CN114930338A - 信息处理***、信息处理方法及程序 - Google Patents

信息处理***、信息处理方法及程序 Download PDF

Info

Publication number
CN114930338A
CN114930338A CN202180008636.9A CN202180008636A CN114930338A CN 114930338 A CN114930338 A CN 114930338A CN 202180008636 A CN202180008636 A CN 202180008636A CN 114930338 A CN114930338 A CN 114930338A
Authority
CN
China
Prior art keywords
data
numerical analysis
machine learning
learning model
result
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.)
Granted
Application number
CN202180008636.9A
Other languages
English (en)
Other versions
CN114930338B (zh
Inventor
堀江正信
森田直树
井原遊
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.)
Research Institute Of Scientific Computing Co Ltd
Original Assignee
Research Institute Of Scientific Computing Co Ltd
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 Research Institute Of Scientific Computing Co Ltd filed Critical Research Institute Of Scientific Computing Co Ltd
Publication of CN114930338A publication Critical patent/CN114930338A/zh
Application granted granted Critical
Publication of CN114930338B publication Critical patent/CN114930338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Stored Programmes (AREA)

Abstract

课题为使用机器学习适当地进行数值分析。信息处理***(1)具备对象数据获取部(212)和数值分析处理部(213)(或结构推断部(316))。对象数据获取部(212)获取由网格形状表示的数值分析(或结构物的设计模拟)的对象物的数据。数值分析处理部(213)(或结构推断部(316))获取以与网格形状对应的图表数据的相邻的两个节点的关系为单位，使用对物理特性的数值分析(或结构物的设计模拟)的结果进行了机器学习的机器学习模型，推断数值分析(或结构物的设计模拟)的对象物中的数值分析的结果(或结构物的设计模拟结果)而得出的推断结果。

