用于提供创建图神经网络架构的代理的方法和用于由代理创建图神经网络架构的方法技术

用于提供创建图神经网络架构的代理的方法和用于由代理创建图神经网络架构的方法。本发明专利技术涉及一种用于提供创建图神经网络架构的代理的计算机实现的方法，所述图神经网络架构适合于提供对复杂系统的至少一个指示物的预测，并且涉及一种用于由代理提供此类图神经网络架构的计算机实现的方法。此外，它涉及代理和用于提供代理的单元、计算机程序产品和计算机可读存储介质。机可读存储介质。机可读存储介质。

【技术实现步骤摘要】
用于提供创建图神经网络架构的代理的方法和用于由代理创建图神经网络架构的方法


[0001]本专利技术涉及一种用于提供创建图神经网络架构的代理的方法、一种用于由代理创建图神经网络架构的方法、一种代理以及一种用于提供代理的单元。此外，本专利技术涉及一种计算机程序产品和计算机可读存储介质。

技术介绍

[0002]在复杂系统的设计或配置期间，工程师必须找到解决方案，以便复杂系统提供足够好的性能。通过使用他们的域知识，开发了满足多个功能和非功能要求的系统。出于成本和效率原因，在生产原型之前，这个开发在第一步中是在计算机上完成的。找到的解决方案是例如汽车的对应部件由工程服务提供给客户（例如汽车制造者），其中取决于制造者的决定，它被实现为例如原型，所述原型然后可能在修改之后可能地付诸实践。
[0003]复杂系统的示例可以是混合动力车辆，其中功能要求是语音识别能力，并且非功能要求是在 4 秒中从静止达到每小时 100 千米而不消耗超过 20 ml的燃料。在这个情境（context）中，功能要求指定系统应该或不应该做什么，例如以具有语音识别或加速能力，而非功能要求指定应该如何将其完成，例如以便遵守消费限制。因为存在适应复杂系统的许多选项，所以这项任务依赖于工程师的经验，所述工程师必须考虑大量可能的分离可配置选项（例如电动机和/或内燃机），以及连续选项（例如引擎大小或电池容量）。可以通过改变选项生成的可能系统的数目呈指数增长，并且通常只有一小部分的那些可能性满足要求。
[0004]工程师利用他们的经验来决定哪个设计最有前途，但是仍需要来自模拟环境的反馈以确定是否满足要求。模拟意指复杂系统的行为由确定性模型来近似，其中取决于输入数据来确定感兴趣的输出数据。然而，模拟通常是耗时的，因为例如必须考虑许多相互依赖性并将其反映在用于模拟的相应算法中。有时，相互依赖性也是未知的，并且因此不能进入模拟。
[0005]因此，为了向工程师提供快速反馈，近年期间已提出使用神经网络作为替代。通过神经网络，可以对复杂系统的行为进行建模。为此，通过使用训练数据来训练神经网络，以便反映复杂系统的行为。在训练期间，必须对由神经网络获得的结果给予反馈，以便由神经网络逐渐地开发复杂系统的足够好的表示。
[0006]这个“训练”或反馈过程需要许多时间和工作。此外，当然存在许多不同的复杂系统或要在复杂系统中探索的问题，并且必须针对每个单个的复杂系统或问题执行上面描述的过程。因此，需要许多时间和金钱来执行这个工程任务以找到最佳设计，例如针对混合动力汽车或生产线。
[0007]因此，本专利技术的一个目的是提供一种可能性，其使得设计过程更高效，并且因此提供改进设计过程的可能性。

