[發明專利]優化設備、優化系統、優化方法及記錄介質

在審

• 申請號: 202010402039.1
• 申請日: 2020-05-13
• 公開（公告）號: CN111951901A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 劉宇
• 申請（專利權）人: 富士通株式會社
• 主分類號: G16C20/10
• 分類號: G16C20/10;G16C20/70;G06N7/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 高巖;楊林森

提供了優化設備、優化系統、優化方法及記錄介質。一種優化設備，包括：控制單元，其被配置成基于輸入數據生成貝葉斯模型，該貝葉斯模型是通過對搜索給出關于目標物質的特征值的最優值的多個參數的值的組合的問題進行建模而獲得的；基于多個參數中的參數的一個或若干個輸入值來生成搜索空間，該搜索空間包括在根據多個參數的值的所有組合獲得的整個搜索空間中并且比整個搜索空間窄；以及在搜索空間中使用貝葉斯模型執行對該組合的搜索。

技術領域

本文討論的實施方式涉及優化設備、優化系統、優化方法和記錄優化程序的記錄介質。

背景技術

近年來，稱為材料信息學的領域引起關注，其用于通過向材料設計/制造過程添加使用人工智能(AI)等的信息處理技術來提高材料設計/制造的質量和效率。材料信息學使用從實驗或理論計算獲得的數據以基于統計學習搜索新材料的特征因素(characteristicfactor)等。

作為材料信息學的示例，貝葉斯推斷與第一原理計算相結合，第一原理計算是確定高性能材料的最優組成的材料模擬方法之一。

貝葉斯推斷是一種通過基于貝葉斯概率的統計方法根據觀察到的事件來推斷最優事件的方法。在以上示例中，可以通過應用貝葉斯推斷來減少直到獲得最優組成的第一原理計算的計算的數量。

用于使用貝葉斯推斷執行優化的工具例如是COMmon貝葉斯優化(COMBO)。

作為相關技術，例如，已經提出了一種技術，該技術基于貝葉斯理論根據離子半徑值的可能性和先驗概率來計算后驗概率，以獲得關于目標元素的任意氧化數(oxidationnumber)的半徑值分布。此外，還提出了一種技術，該技術對基于已知物質建模的物質模型執行機器學習，將目標物理性質輸入至學習結果以確定候選物質，以及根據候選物質確定新物質。

日本公開特許公報第2015-109084號和日本公開特許公報第2017-91526號作為相關技術被公開。

在通過貝葉斯推斷搜索給出關于目標物質的特征值的最優值的多個參數的值的組合(下文中稱為“最優解”)的過程中，首先確定貝葉斯模型的先驗分布，然后基于先驗分布搜索上述參數的值的組合。例如，在設置先驗分布的情況下，將實驗數據、模擬數據等用作輸入數據。

在貝葉斯推斷中，搜索結果根據先驗分布而改變。然而，當在輸入數據有限并且執行貝葉斯推斷的情況下設置先驗分布時，搜索結果(解)可能偏離最優解。因此，難以準確地搜索最優解。

一方面，實施方式的目的在于提供用于即使在輸入數據有限的情況下也準確地搜索最優解的優化設備、優化系統、優化方法和優化程序。

發明內容

根據實施方式的一個方面，一種優化設備，包括：控制單元，其被配置成基于輸入數據生成貝葉斯模型，該貝葉斯模型是通過對搜索給出關于目標物質的特征值的最優值的多個參數的值的組合的問題進行建模而獲得的；基于多個參數中的參數的一個或若干個輸入值來生成搜索空間，該搜索空間包括在根據多個參數的值的所有組合獲得的整個搜索空間中并且比整個搜索空間窄；以及在搜索空間中使用貝葉斯模型執行對該組合的搜索。

根據一方面，即使在輸入數據有限的情況下，也可以準確地搜索最優解。

附圖說明

圖1示出了根據第一實施方式的優化系統的示例；

圖2是生成貝葉斯模型的示例的說明圖(部分1)；

圖3是生成貝葉斯模型的示例的說明圖(部分2)；

圖4示出了更新貝葉斯模型的示例；

圖5示出了根據第二實施方式的優化設備的硬件的示例；

圖6示出了優化設備的功能塊的示例；