Description

信息处理***、信息处理方法及程序
技术领域
本发明涉及信息处理***、信息处理方法及程序。
背景技术
近年来，实现了一种使用机器学习的物理特性的分析方法。
在这样的分析方法中，将成为分析对象的输入数据输入到机器学习模型，计算表示针对输入数据的分析结果的输出数据。
与使用机器学习的分析方法有关的技术例如记载于专利文献1中。
现有技术文献
专利文献
专利文献1：日本特开2019－128815号公报
发明内容
发明要解决的问题
在以往的使用机器学习的分析方法中，通常使用具有与输入矩阵(由输入数据构成的矩阵)的尺寸对应的列数的仿射变换矩阵。
该仿射变换矩阵是为了机器学习而调谐的，仿射变换矩阵越合适，机器学习的性能就越高。
然而，当将使用机器学习的分析方法用于物理特性的模拟或模拟的逆问题等中的数值分析时，由于输入矩阵的尺寸不是恒定不变的，因此不能立即使用使用以往的机器学习的分析方法。
即，在以往的技术中，难以使用机器学习适当地进行数值分析。
本发明的课题是使用机器学习适当地进行数值分析。
用于解决问题的方案
为了解决上述课题，本发明的一实施方式所涉及的层压机的特征在于，具备：一种信息处理***，其特征在于，具备：对象数据获取单元，所述对象数据获取单元获取由网格形状表示的数值分析的对象物的数据；以及推断单元，所述推断单元获取以与所述网格形状对应的图表数据的相邻的两个节点的关系为单位，使用对物理特性的数值分析的结果进行了机器学习的机器学习模型，推断数值分析的对象物中的数值分析的结果而得出的推断结果。
本发明的其他实施方式所涉及的层压机的特征在于，具备：优化参数设定单元，所述优化参数设定单元在针对设计对象的结构物的请求规格可实现的性能的范围内设定优化的参数；评价值获取单元，所述评价值获取单元针对所述优化的参数，获取所设计的结构物的评价函数表示的评价值；特定评价值获取单元，所述特定评价值获取单元获取与所述评价值的最大值或极大值中的至少任一个对应的特定的评价值；以及结构推断单元，所述结构推断单元获取使用机器学习模型推断对应于与所述特定的评价值对应的所述优化的参数的结构物的结构而得出的推断结果。
发明效果
根据本发明，能够使用机器学习适当地进行数值分析。
附图说明
图1是表示本发明的第一实施方式所涉及的信息处理***1整体的***结构的示意图。
图2是表示构成各装置的信息处理装置800的硬件结构的图。
图3是表示用户终端10的功能结构的框图。
图4是表示学习用数据上传画面的一例的示意图。
图5是表示输出信息设定画面的一例的示意图。
图6是表示模型选择画面的一例的示意图。
图7是表示对象数据输入画面的一例的示意图。
图8是表示数值分析结果显示画面的一例的示意图。
图9是表示数值分析服务器20的功能结构的框图。
图10是表示机器学习模型获取部211构建机器学习模型的方法的示意图。
图11是表示将与表示对象物的结构的网格形状对应的图表数据作为输入数据且输出数据也是网格形状的数据(图表数据)时的一例的示意图。
图12是表示将表示对象物的结构的网格形状的数据(与网格形状对应的图表数据)作为输入数据且输出数据是矢量数据时的一例的示意图。
图13是表示用户终端10执行的UI控制处理的流程的流程图。
图14是表示用户终端10执行的UI控制处理的流程的流程图。
图15是表示数值分析服务器20执行的机器学习模型构建处理的流程的流程图。
图16是表示数值分析服务器20执行的数值分析处理的流程的流程图。
图17是表示对象数据输入画面的一例的示意图。
图18是表示优化参数设定画面的一例的示意图。
图19是表示根据优化时变化的范围及变化的方向的输入内容，使结构物的模板的数据的图像变化显示的状态的示意图。
图20是表示权重设定画面的一例的示意图。
图21是表示推断结果显示画面的一例的示意图。
图22是表示数值分析服务器20的功能结构的框图。
图23是表示在结构物的设计模拟中优化的属性和帕累托前沿(Pareto frontier)(帕累托解的界限区域)的关系的一例的示意图。
图24是表示在结构物的设计模拟中对优化的属性设定了约束的状态的一例的示意图。
图25是表示满足在帕累托前沿内设定的约束的空间的评价函数的值的示意图。
图26是对用户终端10执行的UI控制处理的流程进行说明的流程图。
图27是对用户终端10执行的UI控制处理的流程进行说明的流程图。
图28是表示数值分析服务器20执行的设计模拟处理的流程的流程图。
图29是表示将第一实施方式中的信息处理***1的功能安装在单个信息处理装置800上时的功能结构的框图。
图30是表示将第二实施方式中的信息处理***1的功能安装在单个信息处理装置800时的功能性结构的框图。
具体实施方式
下面，参照附图对本发明的实施方式进行说明。
[第一实施方式]
[本实施方式的数值分析的概要]
本实施方式中的信息处理***使用机器学习模型进行与对象物相关的物理特性的数值分析，所述机器学习模型通过利用机器学习识别表示模拟、模拟的逆问题等中的数值分析的对象物的网格形状及用于数值分析的数据(例如，材料物性、温度等模拟数据)的分布来构建。具体而言，在本实施方式中的信息处理***中，使用将与数值分析的对象物相关的给定的物理特性作为输入，将目标物理特性作为输出的机器学习模型来推断目标物理特性。
此时执行的物理特性的数值分析具备容许向机器学习模型输入的数据数量变化的算法。即，在本实施方式中使用的数值分析的算法中，将模拟表示对象物的网格形状作为由节点及边构成的图表来捕捉，在与表示该对象物的结构的网格形状对应的图表数据中，对关注的每个节点，通过机器学习模型转换与相邻的一个节点的关系，并且对与关注的节点相邻的节点整体的转换结果进行整合(例如，相加)，作为关注的节点的推断结果。此外，将构成对象物的网格形状的节点整体的转换结果进行整合，作为对象物整体的推断结果。
由此，能够使用可根据两个节点之间的关系固定地定义尺寸的仿射变换矩阵，并基于与数值分析的对象物的网格形状对应的图表数据，进行使用机器学习模型的数值分析。
即，用网格形状模拟表示模拟、模拟的逆问题等中的数值分析的对象物时，虽然有时构成与网格形状对应的图表数据的节点或边的数量发生变化，但是不需要通过将与相邻的一个节点的关系作为模拟的单位而变更用于机器学习的仿射变换矩阵的尺寸。而且，通过对构成与网格形状对应的图表数据的节点整体的数值分析的结果进行整合，能够进行与对象物相关的物理特性的数值分析。
因此，根据本实施方式所涉及的信息处理***，能够使用机器学习适当地进行数值分析。
此外，在本实施方式中，设定为当表现为网格形状的数据时，除了由表示网格形状的节点及边构成的图表数据之外，还包括对节点或边中的至少任一个赋予了物理特性的数据(例如，材料物性、温度的数据等)的图表数据。
另外，本实施方式中的数值分析也能够将从初始状态到结果的状态作为模拟的正问题进行分析的正演计算及将用于达到结果的状态的条件作为模拟的逆问题进行分析的逆计算中的任一个的数值分析作为对象。作为一例，在本实施方式所涉及的信息处理***中进行模拟的正演计算中的数值分析时，与通过已有的模拟方法进行正演计算的情况相比，能够提高处理速度。例如，当通过已有的模拟方法进行正演计算时，需要几天以上的计算时间，在这样的案例中，在本实施方式所涉及的信息处理***中，能够使处理速度提高大约100倍。另外，在本实施方式所涉及的信息处理***中进行模拟的逆计算中的数值分析的情况与通过已有的模拟方法进行逆计算的情况相比，能够使处理速度进一步提高。例如，当通过已有的模拟方法进行逆计算时，对于一个模式需要几天以上的计算时间，且需要大约1000种模式的计算，在这样的案例中，在本实施方式所涉及的信息处理***中，能够使处理速度提高大约100000倍。
[结构]
[***结构]
图1是表示本发明的第一实施方式所涉及的信息处理***1整体的***结构的示意图。
如图1所示，信息处理***1包括多个用户终端10和数值分析服务器20而构成，多个用户终端10和数值分析服务器20构成为能够经由互联网等网络30进行通信。
用户终端10是由进行与对象物相关的物理特性的数值分析的用户使用的信息处理装置，接受用于进行物理特性的数值分析的各种信息(规定物理特性的属性值(扩散系数或杨氏模量等)或参数的初始值等)的输入，向数值分析服务器20发出与物理特性的数值分析相关的请求。另外，用户终端10显示从数值分析服务器20发送的物理特性的数值分析结果，下载物理特性的数值分析结果的数据。
数值分析服务器20当从用户终端10进行与物理特性的数值分析相关的请求时，基于用于进行物理特性的数值分析的各种信息，进行使用机器学习模型的模拟或模拟的逆问题等中的数值分析，该机器学习模型将与数值分析的对象物相关的给定的物理特性作为输入，并将目标物理特性作为输出。另外，数值分析服务器20构建对目标物理特性(温度的扩散或力的传递等)的数值分析结果进行了机器学习的机器学习模型，并将其保持为用于物理特性的数值分析的机器学习模型。
[硬件结构]
接下来，对信息处理***1中的各装置的硬件结构进行说明。
在信息处理***1中，各装置由PC、服务器计算机或者平板终端等信息处理装置构成，其基本结构相同。
图2是表示构成各装置的信息处理装置800的硬件结构的图。
如图2所示，构成各装置的信息处理装置800具备处理器811、ROM(Read OnlyMemory,只读存储器)812、RAM(Random Access Memory,随机存取存储器)813、母线814、输入部815、输出部816、存储部817、通信部818、驱动器819、以及摄像部820。
处理器811按照记录在ROM812中的程序、或者从存储部817加载到RAM813的程序执行各种处理。
在RAM813中也适当地存储有处理器811执行各种处理所需的数据等。
处理器811、ROM812及RAM813经由母线814相互连接。在母线814上连接有输入部815、输出部816、存储部817、通信部818、驱动器819及摄像部820。
输入部815由各种按钮等构成，根据指示操作输入各种信息。
输出部816由显示器、扬声器等构成，输出图像、语音。
此外，在信息处理装置800被构成为智能手机或平板终端的情况下，也可以将输入部815和输出部816的显示器重叠配置，构成触摸面板。
存储部817由硬盘或者DRAM(Dynamic Random Access Memory,动态随机存取存储器)等构成，存储由各服务器管理的各种数据。
通信部818控制经由网络30与其他装置之间进行的通信。
在驱动器819上，适当地安装有由磁盘、光盘、光磁盘或者半导体存储器等构成的可移动介质831。由驱动器819从可移动介质831读取的程序根据需要安装在存储部817。
摄像部820由具备透镜及摄像元件等的摄像装置构成，拍摄被摄体的数字图像。
此外，在信息处理装置800被构成为数值分析服务器20的情况下，也可以设为省略摄像部820的结构。另外，在信息处理装置800被构成为平板终端的情况下，也可以设为由触摸式传感器构成输入部815，并将其重叠配置在输出部816的显示器上，从而具备触摸面板的结构。
[功能结构]
接下来，对信息处理***1中的各装置的功能结构进行说明。
[用户终端10的结构]
图3是表示用户终端10的功能结构的框图。
如图3所示，在用户终端10的处理器811中，UI控制部111和数据管理部112发挥功能。另外，在用户终端10的存储部817形成有参数存储部171、对象数据存储部172以及推断结果存储部173。
在参数存储部171存储有为了进行物理特性的数值分析而设定的各种参数(例如，规定物理特性的属性值或参数的初始值等)。
在对象数据存储部172存储有表示进行物理特性的数值分析的对象物的数据(CAD(Computer-Aided Design,计算机辅助设计)数据或者STL(Standard TriangulatedLanguage,标准三角化语言)数据等表示形状的数据)。
在推断结果存储部173存储有表示物理特性的数值分析结果(使用机器学习模型的推断结果)的数据。
UI控制部111控制输入输出用于进行物理特性的数值分析的各种信息的各种输入输出画面(以下，称为“UI画面”。)的显示。例如，UI控制部111显示：上传用于构建在物理特性的数值分析中使用的机器学习模型的学习用数据的UI画面(以下，称为“学习用数据上传画面”。)；设定机器学习模型的输出信息(例如，温度分析中的比热等)的UI画面(以下，称为“输出信息设定画面”。)；选择用于数值分析的机器学习模型的UI画面(以下，称为“模型选择画面”。)；用于输入成为使用机器学习模型的数值分析的对象的数据的UI画面(以下，称为“对象数据输入画面”。)；或者用于显示数值分析的结果的UI画面(以下，称为“数值分析结果显示画面”。)。
图4是表示学习用数据上传画面的一例的示意图。
如图4所示，在学习用数据上传画面上，可选择用于机器学习模型的构建的学习用数据，并发送(上传)到数值分析服务器20。此外，用于机器学习模型的构建的学习用数据可使用存储在用户终端10中的数据，或者使用存储在数值分析服务器20或者其他服务器中的数据。另外，可使用由一个文件或多个文件构成的学习用数据作为用于机器学习模型的构建的学习用数据，由多个文件构成的学习用数据能够以文件夹的形式上传。
图5是表示输出信息设定画面的一例的示意图。
如图5所示，在输出信息设定画面上，在用于机器学习的学习用数据中，列表显示出可选择作为输出信息的参数。然后，用户从列表显示的参数中选择设定为机器学习模型的输出信息(通过使用机器学习模型的数值分析推断的物理特性)的参数，当操作开始机器学习的“学习Start”按钮时，将所选择的参数作为输出信息的机器学习模型的构建请求被发送到数值分析服务器20。之后，在数值分析服务器20中构建机器学习模型，所构建的机器学习模型成为可应用于数值分析的状态。
图6是表示模型选择画面的一例的示意图。
