特開 2024-172967 情報処理装置、情報処理方法及び情報処理プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024172967

(43)【公開日】2024-12-12

(54)【発明の名称】情報処理装置、情報処理方法及び情報処理プログラム

(51)【国際特許分類】

   G06F 30/27 20200101AFI20241205BHJP

   G06N 3/0455 20230101ALI20241205BHJP

【ＦＩ】

G06F30/27

G06N3/0455

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2023091054

(22)【出願日】2023-06-01

(71)【出願人】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】新谷 浩平

(72)【発明者】

【氏名】森國 洋平

【テーマコード（参考）】

5B146

【Ｆターム（参考）】

5B146DC03

5B146DJ14

(57)【要約】

【課題】ＣＡＥ計算に掛ける時間をより少なくすることが可能な情報処理装置を提供する。
【解決手段】入力された形状パラメータに基づいて、形状の特徴を表現するベクトルである潜在ベクトルを第１学習済みモデルから出力する潜在ベクトル推定部と、前記潜在ベクトルに対応する形状の座標の集合を第２学習済みモデルから生成するデコーダ部と、前記潜在ベクトルと、前記座標の集合とに基づいて、前記形状の特徴量の分布を前記第２学習済みモデルにより推定する分布推定部と、を備える、情報処理装置が提供される。
【選択図】図１

【特許請求の範囲】

【請求項1】

入力された形状パラメータに基づいて、形状の特徴を表現するベクトルである潜在ベクトルを第１学習済みモデルから出力する潜在ベクトル推定部と、
前記潜在ベクトルに対応する形状の座標の集合を第２学習済みモデルから生成するデコーダ部と、
前記潜在ベクトルと、前記座標の集合とに基づいて、前記形状の特徴量の分布を前記第２学習済みモデルにより推定する分布推定部と、
を備える、情報処理装置。

【請求項2】

前記潜在ベクトルに基づいて、前記形状の性能値を第２学習済みモデルにより推定する性能値推定部をさらに備える、請求項１に記載の情報処理装置。

【請求項3】

前記性能値推定部が推定した前記形状の性能値に関する情報を提示する提示部をさらに備える、請求項２に記載の情報処理装置。

【請求項4】

プロセッサが、
入力された形状パラメータに基づいて、形状の特徴を表現するベクトルである潜在ベクトルを第１学習済みモデルから出力させ、
前記潜在ベクトルに対応する形状の座標の集合を第２学習済みモデルから生成させ、
前記潜在ベクトルと、前記座標の集合とに基づいて、前記形状の特徴量の分布を前記第２学習済みモデルにより推定する
処理を実行する、情報処理方法。

【請求項5】

コンピュータに、
入力された形状パラメータに基づいて、形状の特徴を表現するベクトルである潜在ベクトルを第１学習済みモデルから出力させ、
前記潜在ベクトルに対応する形状の座標の集合を第２学習済みモデルから生成させ、
前記潜在ベクトルと、前記座標の集合とに基づいて、前記形状の特徴量の分布を前記第２学習済みモデルにより推定する
処理を実行させる、情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理装置、情報処理方法及び情報処理プログラムに関する。

【背景技術】

【0002】

機械分野の技術開発においては、ある三次元形状を有する物体における応力分布等といった性能値をシミュレーションするＣＡＥ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｅｎｇｉｎｅｅｒｉｎｇ）計算が行われている。非特許文献１～３では、機械学習を用いて三次元構造の形状生成を行い、三次元構造の応力分布、剛性値、Ｃｄ（Ｃｏｎｓｔａｎｔ Ｄｒａｇ）値等の性能値の予測を行うシミュレーション方法が開示されている。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】Haoqiang Fan, Hao Su, Leonidas J. Guibas. "A Point Set Generation Network for 3D Object Reconstruction from a Single Image", In Proceedings of the IEEE conference on computor vision and pattern recognition, pp. 605-613. 2017.

