Topology optimization using convolutional neural network
Multiscale analysis using convolutional neural network
1. Tokyo Institute of Technology 2018/12/06 西田猛哲,鈴木良郎(東工大)
東京工業大学 西田 猛哲
鈴木 良郎
ディープラーニングを用いた
数値シミュレーション
2. Tokyo Institute of Technology 2018/12/06 西田猛哲,鈴木良郎(東工大) 1
ディープラーニング(DL)
➡多層ニューラルネットワークを用いた機械学習の1手法
畳み込みニューラルネットワーク(CNN)
2012年 Google:画像認識するCNNを開発,
猫の顔と判定される確率を最大化する
画像の抽出に成功※1
➡CNNが入力画像の視覚的特徴を
抽出可能であることが示唆
DLの数値シミュレーションへの活用例
は少ない
研究背景
ディープラーニングの躍進
※1 Quoc V. Le, et al. Building High-level Features Using Large Scale Unsupervised Learning. Appearing
in Proceedings of the 29 th International Conference on Machine Learning. Edinburgh, Scotland, UK. 2012.
3. Tokyo Institute of Technology 2018/12/06 西田猛哲,鈴木良郎(東工大) 2
研究目的
新マルチスケール解析手法「CNN-based DDM」を提案
領域分割法(DDM)とCNNを融合
有限要素法(FEM)や差分法(FDM) ではなく,
CNNを利用して数値解析を実行
提案手法
提案手法を定常熱伝導解析に適用,解析精度・解析時間を
検証
研究目的
14. Tokyo Institute of Technology 2018/12/06 西田猛哲,鈴木良郎(東工大) 13
知識の蒸留
「知識の蒸留」の考え方
教師モデル
(大規模,CNN2)
生徒モデル
(小規模, CNN1)
知識
抽出 継承
未知データに対しても高精度
➡「入力データのどこに注目すればよいか」
という知識を獲得しているはず
蒸留により,小規模ながら教師モデルに匹敵する精度の
モデルが得られる可能性がある
15. Tokyo Institute of Technology 2018/12/06 西田猛哲,鈴木良郎(東工大) 14
A. Romeroらが2014年に提案した手法
生徒モデルと教師モデルの中間層の出力をマッチング
知識の蒸留
Hint Learning
教師モデル(CNN2)
生徒モデル(CNN1)
追加のパラメータ
マッチング
ローカル解析では,ローカル領域の境界部に位置する青色の格子点から,領域内部に位置する緑色の格子点の温度を求めるための行列 𝑨 L を算出する必要があります.
既存のDDMでは,この行列をFEMやFDM解析により算出していましたが,提案手法ではデータを学習したCNNにより算出します.
ローカル領域の熱伝導率分布をCNNに入力することによって算出します.
次に,行列 𝑨 L を変形することにより,青色の格子点から赤色の格子点の温度を求めるための行列 𝒂 L を算出します.
グローバル解析では,図のように,各ローカル領域の外側2周分の格子点のみで,解析領域全体を離散化します.
次に,ローカル解析で得た行列 𝒂 L を基に,図の全格子点の温度に関する連立方程式を構築します.
この連立方程式を境界条件を課して解くことで,格子点の温度を算出します.
格子点が配置されていない部分の温度は,ローカル解析で得た行列 𝑨 L を用いて補間します.
以上により,解析領域全体の温度分布が算出できます.