如图6所示，在模型选择画面中列表显示可选择的机器学习模型。然后，用户从列表显示的机器学习模型中选择用于数值分析的机器学习模型。此时，用户可选择具有与数值分析的目标对应的输出信息的机器学习模型。
图7是表示对象数据输入画面的一例的示意图。
如图7所示，在对象数据输入画面上，用户可选择存储在对象数据存储部172的数据作为使用机器学习模型的数值分析的对象。
在对象数据输入画面上，显示有“分析Start”按钮，通过操作“分析Start”按钮，与物理特性相关的数值分析的请求被发送到数值分析服务器20。由此，在数值分析服务器20中，对所选择的数据执行使用机器学习模型的数值分析。
图8是表示数值分析结果显示画面的一例的示意图。
如图8所示，在数值分析结果显示画面上，针对用户选择的数据，显示在数值分析服务器20中所执行的数值分析结果(使用机器学习模型的推断结果)。
在数值分析结果显示画面上，显示有“Download”按钮，通过操作“Download”按钮，可以将表示数值分析结果的数据下载至用户终端10。所下载的数值分析结果(推断结果)的数据被存储于推断结果存储部173。
返回图3，数据管理部112管理数据向参数存储部171、对象数据存储部172及推断结果存储部173的存储或读取、与数值分析服务器20之间的数据的收发。例如，数据管理部112从对象数据存储部172读取在对象数据输入画面中被选择为使用机器学习模型的数值分析的对象的数据，或者将读取的数据发送到数值分析服务器20。另外，数据管理部112从数值分析服务器20接收数值分析结果(使用机器学习模型的推断结果)的数据，或者将接收到的数值分析结果的数据存储到推断结果存储部173。
[数值分析服务器20的结构]
图9是表示数值分析服务器20的功能结构的框图。
如图9所示，在数值分析服务器20的处理器811中，机器学习模型获取部211、对象数据获取部212以及数值分析处理部213发挥功能。另外，在数值分析服务器20的存储部817，形成有机器学习模型存储部271、参数存储部272、对象数据存储部273以及推断结果存储部274。
在机器学习模型存储部271存储有由机器学习模型获取部211获取的机器学习模型。存储于机器学习模型存储部271的机器学习模型是通过反复学习将与数值分析的对象物相关的给定的物理特性作为输入并将目标物理特性作为输出的学习用数据而获取的机器学习模型。
在参数存储部272存储有从用户终端10发送的各种参数(例如，规定物理特性的属性值、参数的初始值等)。
在对象数据存储部273存储有从用户终端10发送的表示进行物理特性的数值分析的对象物的数据(CAD数据或STL数据等表示形状的数据)。
在推断结果存储部274存储有表示物理特性的数值分析结果(使用机器学习模型的推断结果)的数据。
机器学习模型获取部211构建在物理特性的数值分析中使用的机器学习模型。此时所构建的机器学习模型是根据物理特性的数值分析的类型构建的，在本实施方式中，通过反复学习将与数值分析的对象物相关的给定的物理特性作为输入并将目标物理特性作为输出的学习用数据来获取。
图10是表示机器学习模型获取部211构建机器学习模型的方法的示意图。
在本实施方式中，对于与表示对象物的结构的网格形状对应的图表数据的关注的节点和相邻的一个节点，将表示用于进行物理特性的数值分析的各种信息的参数和与表示对象物的结构的网格形状对应的图表数据的节点的位置作为表示拟合参数的仿射变换矩阵A的输入。即，两个节点之间的机器学习中的运算要素成为仿射变换矩阵A的输入。而且，其转换结果被输入到进行线性或者非线性转换的函数f。另外，对于关注的节点和另一个相邻的节点也同样，表示用于进行物理特性的数值分析的各种信息的参数和与表示对象物的结构的网格形状对应的图表数据的节点的位置被输入到相同尺寸的仿射变换矩阵A，并将其转换结果输入到函数f。由此，在与关注的节点相邻的所有节点之间，进行用于机器学习的运算，获取与关注的一个节点相关的用于机器学习的运算结果。
此外，对与表示对象物的结构的网格形状对应的图表数据的所有节点，同样地进行用于机器学习的运算，对于各节点获取与相邻的所有节点的运算结果。
然后，通过对与各节点相关的用于机器学习的运算结果进行整合，机器学习的第一层完成，通过根据需要重复多个n层(n为2以上的整数)这样的处理，仿射变换矩阵A(拟合参数)被依次优化，构建目标机器学习模型。此外，在本实施方式中的机器学习模型中，机器学习的各层中的仿射变换矩阵A容许设为每层不同的矩阵。
在与表示对象物的结构的网格形状对应的图表数据中，即使假设节点数量变化，相邻的两个节点之间的机器学习中的运算要素的数量也不变，因此，通过设为这样的方法，能够反复使用同一尺寸的仿射变换矩阵A进行机器学习。
对象数据获取部212获取在用户终端10中选择的成为数值分析对象的数据。另外，对象数据获取部212将获取的成为数值分析对象的数据存储于对象数据存储部273。此外，在本实施方式中，在用户终端10中选择的成为数值分析对象的数据不是用网格形状表示对象物的结构的数据时，对象数据获取部212通过使用Delaunay分割即三角剖分等的网格创建方法将该数据转换成用网格形状表示对象物的结构的数据来存储。但是，在用户终端10中选择的成为数值分析对象的数据不是用网格形状表示对象物的结构的数据时，也可以预先将该数据存储于对象数据存储部273，在执行数值分析的时机转换成用网格形状表示对象物的结构的数据。另外，如上所述，作为此时获取的网格形状的数据，除了由表示网格形状的节点及边构成的图表数据之外，还包括对节点或边中的至少任一个赋予了物理特性的数据(例如，材料物性、温度的数据等)的图表数据。
数值分析处理部213将机器学习模型应用于由对象数据获取部212获取的成为数值分析对象的数据中，计算表示数值分析结果的数据(使用机器学习模型的推断结果的数据)。在本实施方式中，数值分析处理部213具有机器学习模型，该机器学习模型将表示用于进行物理特性的数值分析的各种信息的参数和与表示对象物的结构的网格形状对应的图表数据的节点的位置作为输入，并将相对于这些输入成为目标的数值分析结果作为输出。然后，数值分析处理部213将从用户终端10获取并存储于参数存储部272的各种参数(表示用于进行物理特性的数值分析的各种信息的参数)及与表示对象物的结构的网格形状对应的图表数据输入到由用户终端10选择出的机器学习模型，输出由人工智能推断出的数值分析结果。
在本实施方式中，当数值分析处理部213使用机器学习模型通过人工智能推断数值分析结果时，通过机器学习模型对于每个关注的节点转换与相邻的一个节点的关系，并且对与关注的节点相邻的节点整体的转换结果进行整合(例如，相加)，作为关注的节点的推断结果。此外，构成与表示对象物的结构的网格形状对应的图表数据的节点整体的转换结果被整合，作为对象物整体的推断结果。
当数值分析处理部213执行物理特性的数值分析时，通过与机器学习模型获取部211构建机器学习模型时同样的方法，将表示用于进行物理特性的数值分析的各种信息的参数和与表示对象物的结构的网格形状对应的图表数据的节点的位置作为机器学习模型的输入，进行使用人工智能的物理特性的数值分析(数值分析结果的推断)。即，数值分析处理部213对于与表示对象物的结构的网格形状对应的图表数据的关注的节点和相邻的一个节点，将表示用于进行物理特性的数值分析的各种信息的参数和用网格形状表示对象物的结构时的节点的位置作为表示拟合参数的仿射变换矩阵A的输入。然后，数值分析处理部213将其转换结果输入到进行线性或者非线性转换的函数f。同样地，数值分析处理部213对于关注的节点和另一个相邻的节点，输入到相同尺寸的仿射变换矩阵A，并将其转换结果输入到函数f。数值分析处理部213在与关注的节点相邻的所有节点之间进行同样的数值分析，获取与关注的一个节点相关的物理特性的数值分析结果。
另外，数值分析处理部213对与表示对象物的结构的网格形状对应的图表数据的所有节点，同样地进行数值分析，针对各节点获取反映了与相邻的所有节点的数值分析结果的数值分析结果。
然后，数值分析处理部213对各节点的数值分析结果进行整合，获取物理特性的数值分析结果。
此外，数值分析处理部213将表示物理特性的数值分析结果(使用机器学习模型的推断结果)的数据存储于推断结果存储部274。另外，当从用户终端10请求下载时，数值分析处理部213将表示物理特性的数值分析结果(使用机器学习模型的推断结果)的数据发送到用户终端10。
在此，在本实施方式中的信息处理***1中，使用与表示对象物的结构的网格形状对应的图表数据作为进行物理特性的数值分析时的输入数据，但作为数值分析结果的数据，也能够设为网格形状的数据(图表数据)及矢量数据中的任何一个。
图11是表示将与表示对象物的结构的网格形状对应的图表数据作为输入数据且输出数据也是网格形状的数据(图表数据)时的一例的示意图。此外，在图11中，示出将表示初始温度分布的网格形状的数据(与网格形状对应的图表数据)作为输入数据，将表示0.3秒钟后的温度分布的网格形状的数据(与网格形状对应的图表数据)作为输出数据的例子。
如图11所示，在模拟对象物的结构中的物理量(温度或者力等)的时间变化、传递状态等的情况下，输出数据作为网格形状的数据(与网格形状对应的图表数据)输出。
另外，图12是表示将表示对象物的结构的网格形状的数据(与网格形状对应的图表数据)作为输入数据且输出数据是矢量数据时的一例的示意图。此外，在图12中，示出将表示对象物的杨氏模量的网格形状的数据(与网格形状对应的图表数据)作为输入数据，将表示对象物整体具有的弹簧常数及重量的矢量数据作为输出数据的例子。
如图12所示，在将对象物的结构整体中的物理量(弹簧常数和重量等)作为模拟的逆问题进行分析的情况下，通过使用神经网络等将作为网格形状的数据(与网格形状对应的图表数据)获得的数值分析结果进行整合(取加权平均等)，由此，能够将其作为矢量数据输出。
[动作]
接下来，对信息处理***1的动作进行说明。
[UI控制处理]
图13及图14是表示用户终端10执行的UI控制处理的流程的流程图。
UI控制处理对应于经由用户终端10的输入部815来指示输入执行UI控制处理而开始。
当UI控制处理开始时，在步骤S1中，UI控制部111显示用于进行物理特性的数值分析的用户界面的初始画面。在用户界面的初始画面上，显示输入输出用于进行物理特性的数值分析的各种信息的菜单。
在步骤S2中，UI控制部111进行是否由用户选择了上传用于构建在物理特性的数值分析中使用的机器学习模型的学习用数据的菜单的判定。
尚未由用户选择上传用于构建在物理特性的数值分析中使用的机器学习模型的学习用数据的菜单时，在步骤S2中判定为NO(否)，处理进入步骤S4。
另一方面，当由用户选择了上传用于构建在物理特性的数值分析中使用的机器学习模型的学习用数据的菜单时，在步骤S2中判定为YES(是)，处理进入步骤S3。
在步骤S3中，UI控制部111显示学习用数据上传画面。在学习用数据上传画面上，接受用于机器学习模型的构建的学习用数据的选择及向数值分析服务器20的发送指示。
在步骤S4中，UI控制部111进行是否由用户选择了设定机器学习模型的输出信息(例如，温度分析中的比热等)的菜单的判定。
尚未由用户选择设定机器学习模型的输出信息的菜单时，在步骤S4中判定为NO，处理进入步骤S6。
另一方面，当由用户选择了设定机器学习模型的输出信息的菜单时，在步骤S4中判定为YES，处理进入步骤S5。
在步骤S5中，UI控制部111显示输出信息设定画面。在输出信息设定画面上，在用于机器学习的学习用数据中，列表显示可选择作为输出信息的参数，接受设定为机器学习模型的输出信息的参数的选择。另外，当在输出信息设定画面上操作了开始机器学习的“学习Start”按钮时，将所选择的参数作为输出信息的机器学习模型的构建请求被发送到数值分析服务器20。
在步骤S6中，UI控制部111进行是否由用户选择了选择用于数值分析的机器学习模型的菜单的判定。
尚未选择选择用于数值分析的机器学习模型的菜单时，在步骤S6中判定为NO，处理进入步骤S8。
另一方面，当选择用于数值分析的机器学习模型的菜单被选择时，在步骤S6中判定为YES，处理进入步骤S7。
在步骤S7中，UI控制部111显示模型选择画面。在模型选择画面上，列表显示可选择的机器学习模型，从列表显示出的机器学习模型中接受用于数值分析的机器学习模型的选择。
在步骤S8中，UI控制部111进行是否选择了输入成为使用机器学习模型的数值分析的对象的数据的菜单的判定。
尚未选择输入成为使用机器学习模型的数值分析的对象的数据的菜单时，在步骤S8中判定为NO，处理进入步骤S17。
另一方面，当选择了输入成为使用机器学习模型的数值分析的对象的数据的菜单时，在步骤S8中判定为YES，处理进入步骤S9。
在步骤S9中，UI控制部111显示对象数据输入画面。在对象数据输入画面上，在存储于对象数据存储部172的数据中，接受使用机器学习模型的数值分析的对象的选择。
在步骤S10中，UI控制部111进行是否操作了“分析Start”按钮的判定。即，判定是否进行了与物理特性相关的数值分析的请求。
尚未操作“分析Start”按钮时，在步骤S10中判定为NO，处理进入步骤S9。
另一方面，当操作了“分析Start”按钮时，在步骤S10中判定为YES，处理进入步骤S11。
在步骤S11中，数据管理部112将与物理特性相关的数值分析的请求发送到数值分析服务器20。
在步骤S12中，数据管理部112进行是否从数值分析服务器20接收到物理特性的数值分析的结果(使用机器学习模型的推断结果)的判定。
尚未从数值分析服务器20接收物理特性的数值分析的结果(使用机器学习模型的推断结果)时，在步骤S12中判定为NO，并重复步骤S12的处理。
另一方面，当从数值分析服务器20接收了物理特性的数值分析的结果(使用机器学习模型的推断结果)时，在步骤S12中判定为YES，处理进入步骤S13。
在步骤S13中，UI控制部111显示数值分析结果显示画面。在数值分析结果显示画面上，针对用户选择出的数据显示在数值分析服务器20中执行的数值分析结果(使用机器学习模型的推断结果)，并且显示用于将表示数值分析结果的数据下载至用户终端10的“Download”按钮。
在步骤S14中，UI控制部111进行是否操作“Download”按钮的判定。
尚未操作“Download”按钮时，在步骤S14中判定为NO，处理进入步骤S17。
另一方面，当操作了“Download”按钮时，在步骤S14中判定为YES，处理进入步骤S15。
在步骤S15中，数据管理部112向数值分析服务器20请求发送(下载)表示数值分析结果的数据。
在步骤S16中，数据管理部112从数值分析服务器20接收表示数值分析结果的数据。
在步骤S17中，UI控制部111进行是否指示了结束UI控制处理的判定。
尚未指示结束UI控制处理时，在步骤S17中判定为NO，处理进入步骤S9。
另一方面，当指示了结束UI控制处理时，在步骤S17中判定为YES，UI控制处理结束。
接下来，对数值分析服务器20执行的处理进行说明。
[机器学习模型构建处理]
图15是表示数值分析服务器20执行的机器学习模型构建处理的流程的流程图。
机器学习模型构建处理通过从数值分析服务器20的输入部815或者其他装置指示输入执行机器学习模型构建处理而开始。
当机器学习模型构建处理开始时，在步骤S31中，机器学习模型获取部211获取机器学习使用的学习用数据。此外，机器学习使用的学习用数据可通过来自用户终端10的上传来获取，或从存储有各种学习用数据的其他服务器下载来获取。
在步骤S32中，机器学习模型获取部211重复将表示用于进行物理特性的数值分析的各种信息的参数和与表示对象物的结构的网格形状对应的图表数据的节点的位置输入到相同尺寸的仿射变换矩阵A，并将其转换结果输入到函数f的处理，优化仿射变换矩阵A的值。由此，执行机器学习。
在步骤S33中，机器学习模型获取部211获取直至满足设定的条件为止进行机器学习的结果即机器学习模型。由此，构建用于物理特性的数值分析的机器学习模型。
在步骤S33之后，机器学习模型构建处理结束。
[数值分析处理]
图16是表示数值分析服务器20执行的数值分析处理的流程的流程图。
数值分析处理与数值分析服务器20的启动一起开始，并被重复执行。
当数值分析处理开始时，在步骤S51中，数值分析处理部213进行是否由用户终端10选择了用于数值分析的机器学习模型的判定。
尚未由用户终端10选择用于数值分析的机器学习模型时，在步骤S51中判定为NO，并重复步骤S51的处理。
另一方面，当由用户终端10选择了用于数值分析的机器学习模型时，在步骤S51中判定为YES，处理进入步骤S52。
在步骤S52中，对象数据获取部212进行是否从用户终端10获取了成为数值分析对象的数据的判定。
尚未从用户终端10获取成为数值分析对象的数据时，在步骤S52中判定为NO，并重复步骤S52的处理。
另一方面，当从用户终端10获取了成为数值分析对象的数据时，在步骤S52中判定为YES，处理进入步骤S53。
在步骤S53中，对象数据获取部212获取从用户终端10获取的成为数值分析对象的数据的网格形状。此外，当从用户终端10获取的成为数值分析对象的数据是网格形状的数据时，可跳过步骤S53的处理。另外，当从用户终端10获取的成为数值分析对象的数据不是用网格形状表示对象物的结构的数据时，也可以设定为预先将该数据存储于对象数据存储部273，在执行数值分析的时机执行步骤S53的处理。此外，作为此时获取的网格形状的数据，除了由表示网格形状的节点及边构成的图表数据之外，还包括对节点或边中的至少任一个赋予了物理特性的数据(例如，材料物性、温度的数据等)的图表数据。
在步骤S54中，对象数据获取部212将成为数值分析对象的网格形状的数据存储于对象数据存储部273。
在步骤S55中，数值分析处理部213进行是否从用户终端10接收了与物理特性相关的数值分析的请求的判定。
尚未从用户终端10接收与物理特性相关的数值分析的请求时，在步骤S55中判定为NO，处理进入步骤S60。
另一方面，当从用户终端10接收了与物理特性相关的数值分析的请求时，在步骤S55中判定为YES，处理进入步骤S56。
在步骤S56中，数值分析处理部213使用机器学习模型，计算表示数值分析结果的数据(使用机器学习模型的推断结果的数据)。此外，推断出的数值分析结果的数据存储于推断结果存储部274。
在步骤S57中，数值分析处理部213将用于显示物理特性的数值分析结果(使用机器学习模型的推断结果)的数据发送到用户终端10。
在步骤S58中，数值分析处理部213进行是否从用户终端10请求下载表示物理特性的数值分析结果(使用机器学习模型的推断结果)的数据的判定。
尚未从用户终端10请求下载表示物理特性的数值分析结果的数据时，在步骤S58中判定为NO，处理进入步骤S60。
另一方面，当从用户终端10请求了下载表示物理特性的数值分析结果的数据时，在步骤S58中判定为YES，处理进入步骤S59。
在步骤S59中，数值分析处理部213将表示物理特性的数值分析结果(使用机器学习模型的推断结果)的数据发送到用户终端10。
在步骤S60中，数值分析处理部213进行从用户终端10请求的数值分析是否结束的判定。从用户终端10请求的数值分析是否结束例如可基于从用户终端10发送的物理特性的数值分析的结束通知等来判定。
从用户终端10请求的数值分析尚未结束时，在步骤S59中判定为NO，处理进入步骤S51。
另一方面，当从用户终端10请求的数值分析结束时，在步骤S59中判定为YES，重复数值分析处理。
如上所述，本实施方式所涉及的信息处理***1使用可根据两个节点之间的关系固定地定义尺寸的仿射变换矩阵，基于与表示机器学习用的对象物的结构的网格形状对应的图表数据，构建机器学习模型。然后，使用所构建的机器学习模型，基于与表示数值分析的对象物的结构的网格形状对应的图表数据，计算表示数值分析结果的数据(使用机器学习模型的推断结果的数据)。
因此，根据本实施方式所涉及的信息处理***1，能够使用机器学习适当地进行数值分析。
[第二实施方式]
接下来，对本发明的第二实施方式进行说明。
本实施方式中的信息处理***是将第一实施方式的数值分析方法应用于结构物的设计(结构的优化)的信息处理***。即，在本实施方式中，针对成为模板的结构物的数据，准备改变各部的形状或物理特性(以下，适当地称为“构成要素”。)的多个结构作为候补，使用第一实施方式的数值分析方法计算成为候补的各结构的物理特性(耐负荷等)。然后，通过将成为模板的结构物的数据和表示设计模拟中的条件的参数(所请求的规格(重量、耐负荷等)、评价函数的权重等)作为输入，并应用机器学习模型，输出成为候补的结构中被推断为满足设计模拟中的条件的结构。此时所使用的机器学习模型将成为模板的结构物的数据和表示设计模拟中的各种条件的参数作为输入，将成为候补的结构中满足各种条件的结构作为学习数据进行机器学习而获取。
由此，能够在短时间内推断出对设计模拟中的条件优化后的结构，并且即使在设计模拟中的条件变更的情况下，也能够快速推断出与变更后的条件对应的结构。
因此，根据本实施方式所涉及的信息处理***，能够灵活且快速的进行结构物的设计模拟。
此外，在本实施方式中，计算成为候补的各结构的物理特性时使用的机器学习模型不限于基于由表示网格形状的节点及边构成的图表数据进行机器学习的模型，也可设为作为以输入及输出为标量的1D模型(在1D模拟中使用的模型)进行机器学习的模型。
另外，在本实施方式中，将应用机器学习模型来输出推断为满足设计模拟中的条件的结构的情况也简称为“设计模拟”。
[结构]
本实施方式所涉及的信息处理***整体的***结构与第一实施方式中的图1所示的***结构相同。
在本实施方式中，用户终端10是由进行结构物的设计模拟的用户所使用的信息处理装置，接受表示结构物的设计模拟中的条件的参数(在请求规格、评价函数中设定的权重等)的输入，向数值分析服务器20进行与结构物的设计模拟相关的请求。另外，用户终端10显示从数值分析服务器20发送的结构物的设计模拟结果(推断出的结构例)，或者下载结构物的设计模拟结果的数据。
在从用户终端10进行了与结构物的设计模拟相关的请求的情况下，数值分析服务器20针对请求规格计算用于优化表示通过设计模拟获得的结构物的品质的评价函数的性能的值(评价函数的输出)。而且，数值分析服务器20进行使用机器学习模型的设计模拟，推断满足设计模拟中的条件的结构物的结构，该机器学习模型设定为将与计算出的性能的值对应的结构物的各属性的值(物理特性)包括在输入中，并输出满足设计模拟中的条件的结构。另外，数值分析服务器20构建机器学习模型，并将其保持为设计模拟中使用的机器学习模型，在该机器学习模型中，将成为模板的结构物的数据和表示设计模拟中的各种条件的参数作为输入，并将成为候补的结构中满足各种条件的结构作为学习数据进行机器学习。
[功能结构]
接下来，对信息处理***1中的各装置的功能结构进行说明。
[用户终端10的结构]
本实施方式中的用户终端10的功能结构与第一实施方式中的图3所示的功能结构相同。
在本实施方式中，在参数存储部171，存储有为了进行结构物的设计模拟而设定的各种参数(例如，表示在结构物中优化的部分及变化的范围的参数、表示评价结构物时的属性的权重的参数等)。
在对象数据存储部172，存储有表示进行设计模拟的结构物的模板的一个或多个数据(CAD数据或STL数据等表示形状的数据)。
在推断结果存储部173，存储有表示结构物的设计模拟结果(使用机器学习模型的推断结果)的数据。
UI控制部111控制用于输入输出各种信息的各种输入输出画面(UI画面)的显示，该各种信息用于进行结构物的设计模拟。例如，UI控制部111显示：上传用于构建在结构物的设计模拟中使用的机器学习模型的学习用数据的UI画面(学习用数据上传画面)；设定机器学习模型的输出信息(例如，“被优化的结构物的结构”等)的UI画面(输出信息设定画面)；选择用于结构物的设计模拟的机器学习模型的UI画面(模型选择画面)；用于输入成为使用机器学习模型的结构物的设计模拟的对象的数据(表示进行设计模拟的结构物的模板的数据)的UI画面(对象数据输入画面)；用于设定结构物中优化的部分及变化的范围的UI画面(以下，称为“优化参数设定画面”。)；用于设定评价结构物时的属性(重量或刚性等)的权重的UI画面(以下，称为“权重设定画面”。)；或用于显示被优化的结构物的推断结果的UI画面(推断结果显示画面)。
图17是表示对象数据输入画面的一例的示意图。
如图17所示，在对象数据输入画面上，用户可选择表示存储于对象数据存储部172的结构物的形状的数据(CAD数据或STL数据等)作为使用机器学习模型的结构物的设计模拟对象(进行设计模拟的结构物的模板的数据)。
在对象数据输入画面上，显示有“分析Start”按钮，通过操作“分析Start”按钮，结构物的设计模拟的请求被发送到数值分析服务器20。由此，针对所选择的数据，在数值分析服务器20中执行使用机器学习模型的结构物的设计模拟。
图18是表示优化参数设定画面的一例的示意图。
如图18所示，在优化参数设定画面上，进行设计模拟的结构物的模板的数据显示为图像，并且显示有用于设定结构物中优化的部分及变化的范围的数值输入栏。在优化参数设定画面中，通过选择结构物的图像中的点、线或者面作为优化对象，并输入优化时变化的范围(长度或比率等)及变化的方向，能够为进行设计模拟的结构物的模板设定优化条件。
另外，在优化参数设定画面中，显示为结构物的模板的数据的图像根据优化时变化的范围(长度或比率等)及变化的方向的输入内容而变化。
图19是表示根据优化时变化的范围及变化的方向的输入内容，使结构物的模板的数据的图像变化显示的状态的示意图。
在图19所示的例子中，在结构物的模板的数据中，切换显示出名称为“Dim1”的部分的变化量(在此为移动距离)按照“0mm”、“2mm”、“5mm”的顺序变化的图像。
通过这样的显示形式，能够以易于理解的方式向用户提示优化导致的形状变化。
另外，在优化参数设定画面中，显示有“Start Study”按钮，通过操作该按钮，在数值分析服务器20中计算用于优化表示通过设计模拟获得的结构物的品质的评价函数的性能的值。
图20是表示权重设定画面的一例的示意图。
如图20所示，在权重设定画面(右栏)中，显示有评价结构物时设定权重的属性的名称(“硬度”及“重量”)、及用于为该属性设定权重的滑动条。
另外，在权重设定画面(左栏)中，用图表形式显示有使在结构物中优化的部分的变化量变化时的评价函数的值(Evaluation)。当使显示在权重设定画面的右侧的属性的滑动条移动时，该属性的权重发生变化，与此相应地，在数值分析服务器20中，用于优化评价函数的性能的值被更新为反映了在权重设定画面上所设定的权重的性能的值，在权重设定画面的左侧显示的评价函数的图表发生变化。
在用户确定了各属性的权重后，当操作“Show Optimal Design”按钮时，在数值分析服务器20中，输入中包括与用于优化评价函数的性能的值对应的结构物的各属性的值(物理特性)，根据使用对满足设计模拟中的条件的结构进行输出的机器学习模型的设计模拟，可推断实现计算出的性能的结构物的结构。
图21是表示推断结果显示画面的一例的示意图。
如图21所示，在推断结果显示画面上，反映了在权重设定画面上所设定的权重并由数值分析服务器20推断出的结构物的结构(优化后的结构物的推断结果)作为设计模拟结果显示。
在推断结果显示画面上，显示有“Download”按钮，通过操作“Download”按钮，可将表示推断结果的结构物的形状的数据(CAD数据或STL数据等)下载至用户终端10。
数据管理部112管理数据向参数存储部171、对象数据存储部172及推断结果存储部173的存储或读取、与数值分析服务器20之间的数据的收发。例如，数据管理部112从对象数据存储部172读取表示在对象数据输入画面中选择的结构物的模板的数据，或者将读出的模板的数据发送到数值分析服务器20。另外，数据管理部112从数值分析服务器20接收表示推断结果的结构物的形状的数据，或者将接收的形状的数据存储于推断结果存储部173。
[数值分析服务器20的结构]
图22是表示数值分析服务器20的功能结构的框图。
如图22所示，在数值分析服务器20的处理器811中，机器学习模型获取部211、对象数据获取部212、优化参数获取部313、权重获取部314、优化性能特定部315以及结构推断部316发挥功能。另外，在数值分析服务器20的存储部817，形成有机器学习模型存储部271、参数存储部272、对象数据存储部273、推断结果存储部274以及结构样品存储部275。
在本实施方式中，在机器学习模型存储部271，存储有由机器学习模型获取部211获取的机器学习模型。存储于机器学习模型存储部271的机器学习模型是将成为模板的结构物的数据和表示设计模拟中的各种条件的参数作为输入，将成为候补的结构中满足各种条件的结构作为学习数据进行机器学习而获取的机器学习模型。
在参数存储部272，存储有从用户终端10发送的各种参数(例如，表示在结构物中优化的部分及变化的范围的参数、表示评价结构物时的属性的权重的参数等)。
在对象数据存储部273，存储有表示进行从用户终端10发送的设计模拟的结构物的模板的数据(CAD数据或STL数据等表示形状的数据)。
在推断结果存储部274存储有表示结构物的设计模拟结果(使用机器学习模型的推断结果)的数据。
在结构样品存储部275，存储有具有成为结构物的设计模拟结果的候补的各种结构的结构物的样品数据。这些样品数据是针对成为模板的结构物的数据准备了使各部的形状或物理特性(构成要素)变化的多个结构作为设计模拟结果的候补的数据。另外，使用第一实施方式的数值分析方法，计算这些成为候补的各结构的物理特性(耐负荷等)，并将其存储于结构样品存储部275。
机器学习模型获取部211构建在设计模拟中使用的机器学习模型。此时所构建的机器学习模型是根据结构物的设计模拟的类型构建的，在本实施方式中，将成为模板的结构物的数据和表示设计模拟中的各种条件的参数作为输入，将成为候补的结构中满足各种条件的结构作为学习数据进行机器学习而获取。
对象数据获取部212获取表示进行在用户终端10中选择的设计模拟的结构物的模板的数据。另外，对象数据获取部212将表示进行获取的设计模拟的结构物的模板的数据存储于对象数据存储部273。
优化参数获取部313获取表示在用户终端10的优化参数设定画面上所设定的结构物中优化的部分及变化的范围的参数。另外，优化参数获取部313将获取的参数存储于参数存储部272。
权重获取部314获取表示在用户终端10的权重设定画面上所设定的评价结构物时的属性的权重的参数。另外，权重获取部314将获取的参数存储于参数存储部272。
优化性能特定部315基于从用户终端10发送的表示进行设计模拟的结构物的模板的数据及表示结构物中优化的部分及变化的范围的参数，计算用于优化表示通过设计模拟获得的结构物的品质的评价函数的性能的值(评价函数的输出)。另外，优化性能特定部315将计算出的性能的值存储于参数存储部272。此外，当由权重获取部314获取了表示评价结构物时的属性的权重的参数时，优化性能特定部315反映所获取的权重并更新性能的值。
在此，在本实施方式中，当计算用于优化评价函数的性能的值时，在设计模拟中设定的条件下，计算评价函数的值成为最大(或极大)的输入的值(结构物的各属性的值)。
图23是表示在结构物的设计模拟中优化的属性和帕累托前沿(Pareto frontier)(帕累托解的界限区域)的关系的一例的示意图。
如图23所示，当进行设计模拟时，在将结构物中优化的属性(在此，为重量的倒数及耐负荷)作为参数的空间中，特定帕累托解的界限区域，将存在于该区域内的过去的实验或模拟数据作为设计模拟的参照对象。
图24是表示在结构物的设计模拟中对优化的属性设定了约束的状态的一例的示意图。
如图24所示，在设定了优化的属性的约束的情况下，在帕累托前沿内，将满足该约束的数据的范围作为探索用于对评价函数进行优化的性能的值的探索空间。
图25是表示满足在帕累托前沿内设定的约束的空间的评价函数的值的示意图。
如图25所示，可对满足在帕累托前沿内设定的约束的各数据计算表示评价函数的值的空间上的数据。在该评价函数的值中，与成为最大值(或极大值)的点对应的各属性的值成为被优化的结构物的各属性的值。在本实施方式中，将被如此特定的结构物的各属性包括在机器学习模型的输入中，使用人工智能推断最佳的结构物的结构。
返回图22，结构推断部316推断成为由优化性能特定部315计算出的性能的值的结构物的结构。在本实施方式中，结构推断部316具有机器学习模型，该机器学习模型将成为模板的结构物的数据和表示设计模拟中的条件的参数(请求的规格(重量、耐负荷等)、评价函数的权重等)作为输入，并将成为候补的结构中被推断为满足设计模拟中的条件的结构作为输出。而且，结构推断部316将从用户终端10获取且存储在参数存储部272的各种参数(表示设计模拟中的条件的参数)及成为模板的结构物的数据输入到机器学习模型，并输出通过人工智能优化的结构物的结构。
此外，结构推断部316将表示结构物的设计模拟结果(使用机器学习模型的推断结果)的数据存储于推断结果存储部274。另外，在从用户终端10请求了下载的情况下，结构推断部316将表示结构物的设计模拟结果(使用机器学习模型的推断结果)的数据发送到用户终端10。
[动作]
接下来，对信息处理***1的动作进行说明。
[UI控制处理]
图26及图27是对用户终端10执行的UI控制处理的流程进行说明的流程图。
UI控制处理对应于经由用户终端10的输入部815指示输入执行UI控制处理而开始。
当UI控制处理开始时，在步骤S101中，UI控制部111显示用于进行结构物的设计模拟的用户界面的初始画面。在用户界面的初始画面上，显示输入输出用于进行结构物的设计模拟的各种信息的菜单。
在步骤S102中，UI控制部111进行是否由用户选择了上传用于构建在结构物的设计模拟中使用的机器学习模型的学习用数据的菜单的判定。
尚未由用户选择上传用于构建在结构物的设计模拟中使用的机器学习模型的学习用数据的菜单时，在步骤S102中判定为NO，处理进入步骤S104。
另一方面，当由用户选择了上传用于构建在结构物的设计模拟中使用的机器学习模型的学习用数据的菜单时，在步骤S102中判定为YES，处理进入步骤S103。
在步骤S103中，UI控制部111显示学习用数据上传画面。在学习用数据上传画面上，接受机器学习模型的构建使用的学习用数据的选择及向数值分析服务器20的发送指示。
在步骤S104中，UI控制部111进行是否由用户选择了设定机器学习模型的输出信息(例如，“优化后的结构物的结构”等)的菜单的判定。
尚未由用户选择设定机器学习模型的输出信息的菜单时，在步骤S104中判定为NO，处理进入步骤S106。
另一方面，当由用户选择了设定机器学习模型的输出信息的菜单时，在步骤S104中判定为YES，处理进入步骤S105。
在步骤S105中，UI控制部111显示输出信息设定画面。在输出信息设定画面中，在用于机器学习的学习用数据中，列表显示可选择作为输出信息的参数，并接受设定为机器学习模型的输出信息的参数的选择。另外，在输出信息设定画面中，当操作了开始机器学习的“学习Start”按钮时，向数值分析服务器20发送将所选择的参数作为输出信息的机器学习模型的构建请求。
在步骤S106中，UI控制部111进行是否由用户选择了选择用于结构物的设计模拟的机器学习模型的菜单的判定。
尚未选择选择用于结构物的设计模拟的机器学习模型的菜单时，在步骤S106中判定为NO，处理进入步骤S108。
另一方面，当选择了选择用于结构物的设计模拟的机器学习模型的菜单时，在步骤S106中判定为YES，处理进入步骤S107。
在步骤S107中，UI控制部111显示模型选择画面。在模型选择画面上，列表显示可选择的机器学习模型，从列表显示出的机器学习模型中接受用于结构物的设计模拟的机器学习模型的选择。
在步骤S108中，UI控制部111进行是否选择了输入成为使用机器学习模型的结构物的设计模拟的对象的数据(表示进行设计模拟的结构物的模板的数据)的菜单的判定。
尚未选择输入成为使用机器学习模型的结构物的设计模拟的对象的数据的菜单时，在步骤S108中判定为NO，处理进入步骤S124。
另一方面，当选择了输入成为使用机器学习模型的结构物的设计模拟的对象的数据的菜单时，在步骤S108中判定为YES，处理进入步骤S109。
在步骤S109中，UI控制部111显示对象数据输入画面。在对象数据输入画面中，在存储于对象数据存储部172的数据中，接受使用机器学习模型的结构物的设计模拟的对象的选择。
在步骤S110中，UI控制部111进行是否操作了“分析Start”按钮的判定。即，判定是否进行了结构物的设计模拟的请求。
尚未操作“分析Start”按钮时，在步骤S110中判定为NO，处理进入步骤S109。
另一方面，当操作了“分析Start”按钮时，在步骤S110中判定为YES，处理进入步骤S111。
在步骤S111中，数据管理部112将结构物的设计模拟请求发送到数值分析服务器20。
在步骤S112中，数据管理部112进行是否从数值分析服务器20接收到结构物的设计模拟的结果(使用机器学习模型的推断结果)的判定。
尚未从数值分析服务器20接收结构物的设计模拟的结果(使用机器学习模型的推断结果)时，在步骤S112中判定为NO，重复步骤S112的处理。
另一方面，当从数值分析服务器20接收了结构物的设计模拟的结果(使用机器学习模型的推断结果)时，在步骤S112中判定为YES，处理进入步骤S113。
在步骤S113中，UI控制部111显示优化参数设定画面。在优化参数设定画面中，将进行设计模拟的结构物的模板的数据显示为图像，并且接受用于设定在结构物中优化的部分及变化的范围的数值的输入。
在步骤S114中，UI控制部111进行是否由用户操作了“Start Study”按钮的判定。“Start Study”按钮是用于在数值分析服务器20中计算用于优化表示通过设计模拟获得的结构物的品质的评价函数的性能的值的按钮。
尚未由用户操作“Start Study”按钮时，在步骤S114中判定为NO，处理进入步骤S113。
另一方面，当由用户操作了“Start Study”按钮时，在步骤S114中判定为YES，处理进入步骤S115。
在步骤S115中，数据管理部112进行是否从数值分析服务器20接收了用于优化表示通过设计模拟获得的结构物的品质的评价函数的性能的值的判定。
尚未从数值分析服务器20接收用于优化表示通过设计模拟获得的结构物的品质的评价函数的性能的值时，在步骤S115中判定为NO，重复步骤S115的处理。
另一方面，当从数值分析服务器20接收了用于优化表示通过设计模拟获得的结构物的品质的评价函数的性能的值时，在步骤S115中判定为YES，处理进入步骤S116。
在步骤S116中，UI控制部111显示权重设定画面。在权重设定画面上，接受评价结构物时的权重设定，并将所接受的设定依次发送到数值分析服务器20。
在步骤S117中，UI控制部111进行是否操作了“Show Optimal Design”按钮的判定。“Show Optimal Design”按钮是用于通过使用机器学习模型的设计模拟，在数值分析服务器20中推断实现计算出的性能的结构物的结构的按钮。
尚未操作“Show Optimal Design”按钮时，在步骤S117中判定为NO，处理进入步骤S116。
另一方面，当操作了“Show Optimal Design”按钮时，在步骤S117中判定为YES，处理进入步骤S118。
在步骤S118中，数据管理部112将设计模拟的执行请求发送到数值分析服务器20。
在步骤S119中，数据管理部112进行是否从数值分析服务器20接收了设计模拟的结果(推断出的结构物的结构)的判定。
尚未从数值分析服务器20接收设计模拟的结果(推断出的结构物的结构)时，在步骤S119中判定为NO，重复步骤S119的处理。
另一方面，当从数值分析服务器20接收了设计模拟的结果(推断出的结构物的结构)时，在步骤S119中判定为YES，处理进入步骤S120。
在步骤S120中，UI控制部111显示推断结果显示画面。在推断结果显示画面上，显示由数值分析服务器20推断出的结构物的结构(优化后的结构物的推断结果)，并且显示用于将表示推断结果的结构物的形状的数据(CAD数据或STL数据等)下载至用户终端10的“Download”按钮。
在步骤S121中，UI控制部111进行是否操作了“Download”按钮的判定。
尚未操作“Download”按钮时，在步骤S121中判定为NO，处理进入步骤S124。
另一方面，当操作了“Download”按钮时，在步骤S121中判定为YES，处理进入步骤S122。
在步骤S122中，数据管理部112向数值分析服务器20请求发送(下载)表示推断结果的结构物的形状的数据。
在步骤S123中，数据管理部112从数值分析服务器20接收表示推断结果的结构物的形状的数据。
在步骤S124中，UI控制部111进行是否指示了结束UI控制处理的判定。
尚未指示结束UI控制处理时，在步骤S124中判定为NO，处理进入步骤S109。
另一方面，当指示了结束UI控制处理时，在步骤S124中判定为YES，结束UI控制处理。
接下来，对数值分析服务器20执行的处理进行说明。
[机器学习模型构建处理]
本实施方式中的机器学习模型构建处理与第一实施方式中的图15所示的机器学习模型构建处理的不同点在于，在步骤S32的处理中，将成为模板的结构物的数据和表示设计模拟中的各种条件的参数作为输入，将成为候补的结构中满足各种条件的结构作为输出，在优化仿射变换矩阵A的值的同时进行机器学习。
此外，其他步骤与第一实施方式中的图15所示的机器学习模型构建处理相同。
[设计模拟处理]
图28是表示数值分析服务器20执行的设计模拟处理的流程的流程图。
设计模拟处理与数值分析服务器20的启动一起开始并反复执行。
当设计模拟处理开始时，在步骤S201中，机器学习模型获取部211进行是否由用户终端10选择了用于结构物的设计模拟的机器学习模型的判定。
尚未由用户终端10选择用于结构物的设计模拟的机器学习模型时，在步骤S201中判定为NO，并重复步骤S201的处理。
另一方面，当由用户终端10选择了用于结构物的设计模拟的机器学习模型时，在步骤S201中判定为YES，处理进入步骤S202。
在步骤S202中，对象数据获取部212进行是否从用户终端10接收了表示进行设计模拟的结构物的模板的数据的判定。
尚未从用户终端10接收表示进行设计模拟的结构物的模板的数据时，在步骤S202中判定为NO，并重复步骤S202的处理。
另一方面，当从用户终端10接收了表示进行设计模拟的结构物的模板的数据时，在步骤S202中判定为YES，处理进入步骤S203。
在步骤S203中，对象数据获取部212获取从用户终端10上传的表示进行设计模拟的结构物的模板的数据的网格形状。此外，从用户终端10上传的表示进行设计模拟的结构物的模板的数据是网格形状的数据时，可跳过步骤S203的处理。
在步骤S204中，对象数据获取部212将表示进行设计模拟的结构物的模板的网格形状的数据存储于对象数据存储部273。此外，在信息处理***1使用进行了机器学习的机器学习模型作为1D模型进行推断的情况下，可跳过步骤S203及步骤S204的处理。
在步骤S205中，优化参数获取部313进行是否接收了表示在用户终端10的优化参数设定画面所设定的结构物中优化的部分及变化的范围的参数的判定。
尚未接收表示在用户终端10的优化参数设定画面所设定的结构物中优化的部分及变化的范围的参数时，在步骤S205中判定为NO，并重复步骤S205的处理。
另一方面，当接收了表示在用户终端10的优化参数设定画面上所设定的结构物中优化的部分及变化的范围的参数时，在步骤S205中判定为YES，处理进入步骤S206。
在步骤S206中，优化性能特定部215基于表示进行设计模拟的结构物的模板的数据及表示结构物中优化的部分及变化的范围的参数，计算(获取)用于优化表示通过设计模拟而获得的结构物的品质的评价函数的性能的值。此外，计算出的性能的值存储于参数存储部272。
在步骤S207中，优化性能特定部215将计算出的用于优化表示通过设计模拟而获得的结构物的品质的评价函数的性能的值发送到用户终端10。
在步骤S208中，权重获取部214进行是否接收到表示评价结构物时的属性的权重的参数的判定。
当接收了表示评价结构物时的属性的权重的参数时，在步骤S208中判定为YES，处理进入步骤S206。由此，用于优化表示结构物的品质的评价函数的性能的值更新为反映了评价结构物时的属性的权重的性能的值。
另一方面，尚未接收表示评价结构物时的属性的权重的参数时，在步骤S208中判定为NO，处理进入步骤S209。
在步骤S209中，结构推断部216进行是否接收了设计模拟的执行请求的判定。
尚未接收设计模拟的执行请求时，在步骤S209中判定为NO，处理进入步骤S208。
另一方面，当接收了设计模拟的执行请求时，在步骤S209中判定为YES，处理进入步骤S210。
在步骤S210中，结构推断部216使用机器学习模型，推断成为由优化性能特定部215计算出的性能的值的结构物的结构。此外，推断出的结构物的结构的数据存储于对象数据存储部273。
在步骤S211中，结构推断部216将推断出的结构物的结构(设计模拟的结果)发送到用户终端10。
在步骤S212中，结构推断部216进行是否从用户终端10请求了表示推断结果的结构物的形状的数据的下载的判定。
尚未从用户终端10请求表示推断结果的结构物的形状的数据的下载时，在步骤S212中判定为NO，处理进入步骤S214。
另一方面，当从用户终端10请求了表示推断结果的结构物的形状的数据的下载时，在步骤S212中判定为YES，处理进入步骤S213。
在步骤S213中，结构推断部216将表示推断结果的结构物的形状的数据发送到用户终端10。
在步骤S214中，结构推断部216进行从用户终端10请求的结构物的设计模拟是否结束的判定。从用户终端10请求的结构物的设计模拟是否结束例如可基于从用户终端10发送的设计模拟的结束通知等来判定。
从用户终端10请求的结构物的设计模拟尚未结束时，在步骤S214中判定为NO，处理进入步骤S208。
另一方面，当从用户终端10请求的结构物的设计模拟结束时，在步骤S215中判定为YES，并重复设计模拟处理。
如上所述，本实施方式所涉及的信息处理***1针对成为模板的结构物的数据，准备使各部的形状或物理特性(构成要素)变化的多个结构作为候补，计算成为候补的各结构的物理特性(耐负荷等)。然后，通过将成为模板的结构物的数据和表示设计模拟中的条件的参数(请求的规格(重量、耐负荷等)、评价函数的权重等)作为输入，并应用机器学习模型，输出成为候补的结构中被推断为满足设计模拟中的条件的结构。
由此，能够在短时间内推断出针对设计模拟中的条件优化后的结构，并且即使在设计模拟中的条件变更的情况下，也能够快速推断出与变更后的条件对应的结构。
因此，根据本实施方式所涉及的信息处理***，能够灵活且快速地进行结构物的设计模拟。
[变形例1]
在第二实施方式中，当进行与结构物的优化相关的设定时，显示图18所示的优化参数设定画面，对表示结构物中优化的部分及变化的范围的参数进行设定，但不限于此。即，当进行与结构物的优化相关的设定时，也可以在画面中显示如图23所示的优化的属性和帕累托前沿(帕累托解的界限区域)的关系，在帕累托前沿内设定变化的参数的方向及大小。在该情况下，重新推断与针对结构物中优化的属性所设定的参数的方向及大小对应的结构。
由此，能够以在视觉上容易理解的形式设定相对于优化的属性的变化。
[变形例2]
在第一实施方式及第二实施方式中，设为信息处理***1构成为客户端－服务器型***进行了说明，但不限于此。即，通过将信息处理***1的功能安装在单个信息处理装置上，可以构成为单机***。
图29是表示将第一实施方式中的信息处理***1的功能安装在单个信息处理装置800上时的功能结构的框图。
如图29所示，当将第一实施方式中的信息处理***1的功能安装在单个信息处理装置800上时，在处理器811中，用户终端10的UI控制部111、数据管理部112、数值分析服务器20的机器学习模型获取部211、对象数据获取部212以及数值分析处理部213发挥功能。另外，在存储部817形成有数值分析服务器20的机器学习模型存储部271、参数存储部272、对象数据存储部273以及推断结果存储部274。
通过这样的结构，可根据用户的需要，以不与网络连接的使用方式实现相当于第一实施方式的信息处理***1的功能。
另外，图30是表示将第二实施方式中的信息处理***1的功能安装在单个信息处理装置800时的功能性结构的框图。
如图30所示，当将第二实施方式中的信息处理***1的功能安装在单个信息处理装置800上时，在处理器811中，用户终端10的UI控制部111、数据管理部112、数值分析服务器20的机器学习模型获取部211、对象数据获取部212、优化参数获取部313、权重获取部314、优化性能特定部315以及结构推断部316发挥功能。另外，在存储部817中，形成有数值分析服务器20的机器学习模型存储部271、参数存储部272、对象数据存储部273、推断结果存储部274以及结构样品存储部275。
通过这样的结构，可根据用户的需要，以不与网络连接的使用方式实现相当于第二实施方式的信息处理***1的功能。
[变形例3]
在第一实施方式及第二实施方式中，将数值分析服务器20的机器学习模型获取部211执行构建机器学习模型的处理的情况进行了说明，但不限于此。即，也可以由数值分析服务器20以外的装置执行构建机器学习模型的处理，且数值分析服务器20的机器学习模型获取部211获取构建的机器学习模型。
由此，能够减轻进行物理特性的数值分析或结构物的设计模拟的数值分析服务器20的处理负荷，并且可选择使用由各种装置构建的多用机器学习模型。
如上所述，本发明的实施方式所涉及的信息处理***1具备对象数据获取部212和数值分析处理部213(或结构推断部316)。
对象数据获取部212获取由网格形状表示的数值分析(或结构物的设计模拟)的对象物的数据。
数值分析处理部213(或结构推断部316)获取以与网格形状对应的图表数据的相邻的两个节点的关系为单位，使用对物理特性的数值分析(或结构物的设计模拟)的结果进行了机器学习的机器学习模型，推断数值分析(或结构物的设计模拟)的对象物中的数值分析的结果(或结构物的设计模拟结果)而得出的推断结果。
由此，可使用机器学习适当地进行数值分析(或结构物的设计模拟)。
另外，数值分析处理部213(或结构推断部316)获取针对表示关注的节点和相邻的节点的关系的每个数据，将输入数据输入到机器学习模型中的仿射变换矩阵，对多个节点中的机器学习模型的输出进行整合，并推断了数值分析的结果(或结构物的设计模拟结果)而得出的推断结果。
由此，由于能够反复使用相同尺寸的仿射变换矩阵进行机器学习，因此可使用机器学习适当地进行数值分析(或结构物的设计模拟)。
另外，与网格形状对应的图表数据包括表示网格形状的节点及边和对该节点或边中的至少任一个赋予了物理特性的数据的图表数据。
由此，在网格形状的节点保持多个物理特性作为要素的情况下，可将机器学习模型应用于表示这些的图表数据，推断数值分析的结果(或结构物的设计模拟结果)。
另外，由网格形状表示的数值分析的对象物的数据是模拟的对象物的数据。
数值分析处理部213(或结构推断部316)获取将模拟的对象物中从初始状态到结果的状态作为模拟的正问题进行分析的正演计算的结果，作为数值分析的结果。
由此，针对模拟的正问题，可进行使用机器学习的数值分析结果的推断。
另外，以网格形状表示的数值分析的对象物的数据是模拟的对象物的数据。
数值分析处理部213(或结构推断部316)获取将在模拟的对象物中用于达到结果的状态的条件作为模拟的逆问题进行分析所得的逆计算结果，作为数值分析的结果。
由此，针对模拟的逆问题，可以进行使用机器学习的数值分析结果的推断。
另外，数值分析处理部213(或结构推断部316)获取与表示数值分析(或结构物的设计模拟)的对象物的网格形状对应的分析后的图表数据，作为数值分析的结果(或结构物的设计模拟结果)。
由此，在分析结果被表示为图表数据的情况下，可使用机器学习进行数值分析(或结构物的设计模拟)。
另外，数值分析处理部213(或结构推断部316)获取将数值分析的对象物整体的分析后的物理量作为要素的矢量数据，作为数值分析的结果。
由此，在分析结果被表示为矢量数据的情况下，可使用机器学习进行数值分析(或结构物的设计模拟)。
另外，本发明的实施方式所涉及的信息处理***1具备优化参数获取部313、优化性能特定部315以及结构推断部316。
优化参数获取部313在针对设计对象的结构物的请求规格可实现的性能的范围内设定优化的参数。
优化性能特定部315针对优化的参数，获取所设计的结构物的评价函数表示的评价值。
优化性能特定部315获取与评价值的最大值或极大值中的至少任一个对应的特定的评价值。
结构推断部316获取使用机器学习模型推断对应于与特定的评价值对应的优化的参数的结构物的结构而得出的推断结果。
由此，能够灵活且快速地进行结构物的设计模拟。
结构推断部316获取通过从使设计对象的结构物的构成要素变化的多个结构中，将设计对象的结构物的数据和表示设计模拟中的条件的参数作为输入并应用机器学习模型，推断符合与特定的评价值对应的优化的参数的结构物的结构得出的推断结果。
由此，能够在短时间内推断出对设计模拟中的条件优化后的结构，并且即使在设计模拟中的条件被变更的情况下，也能够快速地推断出与变更的条件对应的结构。
此外，本发明并不限定于上述的实施方式，在能够实现本发明的目的的范围内的变形、改良等包括在本发明中。
例如，上述的实施方式中的信息处理***1的***结构是一例，如果作为整体实现信息处理***1的功能，则能够将数值分析服务器20的功能分散安装到更多的服务器上。
另外，在上述的实施方式及变形例中，推断物理特性的数值分析的结果或者结构物的结构时，除了由该装置执行推断之外，还包括请求其他装置推断并获取其结果。
上述的一系列处理可以通过硬件执行，也可以通过软件来执行。
换句话说，上述的实施方式中的功能结构仅仅为示例，没有特别限制。即，只要构成信息处理***1的任何一个计算机具备能够作为整体执行上述的一系列处理的功能就足够了，并且使用何种功能块来实现该功能并不特别限于所示的例子。
另外，一个功能块可以由硬件单体构成，也可以由软件单体构成，也可以由它们的组合构成。
另外，包含用于执行上述的一系列处理的程序的记录介质不仅由与装置主体分开分布以向用户提供程序的可移动介质构成，而且还由以预先组装到装置主体中的状态提供给用户的记录介质等构成。
以上，对本发明的实施方式进行了说明，但本发明不限于上述的实施方式。另外，本实施方式中记载的效果仅仅列举了从本发明产生的最佳的效果，本发明的效果并不限定于本实施方式中记载的效果。
符号说明
1信息处理***；10用户终端；20对数值分析服务器；30网络；800信息处理装置；811处理器；812ROM；813RAM；814母线；815输入部；816输出部；817存储部；818通信部；819驱动器；820摄像部；831可移动介质；111UI控制部；112数据管理部；171、272参数存储部；172、273对象数据存储部；173、274推断结果存储部；211机器学习模型获取部；212对象数据获取部；213数值分析处理部；313优化参数获取部；214权重获取部；215优化性能特定部；216结构推断部；271机器学习模型存储部。