【非特許文献2】Wen Xiao, Zhenan Fan, Qiuyan Liu. "Point Cloud Generation via Variational Auto-encoder"

【非特許文献3】Nikita Durasov, Artem Lukoyanov, Jonathan Donier, Pascal Fua. " DEBOSH: Deep Bayesian Shape Optimization", arXiv preprint arXiv:2109.13337 (2021).

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、従来のＣＡＥ計算には非常に多くの計算時間及び計算資源が必要であり、ＣＡＥ計算に掛ける時間をより少なくすることが求められる。

【0005】

本開示は、上記の点に鑑みてなされたものであり、従来技術と比較してＣＡＥ計算に掛ける時間をより少なくすることが可能な情報処理装置、情報処理方法及び情報処理プログラムを提供することを目的とする。

【課題を解決するための手段】

【0006】

本開示の第１態様は、情報処理装置であって、入力された形状パラメータに基づいて、形状の特徴を表現するベクトルである潜在ベクトルを第１学習済みモデルから出力する潜在ベクトル推定部と、前記潜在ベクトルに対応する形状の座標の集合を第２学習済みモデルから生成するデコーダ部と、前記潜在ベクトルと、前記座標の集合とに基づいて、前記形状の特徴量の分布を前記第２学習済みモデルにより推定する分布推定部と、を備える。

【0007】

本開示の第１態様によれば、形状に対する特徴量の分布を、ＣＡＥ計算を一からやり直さなくても求めることが出来る。

【0008】

本開示の第２態様は、第１態様に係る情報処理装置であって、前記潜在ベクトルに基づいて、前記形状の性能値を第２学習済みモデルにより推定する性能値推定部をさらに備える。

【0009】

本開示の第２態様によれば、形状に対する性能値を、ＣＡＥ計算を一からやり直さなくても求めることが出来る。

【0010】

本開示の第３態様は、第２態様に係る情報処理装置であって、前記性能値推定部が推定した前記形状の性能値に関する情報を提示する提示部をさらに備える。

【0011】

本開示の第３態様によれば、形状に対する性能値を情報処理装置のユーザに確認させることが可能となる。

【0012】

本開示の第４態様は、情報処理方法であって、プロセッサが、入力された形状パラメータに基づいて、形状の特徴を表現するベクトルである潜在ベクトルを第１学習済みモデルから出力させ、前記潜在ベクトルに対応する形状の座標の集合を第２学習済みモデルから生成させ、前記潜在ベクトルと、前記座標の集合とに基づいて、前記形状の特徴量の分布を前記第２学習済みモデルにより推定する処理を実行する。

【0013】

本開示の第４態様によれば、形状に対する特徴量の分布を、ＣＡＥ計算を一からやり直さなくても求めることが出来る。

【0014】

本開示の第５態様は、情報処理プログラムであって、コンピュータに、入力された形状パラメータに基づいて、形状の特徴を表現するベクトルである潜在ベクトルを第１学習済みモデルから出力させ、前記潜在ベクトルに対応する形状の座標の集合を第２学習済みモデルから生成させ、前記潜在ベクトルと、前記座標の集合とに基づいて、前記形状の特徴量の分布を前記第２学習済みモデルにより推定する処理を実行させる。

【0015】

本開示の第５態様によれば、形状に対する特徴量の分布を、ＣＡＥ計算を一からやり直さなくても求めることが出来る。

【発明の効果】

【0016】

本開示によれば、従来技術と比較してＣＡＥ計算に掛ける時間をより少なくすることが可能な情報処理装置を提供することができる。

【図面の簡単な説明】

【0017】

【図1】開示の技術の実施形態に係る情報処理装置の構成例を示す図である。

【図2】学習フェーズにおける情報処理装置の具体的な構成例を示す図である。

【図3】エンコーダ部の具体的な構成例を示す図である。

【図4】デコーダ部の具体的な構成例を示す図である。

【図5】分布推定部の具体的な構成例を示す図である。

【図6】推論フェーズにおける情報処理装置の具体的な構成例を示す図である。

【発明を実施するための形態】

【0018】

以下、本開示の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一または等価な構成要素および部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

【0019】

図１は、本実施形態に係る情報処理装置の構成例を示す図である。図１に示した情報処理装置１０は、深層学習を適用し、三次元形状に対する特徴量分布及び性能値を高速に計算する装置である。情報処理装置１０は、ＣＰＵ１１がエンコーダ部１０１、デコーダ部１０２、分布推定部１０３、潜在ベクトル推定部１０４、性能値推定部１０５、及び提示部１０６として機能する。なお、特徴量とは、圧力、流力等の値である。

【0020】

ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２またはストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２またはストレージ１４に記録されているプログラムにしたがって、上記各構成の制御および各種の演算処理を行う。本実施形態では、ＲＯＭ１２またはストレージ１４には、深層学習を適用し、三次元形状に対する特徴量分布及び性能値を高速に計算する情報処理を実行する情報処理プログラムが格納されている。

【0021】

ＲＯＭ１２は、各種プログラムおよび各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラムまたはデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）またはフラッシュメモリ等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム、および各種データを格納する。

【0022】

上記の情報処理プログラムを実行する際に、情報処理装置１０は、上記のハードウェア資源を用いて、各種の機能を実現する。情報処理装置１０が実現する機能構成について説明する。

【0023】

図１に示すように、情報処理装置１０は、機能構成として、エンコーダ部１０１、デコーダ部１０２、分布推定部１０３、潜在ベクトル推定部１０４、性能値推定部１０５、及び提示部１０６を有する。各機能構成は、ＣＰＵ１１がＲＯＭ１２またはストレージ１４に記憶された情報処理プログラムを読み出し、実行することにより実現される。

【0024】

エンコーダ部１０１は、対象とする三次元形状の特徴を表現する潜在ベクトルｚを、学習済みモデルを用いて生成する。デコーダ部１０２は、エンコーダ部１０１が生成した潜在ベクトルｚから、対象とする三次元形状を、学習済みモデルを用いて復元する。エンコーダ部１０１とデコーダ１０２とは、変分オートエンコーダを成し、変分オートエンコーダに特徴量分布の推定を行うニューラルネットワークを接続することで、情報処理装置１０は三次元形状と特徴量分布とを同時に学習できる。

【0025】

分布推定部１０３は、三次元形状の特徴量分布を、学習済みモデルを用いて推定する。潜在ベクトル推定部１０４は、対象の三次元形状の形状パラメータから潜在ベクトルを、学習済みモデルを用いて推定する。性能値推定部１０５は、対象となる三次元形状の性能値を、学習済みモデルを用いて推定する。提示部１０６は、性能値推定部１０５が推定した三次元形状の性能値を提示する。提示部１０６は、例えばＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）の形式で、性能値推定部１０５が推定した三次元形状の性能値を提示する。

【0026】

情報処理装置１０は、三次元形状の頂点の座標の集合を入力として、各頂点の特徴量の集合を出力とするモデルを学習し、学習結果を用いて、三次元形状の頂点の座標の集合をモデルに入力し、三次元形状の性能値をモデルから出力させることを特徴とする。以下、情報処理装置１０の具体的な構成について説明する。

【0027】

（学習フェーズ）
まず、学習フェーズにおける情報処理装置１０の具体的な構成について説明する。図２は、学習フェーズにおける情報処理装置１０の具体的な構成例を示す図である。以下の説明では、数式において、記号（例えば、Ｘ）上に“～”が付された文字を、以下では、～Ｘ等として表す場合がある。

【0028】

エンコーダ部１０１は、任意の三次元形状の頂点座標の集合｛ｘ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}を入力とし、形状の特徴を表現する潜在ベクトルｚを出力とするエンコーダＮＮｑ_φ（ｚ｜ｘ）である。なお、ＮＮはＮｅｕｒａｌ Ｎｅｔｗｏｒｋである。

【0029】

デコーダ部１０２は、潜在ベクトルｚを入力とし、三次元形状の頂点座標の集合｛～ｘ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}を出力とするデコーダＮＮｐ_θ（ｘ｜ｚ）である。

【0030】

分布推定部１０３は、任意の三次元形状の頂点座標の集合｛ｘ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}及び、当該三次元形状の潜在ベクトルｚの組を入力とし、各頂点ｘ_ｉの特徴量｛～ｙ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}を出力とするニューラルネットワークｆ_η（ｘ，ｚ）である。

【0031】

潜在ベクトル推定部１０４は、ＣＡＤソフト等で形状を生成する際に使用される、三次元形状の形状パラメータｖを入力とし、当該三次元形状の潜在ベクトルｚを出力とする回帰モデルｇ（ｖ）である。

【0032】

性能値推定部１０５は、三次元形状の潜在ベクトルｚを入力とし、当該三次元形状の性能値ｅを出力とする回帰モデルｈ（ｚ）である。

【0033】

これらの各部のうち、エンコーダ部１０１、デコーダ部１０２及び分布推定部１０３は、１つのニューラルネットワークで構成され、潜在ベクトル推定部１０４及び性能値推定部１０５は、それぞれ独立した回帰モデルである。

【0034】

図３は、エンコーダ部１０１の具体的な構成例を示す図である。エンコーダ部１０１は、任意の三次元形状の頂点座標の集合｛ｘ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}の各要素に対し、多層パーセプトロンＭＬＰ１を作用させて、各点ごとの特徴ベクトルｘ´_ｉ＝ＭＬＰ１（ｘ_ｉ）を求める。各点ごとの特徴ベクトルの集合を｛ｘ´_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}とする。多層パーセプトロンＭＬＰ１の構成は、入力層数３、出力層数６４，隠れ層数６４，１２８，１２８，２５６である。

【0035】

次にエンコーダ部１０１は、特徴ベクトルの集合を｛ｘ´_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}の要素の平均値を求め、ベクトルｚ´とする。

【0036】

【数1】

【0037】

次にエンコーダ部１０１は、ベクトルｚ´に対して、２つの多層パーセプトロンＭＬＰ２、ＭＬＰ３を作用させ、それぞれの出力をベクトルρ，μとする。多層パーセプトロンＭＬＰ２，ＭＬＰ３の構成は、入力層数６４、出力層数６４，隠れ層数１２８である。
このベクトルσ，μと、各要素を標準正規分布Ｎ（０，１）に従って得られる乱数値とするベクトルεとを併せて、潜在ベクトルｚを、
ｚ＝σ＊ε＋μ
として求める。なお演算子＊は要素積を表す。

【0038】

各多層パーセプトロンは、隠れ層の数をＭとした場合、以下のように与えられる。

【0039】

【数2】

【0040】

上記数式において、ξ_ｉはｉ番目の層のベクトル、ＦＣ_ｉはｉ番目の層を入力とし、（ｉ＋１）番目の層へ出力する全結合層、ＬａｙｅｒＮｏｒｍはレイヤー正規化層（Ｌａｙｅｒ Ｎｏｒｍａｌｉｚａｔｉｏｎ）、ＧＥＬＵはガウス誤差線形ユニット（Ｇａｕｓｓｉａｎ Ｅｒｒｏｒ Ｌｉｎｅａｒ Ｕｎｉｔ）である。

【0041】

図４は、デコーダ部１０２の具体的な構成例を示す図である。デコーダ部１０２は、潜在ベクトルｚに対し、多層パーセプトロンＭＬＰ４を作用させて、３Ｎ個の要素を持つベクトル～Ｘを求める。多層パーセプトロンＭＬＰ４の構成は、入力層数６４、出力層数３Ｎ，隠れ層数２５６，２５６である。多層パーセプトロンＭＬＰ４は、上記数式のように与えられる。

【0042】

続いてデコーダ部１０２は、ベクトル～ＸをＮ×３個の行列に並び替え（ｒｅｓｈａｐｅ）、行それぞれを形状の頂点座標～ｘ_ｉとして、三次元形状の頂点座標の集合｛～ｘ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}を求める。

【0043】

図５は、分布推定部１０３の具体的な構成例を示す図である。分布推定部１０３は、任意の三次元形状の頂点座標の集合｛ｘ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}の各要素に対し、デコーダ部１０２で求めた潜在ベクトルｚを結合し、集合｛（ｘ_ｉ，ｚ）｝_{ｉ＝１，２，３，・・・，Ｎ}を作成する。続いて分布推定部１０３は、集合｛（ｘ_ｉ，ｚ）｝_{ｉ＝１，２，３，・・・，Ｎ}の各要素に対し、多層パーセプトロンＭＬＰ５を作用させ、その出力を～ｙ_ｉとし、座標ｘ_ｉに対する特徴量とする。多層パーセプトロンＭＬＰ５の構成は、推定する特徴量の次元をｄとすると、入力層数６７、出力層数ｄ，隠れ層数５１２，２５６，２５６である。

【0044】

学習フェーズでは、情報処理装置１０は、これらの各部の関数のパラメータを、予め用意した教師データを用いて決定する。すなわち、頂点座標の集合｛ｘ_ｉ｝、ＣＡＥ計算等によって得られた特徴量の集合｛ｙ_ｉ｝、形状パラメータｖ、ＣＡＥ計算等によって得られた形状に対する性能値ｅの組を教師データとして、各部の関数のパラメータを決定する。

【0045】

学習フェーズでは、まず、損失関数Ｌｏｓｓを最小とする深層学習を行って、エンコーダ部１０１の関数ｑ_φ、デコーダ部１０２の関数ｐ_θ、分布推定部１０３の関数ｆ_ηを決定する。

【0046】

【数3】

【0047】

上記数式において、Ｄ_ＫＬはＫｕｌｌｂａｃｋ－Ｌｅｉｂｌｅｒダイバージェンス、ｐは標準正規分布、ｗ_１，ｗ_２は非負の実数である。

【0048】

続いて、形状パラメータｖから、エンコーダ部１０１の関数ｑ_φから得られる潜在ベクトルｚを求める関数ｇ（ｖ）を回帰モデルで求める。また、エンコーダ部１０１の関数ｑ_φから得られる潜在ベクトルｚから性能値ｅを求める関数ｈ（ｅ）を回帰モデルで求める。

【0049】

情報処理装置１０は、学習フェーズにおいて上述したように各部の関数を決定することで、形状パラメータｖから性能値ｅを推論することが可能になる。

【0050】

（推論フェーズ）
次に、推論フェーズにおける情報処理装置１０の具体的な構成について説明する。図６は、推論フェーズにおける情報処理装置１０の具体的な構成例を示す図である。推論フェーズでは、情報処理装置１０は、学習フェーズで得られたデコーダ部１０２，分布推定部１０３、潜在ベクトル推定部１０４及び性能値推定部１０５を用いて、形状パラメータｖから三次元形状の頂点の座標の集合｛～ｘ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}、各頂点に対応する特徴量の集合｛～ｙ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}、及び性能値ｅを求める。

【0051】

情報処理装置１０は、外部から形状パラメータｖを取得し、潜在ベクトル推定部１０４に入力することで、潜在ベクトルｚを求める。続いて情報処理装置１０は、求めた潜在ベクトルｚをデコーダ部１０２に入力し、三次元形状の頂点の座標の集合｛～ｘ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}を求める。

【0052】

続いて情報処理装置１０は、求めた座標の集合｛～ｘ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}の各要素と潜在ベクトルｚとを結合し、分布推定部１０３に入力することで、各頂点に対応する特徴量の集合｛～ｙ_ｉ｝_{ｉ＝１，２，３，・・・，Ｎ}を求める。また情報処理装置１０は、求めた潜在ベクトルｚを性能値推定部１０５に入力し、性能値ｅを求める。

【0053】

情報処理装置１０は、このように動作することで、物体の形状パラメータｖを変えた場合に、その形状パラメータを有する物体の特性がどのように変化するのかを推測することができる。

【0054】

なお、本実施形態では、学習フェーズと推論フェーズとで同一の情報処理装置１０を用いていたが、本開示は係る例に限定されない。学習フェーズと推論フェーズとで異なる装置が用いられてもよい。すなわち、学習フェーズにおいて学習されたモデルを別の装置で使用することで物体の特性を推論してもよい。また情報処理装置１０の機能は、１以上のコンピュータによって実装されてよい。また情報処理装置１０の少なくとも一部の機能は、仮想マシンによって実装されてよい。また情報処理装置１０の機能の少なくとも一部は、クラウドコンピューティングで実装されてよい。

【0055】

ＣＡＥ計算を用いた特徴量の分布や性能値を求める手法では、決められた形状パラメータの範囲の形状であっても、一からＣＡＥ計算をやり直す必要があった。本実施形態に係る情報処理装置１０は、エンコーダ部１０１による潜在ベクトルの計算と、デコーダ部１０２による潜在ベクトルに基づいた形状生成により、類似の形状や、２つの形状の中間の形状を生成することが出来る。また本実施形態に係る情報処理装置１０は、生成した新しい形状に対する特徴量の分布や性能値を、ＣＡＥ計算を一からやり直さなくても、分布推定部１０３や性能値推定部１０５により求めることが出来る。また本実施形態に係る情報処理装置１０は、形状パラメータと潜在ベクトルとを対応付けることによって、形状パラメータに対応した形状を生成せず済むので、性能値等を高速に求めることを可能とする。

【0056】

本実施形態に係る情報処理装置１０は、エンコーダ部１０１、デコーダ部１０２及び分布推定部１０３を併せて１つのニューラルネットワークとして機械学習を行っている。このネットワーク構造は、エンコーダ部１０１とデコーダ部１０２とからなる形状に対する変分オートエンコーダモデルに分布推定部１０３を結合した構造である。変分オートエンコーダモデルだけの場合、形状の情報のみが潜在ベクトルに含まれる。これに対して本実施形態では、分布推定部１０３を加えることで、形状の情報に加えて特徴量の分布の情報も含まれる。従って、本実施形態に係る情報処理装置１０は、特徴量の分布に関連した性能値などの量の推定精度を向上させることが出来る。

【0057】

本実施形態に係る情報処理装置１０は、エンコーダ部１０１、デコーダ部１０２及び分布推定部１０３の各多層パーセプトロンの正規化層にレイヤー正規化層を採用している。正規化層としてはバッチ正規化層が一般的に用いられるが、バッチ正規化層は複数のデータを１つのデータとして正規化するため、学習には大きなメモリを持った計算環境が必要となる。これに対してレイヤー正規化層は、データ毎に正規化を行うため、計算資源が乏しい環境であっても、３Ｄデータのような大きなデータを使用した学習が可能となる。またバッチ正規化層に比べ、レイヤー正規化を採用することで、本実施形態に係る情報処理装置１０は、精度の良い学習が可能となる。

【0058】

なお、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した情報処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、情報処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

【0059】

また、上記各実施形態では、情報処理のプログラムがＲＯＭまたはストレージに予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【符号の説明】

【0060】

１０ 情報処理装置
１０１ エンコーダ部
１０２ デコーダ部
１０３ 分布推定部
１０４ 潜在ベクトル推定部
１０５ 性能値推定部
１０６ 提示部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】