技术实现思路

[0008]这通过独立权利要求中公开的事物来解决。有利的实施例是从属权利要求的主题。
[0009]本专利技术涉及一种用于提供代理的方法，所述代理可以创建图神经网络架构。本专利技术还涉及一种用于由代理创建图神经网络架构的方法、一种代理、一种用于提供此类代理的单元、一种计算机程序产品和具有此类计算机程序产品的存储介质。
[0010]在本专利技术的情境中的一个考虑是不通过手来创建图神经网络，即由工程师使用他/她的技术域知识和关于如何在使用神经网络时实现这个的知识，而是更确切地说使这个图神经网络通过机器学习由适于此任务的软件来创建。
[0011]特别地，这具有降低成本的优点。此外，可以更快地执行任务。更进一步地，可以探索图神经网络的更多可能性，其导致通过所创建的图神经网络的更好的预测。预测包含技术指示物，例如复杂系统（例如混合动力汽车）的燃料消耗。因此，可以显著地改进复杂系统的设计过程。更进一步地，因此可以考虑各种各样的系统之间的未知依赖性。
[0012]代理是可以执行动作以自主地创建图神经网络架构的单元。它可以是已经历机器学习过程的一个软件。
[0013]图神经网络架构是神经网络部件的组合，其中至少一个是图神经网络层。在图神经网络（GNN）中，可以捕获图中的依赖性。通过包含节点和边以使节点互连的图，可以描述复杂系统，即具有多个部件和相互依赖性的系统。
[0014]对于其中代理学习如何以有利的方式修改GNN的迭代过程，向代理提供复杂系统的多种系统设计。多样性可以被选择成例如在相同
中提供不同的系统设计。在混合动力汽车的示例中，它们可以包括混合动力汽车的不同实施方式。替代地或另外地，该多样性可以包括仅具有电驱动技术的汽车的系统设计。另外，可以添加基于纯内燃机驱动技术的系统设计。此外，使用电动机的其他系统（例如四轴飞行器）可以是所述多样性的一部分。
[0015]根据有利实施例，迭代过程是机器学习过程，通过该过程可以加速迭代过程中的反馈环。特别地，机器学习可以是加强机器学习。
[0016]由代理开始迭代过程，特别是机器学习过程。在这个迭代过程中，初始起始图神经网络架构在至少一个方面被修改，例如：添加图卷积层，并且由此获得不同的中间图神经网络架构。
[0017]然后针对描述复杂系统（例如特定的混合动力汽车）的所选择系统设计，使用训练数据来训练这个中间图神经网络架构。
[0018]例如，如果已经使用了为混合动力汽车提供的一定量的训练数据，或者如果在循环结束时确定的一组预定义指示物在从实际测量的数据预期的值左右的某个范围之内或还在已使用一定量的时间之后，可以完成训练。
[0019]根据有利实施例，训练可以具有相同的训练参数，例如诸如针对每个循环的批次大小。因此，该指示物的确定的结果是直接可比较的。
[0020]在训练完成之后，确定复杂系统的至少一个指示物及其质量的预测。例如，质量可以由准确性或/和所需要的训练时间来确定。
[0021]根据预测的质量，计算奖励值。例如，奖励值取决于与先前的中间图神经网络相
比，使用当前的中间图神经网络在预测质量上已取得了多少改进。
[0022]根据有利实施例，对于第一循环，奖励函数具有正值，例如通过确保初始质量值为零或负数。这样，即使没有先前的图神经网络，它也可以进行到下一循环。
[0023]这个修改、训练、确定、评估直到导出奖励函数的过程被重复，直到满足退出标准为止，即预测满足预定义的性质，例如在预定义的精度范围之内。
[0024]然后，代理选择新的系统设计，并且开始执行新的迭代过程，直到再次针对新选择的系统设计实现合适的图神经网络架构为止。
[0025]针对多个系统设计来重复这个，直到满足代理的代理退出标准为止。
[0026]根据有利的实施例，代理退出标准是出自多样性的所有可用的系统设计已在迭代过程中使用。因此，可以确保所有可用信息已被使用，并且代理可以获得尽可能广泛的“经验”。
[0027]根据另一有利实施例，如果迭代过程已经通过预定义的子群（例如混合动力车辆的所有系统设计），则满足代理退出标准。这减少了获得高效代理所需要的时间。此外，如果与例如生产系统的系统设计不存在技术重叠，则系统设计中包含的与混合动力汽车有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于提供创建图神经网络（GNN）架构的代理（A）的计算机实现的方法，所述图神经网络（GNN）架构适合于提供复杂系统（CS）的至少一个指示物（KPI）的预测，包括以下步骤：a）提供（1）多种系统设计（SD），每个描述标准化数据模型中的复杂系统（CS），由此将标准化语言用于向代理（A）描述复杂系统的元素和元素之间的关系；b）由代理（A）对出自多种系统设计中的一个系统设计（SD）进行采样（2）；c）由代理（A）以下面的步骤从起始图神经网络架构和采样的系统设计来开始（3）迭代过程：i）修改（4）起始图神经网络架构，并且由此获得中间图神经网络架构；ii）针对采样的系统设计，使用训练数据来训练（5）中间图神经网络（GNN）架构，确定采样的系统设计的预测，并且评估预测的质量；iii）导出（6）奖励值（R），由此考虑预测的质量；iv）以中间图神经网络作为新的起始图神经网络来重复步骤 i）—iii），直到满足退出标准为止；d）重复步骤 b），因为另一系统设计被采样，并且重复步骤c），直到满足代理训练退出标准为止；e）为用于创建图神经网络（GNN）架构的代理（A）提供策略，其是基于适合于提供对复杂系统（CS）的至少一个指示物 （KPI）的预测的步骤 a）到 d）中执行的机器学习，所述复杂系统（CS）不是由多种提供的系统设计（SD）描述的复杂系统。2.用于由根据权利要求1所述的计算机实现的方法提供的代理（A）创建图神经网络（GNN）架构的计算机实现的方法，所述图神经网络架构适合于提供对未知复杂系统（CS）的至少一个指示物（KPI）的预测，包括以下步骤：a）由代理（A）对未知复杂系统（CS）的系统设计（SD）进行采样（2）；b）由代理以下面的步骤开始（3）从起始图神经网络架构和采样的系统设计的迭代过程：i）修改（4）起始图神经网络架构，并且由此获得中间图神经网络架构；ii）针对采样的系统设计，使用训练数据来训练（5）中间图神经网络（GNN）架构，针对采样的系统设计执行预测，并且评估预测的质量；iii）从预测的质量导出（6）奖励值（R）；iv）以中间图神经网络作为新的起始网络来重复（7）步骤i）
‑
iii），直到满足退出标准为止；c）将最后的中间图神经网络（GNN）视为合适的图神经网络。3.根据权利要求1或2所述的方法，其中系统设计（SD）被至少部分地作为知识图（KG）来提供，其中复杂系统（CS）的部件和关系由节点和边或/和涉及节点或/和关系的子集的至少一组属性（ATT）来描述。4.根据前述任一项所述的方法，其中修改（ACT）是移除或/和添加用于编码节点特定...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：西门子股份公司，
类型：发明
国别省市：