Claims (13)

1.一种信息处理***，其特征在于，具备：
对象数据获取单元，所述对象数据获取单元获取由网格形状表示的数值分析的对象物的数据；以及
推断单元，所述推断单元获取以与所述网格形状对应的图表数据的相邻的两个节点的关系为单位，使用对物理特性的数值分析的结果进行了机器学习的机器学习模型，推断数值分析的对象物中的数值分析的结果而得出的推断结果。
2.根据权利要求1所述的信息处理***，其中，
所述推断单元获取针对表示关注的节点和相邻的节点的关系的每个数据，将输入数据输入到机器学习模型中的仿射变换矩阵，整合多个节点中的机器学习模型的输出，推断所述数值分析的结果而得出的所述推断结果。
3.根据权利要求1或2所述的信息处理***，其特征在于，
与所述网格形状对应的图表数据包括表示所述网格形状的节点及边和对该节点或边中的至少任一个赋予了物理特性的数据的图表数据。
4.根据权利要求1至3中任一项所述的信息处理***，其特征在于，
由所述网格形状表示的数值分析的对象物的数据是模拟的对象物的数据，
所述推断单元获取将所述模拟的对象物中从初始状态到结果的状态作为模拟的正问题进行分析所得的正演计算结果，作为所述数值分析的结果。
5.根据权利要求1至3中任一项所述的信息处理***，其特征在于，
由所述网格形状表示的数值分析的对象物的数据是模拟的对象物的数据，
所述推断单元获取将所述模拟的对象物中用于达到结果的状态的条件作为模拟的逆问题进行分析所得的逆计算结果，作为所述数值分析的结果。
6.根据权利要求1至5中任一项所述的信息处理***，其特征在于，
所述推断单元获取与表示所述数值分析的对象物的网格形状对应的分析后的图表数据，作为所述数值分析的结果。
7.根据权利要求1至5中任一项所述的信息处理***，其特征在于，
所述推断单元获取将所述数值分析的对象物整体的分析后的物理量作为要素的矢量数据，作为所述数值分析的结果。
8.一种信息处理***，其特征在于，具备：
优化参数设定单元，所述优化参数设定单元在针对设计对象的结构物的请求规格可实现的性能的范围内设定优化的参数；
评价值获取单元，所述评价值获取单元针对所述优化的参数，获取所设计的结构物的评价函数表示的评价值；
特定评价值获取单元，所述特定评价值获取单元获取与所述评价值的最大值或极大值中的至少任一个对应的特定的评价值；以及
结构推断单元，所述结构推断单元获取使用机器学习模型推断对应于与所述特定的评价值对应的所述优化的参数的结构物的结构而得出的推断结果。
9.根据权利要求8所述的信息处理***，其特征在于，
所述结构推断单元获取通过从使所述设计对象的结构物的构成要素变化的多个结构中，将所述设计对象的结构物的数据和表示设计模拟中的条件的参数作为输入并应用所述机器学习模型，推断符合与所述特定的评价值对应的所述优化的参数的结构物的结构而得出的所述推断结果。
10.一种在信息处理***中执行的信息处理方法，其特征在于，包括：
对象数据获取步骤，获取由网格形状表示的数值分析的对象物的数据；以及
推断步骤，获取以与所述网格形状对应的图表数据的相邻的两个节点的关系为单位，使用对物理特性的数值分析的结果进行了机器学习的机器学习模型，推断数值分析的对象物中的数值分析的结果而得出的推断结果。
11.一种由信息处理***执行的信息处理方法，其特征在于，包括：
优化参数设定步骤，在针对设计对象的结构物的请求规格可实现的性能的范围内设定优化的参数；
评价值获取步骤，针对所述优化的参数，获取所设计的结构物的评价函数表示的评价值；
特定评价值获取步骤，获取与所述评价值的最大值或极大值中的至少任一个对应的特定的评价值；以及
结构推断步骤，获取使用机器学习模型推断对应于与所述特定的评价值对应的所述优化的参数的结构物的结构而得出的推断结果。
12.一种程序，其特征在于，
使计算机实现：
对象数据获取功能，获取由网格形状表示的数值分析的对象物的数据；以及
推断功能，获取以与所述网格形状对应的图表数据的相邻的两个节点的关系为单位，使用对物理特性的数值分析的结果进行了机器学习的机器学习模型，推断数值分析的对象物中的数值分析的结果而得出的推断结果。
13.一种程序，其特征在于，
使计算机实现：
优化参数设定功能，在针对设计对象的结构物的请求规格可实现的性能的范围内设定优化的参数；
评价值获取功能，针对所述优化的参数，获取所设计的结构物的评价函数表示的评价值；
特定评价值获取功能，获取与所述评价值的最大值或极大值中的至少任一个对应的特定的评价值；以及
结构推断功能，获取使用机器学习模型推断对应于与所述特定的评价值对应的所述优化的参数的结构物的结构而得出的推断结果。
CN202180008636.9A 2020-01-08 2021-01-08 信息处理***、信息处理方法及记录介质 Active CN114930338B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-001766 2020-01-08
JP2020001766A JP2021111066A (ja) 2020-01-08 2020-01-08 情報処理システム、情報処理方法及びプログラム
PCT/JP2021/000582 WO2021141131A1 (ja) 2020-01-08 2021-01-08 情報処理システム、情報処理方法及びプログラム

Publications (2)

Publication Number Publication Date
CN114930338A true CN114930338A (zh) 2022-08-19
CN114930338B CN114930338B (zh) 2024-03-01

Family

ID=76787537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180008636.9A Active CN114930338B (zh) 2020-01-08 2021-01-08 信息处理***、信息处理方法及记录介质

Country Status (6)

Country Link
US (1) US20230044533A1 (zh)
EP (1) EP4089594A4 (zh)
JP (1) JP2021111066A (zh)
CN (1) CN114930338B (zh)
CA (1) CA3163900A1 (zh)
WO (1) WO2021141131A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4264518A1 (en) * 2020-12-18 2023-10-25 Strong Force VCN Portfolio 2019, LLC Robot fleet management and additive manufacturing for value chain networks

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999007543A1 (fr) * 1997-08-08 1999-02-18 Bridgestone Corporation Methode de conception de pneumatique, module analyseur d'optimisation et support de memorisation sur lequel est enregistre le programme d'analyse d'optimisation
JP2004192310A (ja) * 2002-12-11 2004-07-08 Nippon Telegr & Teleph Corp <Ntt> オブジェクト学習装置、オブジェクト識別装置、これらの方法、これらのプログラムおよびこれらのプログラムを記録した媒体
JP2006321340A (ja) * 2005-05-18 2006-11-30 Bridgestone Corp タイヤ設計装置及びタイヤ設計方法
WO2012015517A1 (en) * 2010-07-29 2012-02-02 Exxonmobil Upstream Research Company Methods and systems for machine-learning based simulation of flow
CN106464900A (zh) * 2014-07-18 2017-02-22 松下电器（美国）知识产权公司 图像编码方法、图像解码方法、图像编码装置、图像解码装置及内容发布方法
CN106919899A (zh) * 2017-01-18 2017-07-04 北京光年无限科技有限公司 基于智能机器人的模仿人脸表情输出的方法和***
CN108171735A (zh) * 2017-12-27 2018-06-15 清华大学 基于深度学习的十亿像素视频对齐方法及***
CN108288088A (zh) * 2018-01-17 2018-07-17 浙江大学 一种基于端到端全卷积神经网络的场景文本检测方法
JP2019117603A (ja) * 2017-12-27 2019-07-18 株式会社竹中工務店 構造情報表示装置、構造設計支援装置、及び構造設計支援モデル学習装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3797686B2 (ja) * 1995-09-07 2006-07-19 株式会社東芝 形状認識装置及びその方法
JP2005122319A (ja) * 2003-10-14 2005-05-12 Casio Comput Co Ltd 撮影装置、その画像処理方法及びプログラム
JP6625914B2 (ja) * 2016-03-17 2019-12-25 ファナック株式会社 機械学習装置、レーザ加工システムおよび機械学習方法
JP2019128815A (ja) 2018-01-25 2019-08-01 トヨタ自動車株式会社 物理量予測装置
CN108645994B (zh) * 2018-04-25 2020-01-17 中国石油大学(北京) 一种基于多点地质统计学的地质随机反演方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999007543A1 (fr) * 1997-08-08 1999-02-18 Bridgestone Corporation Methode de conception de pneumatique, module analyseur d'optimisation et support de memorisation sur lequel est enregistre le programme d'analyse d'optimisation
JP2004192310A (ja) * 2002-12-11 2004-07-08 Nippon Telegr & Teleph Corp <Ntt> オブジェクト学習装置、オブジェクト識別装置、これらの方法、これらのプログラムおよびこれらのプログラムを記録した媒体
JP2006321340A (ja) * 2005-05-18 2006-11-30 Bridgestone Corp タイヤ設計装置及びタイヤ設計方法
WO2012015517A1 (en) * 2010-07-29 2012-02-02 Exxonmobil Upstream Research Company Methods and systems for machine-learning based simulation of flow
CN106464900A (zh) * 2014-07-18 2017-02-22 松下电器（美国）知识产权公司 图像编码方法、图像解码方法、图像编码装置、图像解码装置及内容发布方法
CN106919899A (zh) * 2017-01-18 2017-07-04 北京光年无限科技有限公司 基于智能机器人的模仿人脸表情输出的方法和***
CN108171735A (zh) * 2017-12-27 2018-06-15 清华大学 基于深度学习的十亿像素视频对齐方法及***
JP2019117603A (ja) * 2017-12-27 2019-07-18 株式会社竹中工務店 構造情報表示装置、構造設計支援装置、及び構造設計支援モデル学習装置
CN108288088A (zh) * 2018-01-17 2018-07-17 浙江大学 一种基于端到端全卷积神经网络的场景文本检测方法

Also Published As

Publication number Publication date
CN114930338B (zh) 2024-03-01
JP2021111066A (ja) 2021-08-02
WO2021141131A1 (ja) 2021-07-15
US20230044533A1 (en) 2023-02-09
CA3163900A1 (en) 2021-07-15
EP4089594A1 (en) 2022-11-16
EP4089594A4 (en) 2024-07-03

Similar Documents

Publication Publication Date Title
CN110276446A (zh) 模型训练和选择推荐信息的方法和装置
US7092863B2 (en) Model predictive control (MPC) system using DOE based model
CN102843511B (zh) 图像处理支持***、信息处理设备和图像处理支持方法
JP6817625B2 (ja) サービス構築装置、サービス構築方法及びサービス構築プログラム
JP7064356B2 (ja) 将来状態推定装置および将来状態推定方法
CN112257603B (zh) 高光谱图像分类方法及相关设备
CN110058679B (zh) 一种马达的激励信号搜索方法及电子设备
CN114930338B (zh) 信息处理***、信息处理方法及记录介质
CN111914516A (zh) 一种网络数据预测序列生成方法、装置、设备及存储介质
van der Laan The construction and analysis of adaptive group sequential designs
US20210021757A1 (en) Arithmetic device, arithmetic method, and program
JP6845364B1 (ja) 情報処理システム、情報処理方法及びプログラム
CN116911186A (zh) 用于单频光纤激光器的智能设计***
US10915790B2 (en) Machine learning apparatus, imaging time estimation apparatus, machine learning program, and generation method of photographic data
US20190347780A1 (en) Image processing apparatus, non-transitory computer-readable storage medium, and generation method of photographic data
JP2023088136A (ja) 学習装置、学習方法、学習プログラム、および学習システム
CN115713466A (zh) 一种图像去噪方法、装置及存储介质
JP2022015502A (ja) 機械学習装置および機械学習方法
KR20220046038A (ko) Ai 연산 프로세서 가속 성능 평가 인터페이스 시스템 및 그 방법
CN114080612A (zh) 信息处理方法、信息处理设备和程序
CN109286278A (zh) 电动机结构选择装置、选择方法以及计算机可读介质
CN116521159B (zh) 一种基于场景驱动的知识服务平台零代码构建方法及***
CN111931042B (zh) 一种信息推送方法及装置
CN113505527B (zh) 一种基于数据驱动的材料性质预测方法及***
WO2021019649A1 (ja) 最適化装置、最適化方法、及び最適化プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant