(例如，参见日本公开特许公报第2000-293556号)。还已知一种信息处理设备，该信息处理设备利用递归神经网络和变分自动编码器(Variationalautoencoder，VAE)的组合来执行机器学习。作为相关技术，例如，公开了日本公开特许公报第2000-293556号和日本公开特许公报第2018-152004号。
技术实现思路
在诸如数学规划、元启发式算法和响应面方法之类的常规方法中的共同特征是：通过在设计空间中设计搜索处理来减少寻找全局解的迭代次数。但是，由于通过使用设计变量来描述目标函数，因此解空间的结构得以维持，并且解空间中仍然存在多个峰和谷。因此，搜索全局解的时间可能不会减少。上述问题不仅发生在电路设计中，而且还发生在针对各种分析目标的用于获取参数的全局解的搜索处理中。根据实施方式的一个方面，提供了一种非暂态计算机可读存储介质，其存储有使计算机执行处理的程序，该处理包括：基于通过对使用变量的值的组合而生成的数据集进行学习处理而获取的并且对数据的维数进行压缩的压缩模型，获取压缩空间内的与通过使用变量的值的预定组合而生成的数据相对应的点；基于与通过使用预定组合而生成的数据相对应的点、所述空间内的与根据变量的值而改变的特性的目标值相对应的目标点以及所述空间内的针对变量中的预定变量的回归模型，获取预定变量的改变量；以及通过使用改变量来改变包括在预定组合中的预定变量的值。专利技术的有益效果根据实施方式，可以搜索对分析目标的特性有贡献的多个变量的值的适当组合。附图说明图1是数据处理设备的功能配置图；图2是数据处理的流程图；图3是数据处理设备的特定示例的功能配置图；图4是示出电源电路的电路设计中的VAE的图；图5是示出在隐空间(latentspace)中绘制的图像的图；图6是示出在VAE上进行的学习处理的图；图7A和图7B是示出斜坡函数和S形函数(sigmoidfunction)的图；图8是学习处理的流程图；图9是搜索处理的流程图；图10是示出电源电路的图；图11是示出电压波形的图像的图；图12是示出针对电路参数的确定性的系数(acoefficientofdetermination)的图；以及图13是信息处理设备的配置图。具体实施方式下文中，将参照附图详细描述实施方式。图1示出了根据实施方式的数据处理设备的功能配置示例。图1中的数据处理设备101包括存储单元111和改变单元112。存储单元111存储压缩模型121，压缩模型121是通过对使用多个变量的值的组合而生成的数据集执行学习处理而获取的并且对数据的维数进行压缩。改变单元112通过使用压缩模型121执行数据处理。图2是示出由图1中的数据处理设备101执行的数据处理的示例的流程图。首先，改变单元112基于压缩模型121获取压缩空间内的与通过使用多个变量的值的预定组合而生成的数据相对应的点(步骤201)。接着，基于与通过使用预定组合而生成的数据相对应的点、压缩空间内的目标点以及压缩空间内的回归模型，改变单元112获取所述多个变量中的预定变量的改变量(步骤202)。压缩空间内的目标点是与根据所述多个变量的值而变化的特性的目标值相对应的点，并且压缩空间内的回归模型是针对预定变量的回归模型。接着，改变单元112通过使用所获取的改变量来改变包括在预定组合中的预定变量的值(步骤203)。利用图1中的数据处理设备101，可以有效地搜索对分析目标的特性有贡献的多个变量的值的适当组合。图3示出了图1中的数据处理设备101的特定示例。图3中的数据处理设备301包括存储单元311、模拟器312、图像生成单元313、学习单元314、回归分析单元315、搜索单元316和输出单元317。存储单元311和搜索单元316分别对应于图1中的存储单元111和改变单元112。数据处理设备301通过使用人工智能来执行用于使分析目标的参数优化的数据处理。例如，电路设计中的分析目标是电气电路、电子电路等，并且电路设计中的参数是电阻值、电容、电感等。数据处理设备301还可以执行诸如结构分析、电磁场分析、流体分析和图像分析之类的数据处理。结构分析中的分析目标是建筑物、产品等，而电磁场分析中的分析目标是无线通信电路、天线等。流体分析中的分析目标是空气、水等，而图像分析中的分析目标是各种对象中的任何一个的图像。存储单元311存储参数集321和初始参数329。参数集321和初始参数329包括表示分析目标的多个参数的变量的值。参数集321是用于学习处理的多个变量的值的多个组合的集合。初始参数329包括多个变量的指示用于搜索处理的初始值的值的组合。在学习处理中，模拟器312通过使用参数集321对分析目标执行模拟以生成表示模拟结果的时间序列数据的集合(asetoftime-seriesdata)并将其存储在存储单元311中作为时间序列数据集322。模拟器312生成与多个时间序列数据片相对应的分析目标的特性值的集合并将其存储在存储单元311中作为特性值集323。分析目标的特性根据多个参数的值而变化，并且使用包括在参数集321中的组合的模拟确定与组合相对应的特性值。例如，作为电源电路的电路设计的特性，可以使用电源电路的效率。图像生成单元313生成表示包括在时间序列数据集322中的时间序列数据片的图像，并且将根据多个时间序列数据片生成的图像的集合存储在存储单元311中作为图像集324。图像集324对应于要学习的数据片的集合。学习单元314对图像集324执行学习处理以生成变分自动编码器(VAE)325并将其存储在存储单元311中。VAE325对应于图1中的压缩模型121。自动编码器(autoencoder，AE)是一种压缩模型，其通过使用神经网络来生成隐空间表示，该隐空间表示是由于输入数据的维数的压缩而具有减少的信息量的特性表示。隐空间表示压缩之后的低维数空间。VAE是将概率分布应用于表示AE的隐空间的隐变量的压缩模型。图4示出了电源电路的电路设计中的VAE325的本文档来自技高网...

【技术保护点】
1.一种非暂态计算机可读存储介质，存储有使计算机执行处理的程序，所述处理包括：/n基于通过对使用多个变量的值的组合而生成的数据集进行学习处理而获取的并且对数据的维数进行压缩的压缩模型，获取压缩空间内的与通过使用所述多个变量的值的预定组合而生成的数据相对应的点；/n基于与通过使用所述预定组合而生成的数据相对应的点、所述空间内的与根据所述多个变量的值而改变的特性的目标值相对应的目标点以及所述空间内的针对所述多个变量中的预定变量的回归模型，获取所述预定变量的改变量；以及/n通过使用所述改变量来改变包括在所述预定组合中的所述预定变量的值。/n

【技术特征摘要】
20190308 JP 2019-0429451.一种非暂态计算机可读存储介质，存储有使计算机执行处理的程序，所述处理包括：
基于通过对使用多个变量的值的组合而生成的数据集进行学习处理而获取的并且对数据的维数进行压缩的压缩模型，获取压缩空间内的与通过使用所述多个变量的值的预定组合而生成的数据相对应的点；
基于与通过使用所述预定组合而生成的数据相对应的点、所述空间内的与根据所述多个变量的值而改变的特性的目标值相对应的目标点以及所述空间内的针对所述多个变量中的预定变量的回归模型，获取所述预定变量的改变量；以及
通过使用所述改变量来改变包括在所述预定组合中的所述预定变量的值。


2.根据权利要求1所述的存储介质，其中
所述回归模型的目标变量是所述预定变量，并且
所述回归模型的解释变量是表示所述空间的多个变量。


3.根据权利要求2所述的存储介质，所述处理还包括：
通过使用所述回归模型从所述目标点获取所述预定变量的第一值；
通过使用所述回归模型从与使用所述预定组合而生成的数据相对应的点获取所述预定变量的第二值；以及
通过使用所述第一值与所述第二值之间的差以及所述回归模型的可靠性来获取所述改变量。


4.根据权利要求1所述的存储介质，所述处理还包括：
通过使用所述数据集和所述压缩模型来生成所述回归模型；以及
通过使用所述数据集、所述压缩模型和所述回归模型来获取所述回归模型的可靠性。


5.根据权利要求1所述的存储介质，所述处理还包括：
基于与通过使用所述预定组合而生成的数据相对应的点、所述目标点以及所述空间内的针对所述多个变量中的每个变量的回归模型来获取所述多个变量中的每个变量的改变量；以及
通过使用所述多...

【专利技术属性】
技术研发人员：秋间学尚，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP