知財求人 - 知財ポータルサイト「IP Force」
2025-99158シミュレーション装置、プログラム、およびシミュレーション方法
(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】P2025099158
(43)【公開日】2025-07-03
(54)【発明の名称】シミュレーション装置、プログラム、およびシミュレーション方法
(51)【国際特許分類】
G06N 20/00 20190101AFI20250626BHJP
G06N 3/09 20230101ALI20250626BHJP
【ＦＩ】
G06N20/00 130
G06N3/09
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2023215596
(22)【出願日】2023-12-21
(71)【出願人】
【識別番号】000116024
【氏名又は名称】ローム株式会社
(74)【代理人】
【識別番号】110001933
【氏名又は名称】弁理士法人 佐野特許事務所
(72)【発明者】
【氏名】浜地 健次
(57)【要約】
【課題】教師ありの機械学習による効果を効果的に確認することができる。
【解決手段】シミュレーション装置（１）においては、機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、モデル設定部（６）は、読み込まれた学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行い、かつ、読み込まれたテスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行い、モデル演算部（５）は、前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行い、前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行い、前記推論の結果と前記第４チャンクとの比較を演算する。
【選択図】図２
【解決手段】シミュレーション装置（１）においては、機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、モデル設定部（６）は、読み込まれた学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行い、かつ、読み込まれたテスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行い、モデル演算部（５）は、前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行い、前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行い、前記推論の結果と前記第４チャンクとの比較を演算する。
【選択図】図２
【特許請求の範囲】
【請求項1】
学習および推論を行うように構成される機械学習モデルが記憶されたモデル記憶部と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部と、
操作入力部と、
学習用データおよびテスト用データを読み込むように構成される読込み部と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部と、
を備え、
前記機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、
前記モデル設定部は、読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行い、かつ、読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行い、
前記モデル演算部は、前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行い、前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行い、前記推論の結果と前記第４チャンクとの比較を演算する、シミュレーション装置。
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部と、
操作入力部と、
学習用データおよびテスト用データを読み込むように構成される読込み部と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部と、
を備え、
前記機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、
前記モデル設定部は、読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行い、かつ、読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行い、
前記モデル演算部は、前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行い、前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行い、前記推論の結果と前記第４チャンクとの比較を演算する、シミュレーション装置。
【請求項2】
前記モデル設定部は、読み込まれた前記学習用データにおいて、先頭列としての列番号、行数、および列数を設定することで前記第１チャンクおよび前記第２チャンクの設定が可能である、請求項１に記載のシミュレーション装置。
【請求項3】
前記モデル設定部は、前記第１チャンクのチャンク数を設定可能であり、前記第１チャンクと前記第２チャンクのチャンク数は一致する、請求項１に記載のシミュレーション装置。
【請求項4】
前記モデル設定部は、読み込まれた前記テスト用データにおいて、先頭列としての列番号、行数、および列数を設定することで前記第３チャンクおよび前記第４チャンクの設定が可能である、請求項１に記載のシミュレーション装置。
【請求項5】
前記第１チャンクの行数および列数が設定されると、当該行数および列数とそれぞれ一致する前記第３チャンクの行数および列数を自動的に表示し、前記第２チャンクの行数および列数が設定されると、当該行数および列数とそれぞれ一致する前記第４チャンクの行数および列数を自動的に表示する制御を行うように構成される第１表示制御部を備える、請求項４に記載のシミュレーション装置。
【請求項6】
前記モデル設定部は、前記第３チャンクのチャンク数を設定可能であり、前記第３チャンクと前記第４チャンクのチャンク数は一致する、請求項１に記載のシミュレーション装置。
【請求項7】
前記モデル設定部は、前記機械学習モデルのニューラルネットワークに関する項目を設定可能である、請求項１に記載のシミュレーション装置。
【請求項8】
前記項目には、学習結果を忘れる程度を表すパラメータである忘却率が含まれる、請求項７に記載のシミュレーション装置。
【請求項9】
前記機械学習モデルによる学習中の推論結果と前記教師データとに基づく損失関数の値を前記第２チャンクごとに表示する制御を行うように構成される第２表示制御部を備える、請求項１に記載のシミュレーション装置。
【請求項10】
前記機械学習モデルによる学習中の推論結果と前記教師データとの差分の前記教師データに対する比率を誤差として表示する制御を行うように構成される第３表示制御部を備える、請求項１に記載のシミュレーション装置。
【請求項11】
前記テスト入力データを用いた前記機械学習モデルの推論結果と前記期待データとに基づく損失関数の値を前記第４チャンクごとに表示する制御を行うように構成される第４表示制御部を備える、請求項１に記載のシミュレーション装置。
【請求項12】
前記テスト用データを用いた前記機械学習モデルの推論結果と前記期待データとの差分の前記期待データに対する比率を誤差として表示する制御を行うように構成される第５表示制御部を備える、請求項１に記載のシミュレーション装置。
【請求項13】
前記モデル設定部は、全ての前記第１チャンクおよび前記第２チャンクを用いた学習を繰り返し行う繰り返し数を設定可能である、請求項１に記載のシミュレーション装置。
【請求項14】
コンピュータを請求項１から請求項１３のいずれか１項に記載のシミュレーション装置として機能させるためのプログラム。
【請求項15】
機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、
学習用データを読み込む第１ステップと、
読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行う第２ステップと、
テスト用データを読み込む第３ステップと、
読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行う第４ステップと、
前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行う第５ステップと、
前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行う第６ステップと、
前記推論の結果と前記第４チャンクとの比較を演算する第７ステップと、を備える、シミュレーション方法。
学習用データを読み込む第１ステップと、
読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行う第２ステップと、
テスト用データを読み込む第３ステップと、
読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行う第４ステップと、
前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行う第５ステップと、
前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行う第６ステップと、
前記推論の結果と前記第４チャンクとの比較を演算する第７ステップと、を備える、シミュレーション方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、シミュレーション装置に関する。
【背景技術】
【0002】
従来、産機分野の工場設備保全に関して、機械システムの状態管理保全（Condition Based Maintenance）に対してＡＩ（人工知能）の適用が進んでいる（例えば特許文献１）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】国際公開第２０１９／０３５２７９号
【0004】
［概要］
上記状態管理保全に対してＡＩを導入する場合、実機を用いずにＡＩの効果を確認することができれば有用である。機械学習としては、教師データを用いたいわゆる教師あり学習が知られている。
上記状態管理保全に対してＡＩを導入する場合、実機を用いずにＡＩの効果を確認することができれば有用である。機械学習としては、教師データを用いたいわゆる教師あり学習が知られている。
【0005】
上記状況に鑑み、本開示は、教師ありの機械学習による効果を効果的に確認することができるシミュレーション装置を提供することを目的とする。
【0006】
本開示の一態様に係るシミュレーション装置は、
学習および推論を行うように構成される機械学習モデルが記憶されたモデル記憶部と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部と、
操作入力部と、
学習用データおよびテスト用データを読み込むように構成される読込み部と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部と、
を備え、
前記機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、
前記モデル設定部は、読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行い、かつ、読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行い、
前記モデル演算部は、前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行い、前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行い、前記推論の結果と前記第４チャンクとの比較を演算する構成としている。
学習および推論を行うように構成される機械学習モデルが記憶されたモデル記憶部と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部と、
操作入力部と、
学習用データおよびテスト用データを読み込むように構成される読込み部と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部と、
を備え、
前記機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、
前記モデル設定部は、読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行い、かつ、読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行い、
前記モデル演算部は、前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行い、前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行い、前記推論の結果と前記第４チャンクとの比較を演算する構成としている。
【0007】
また、本開示の一態様に係るシミュレーション方法は、機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、
学習用データを読み込む第１ステップと、
読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行う第２ステップと、
テスト用データを読み込む第３ステップと、
読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行う第４ステップと、
前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行う第５ステップと、
前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行う第６ステップと、
前記推論の結果と前記第４チャンクとの比較を演算する第７ステップと、を備える。
学習用データを読み込む第１ステップと、
読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行う第２ステップと、
テスト用データを読み込む第３ステップと、
読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行う第４ステップと、
前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行う第５ステップと、
前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行う第６ステップと、
前記推論の結果と前記第４チャンクとの比較を演算する第７ステップと、を備える。
【図面の簡単な説明】
【0008】
【0009】
[詳細な説明]
以下、本開示の例示的な実施形態について、図面を参照して説明する。
以下、本開示の例示的な実施形態について、図面を参照して説明する。
【0010】
＜コンピュータの構成＞
図１は、本開示の例示的な実施形態に係るコンピュータ１００の構成を示す図である。コンピュータ１００は、後述する本開示に係るシミュレーション装置として機能する。コンピュータ１００は、例えばＰＣ（パソコン）である。コンピュータ１００がＰＣである場合、デスクトップ型であるかノート型であるかなどは問わない。
図１は、本開示の例示的な実施形態に係るコンピュータ１００の構成を示す図である。コンピュータ１００は、後述する本開示に係るシミュレーション装置として機能する。コンピュータ１００は、例えばＰＣ（パソコン）である。コンピュータ１００がＰＣである場合、デスクトップ型であるかノート型であるかなどは問わない。
【0011】
コンピュータ１００は、ＣＰＵ（Central Processing Unit）１００Ａと、メモリ１００Ｂと、補助記憶装置１００Ｃと、操作入力部１００Ｄと、表示部１００Ｅと、を備える。
【0012】
ＣＰＵ１００Ａは、制御装置と演算装置（いずれも図示せず）を有する。制御装置は、プログラムの指令を解釈し、コンピュータ１００の各部を制御する。演算装置は、演算処理を行う装置である。
【0013】
メモリ１００Ｂは、プログラムあるいはデータを一時的に格納する半導体記憶装置である。メモリ１００Ｂに記憶された情報は、コンピュータ１００の電源がオフとされると消去される。
【0014】
補助記憶装置１００Ｃは、ＨＤＤ（Hard Disk Drive）あるいはＳＳＤ（Solid State Drive）などにより構成され、プログラムあるいはデータが格納される。補助記憶装置１００Ｃに格納されたプログラムは、メモリ１００Ｂに読み込まれる。ＣＰＵ１００Ａは、メモリ１００Ｂに読み込まれたプログラムを実行する。
【0015】
操作入力部１００Ｄは、キーボードあるいはマウスなどにより構成され、コンピュータ１００に操作入力を与える装置である。操作入力部１００Ｄから入力された情報は、メモリ１００Ｂに送られる。
【0016】
表示部１００Ｅは、例えば液晶ディスプレイなどにより構成され、メモリ１００Ｂから取得された情報を画像に変換して出力する。
【0017】
＜シミュレーション装置の構成＞
図２は、本開示の例示的な実施形態に係るシミュレーション装置１の構成を示す図である。シミュレーション装置１は、機械学習（ＡＩ）による学習・推論をシミュレーションすることが可能な装置である。
図２は、本開示の例示的な実施形態に係るシミュレーション装置１の構成を示す図である。シミュレーション装置１は、機械学習（ＡＩ）による学習・推論をシミュレーションすることが可能な装置である。
【0018】
シミュレーション装置１は、ファイル記憶部２と、ファイル読込み部３と、モデル記憶部４と、モデル演算部５と、モデル設定部６と、表示制御部７と、操作入力部８と、表示部９と、を備える。コンピュータ１００の補助記憶装置１００Ｃに格納されたプログラムＰ（図１）は、コンピュータ１００をシミュレーション装置１として機能させるためのプログラムである。
【0019】
ファイル記憶部２は、学習用ファイル２１およびテスト用ファイル２２を記憶し、コンピュータ１００の補助記憶装置１００Ｃにより構成される。学習用ファイル２１およびテスト用ファイル２２は、それぞれ一例としてExcel（登録商標）ファイルとして構成される。なお、ファイルは、例えばコンピュータ１００におけるＵＳＢインタフェースまたはネットワークインタフェース（いずれも図１で図示せず）を介してコンピュータ１００の外部から補助記憶装置１００Ｃに格納してもよい。
【0020】
学習用ファイル２１には、学習用データ２１０が含まれる。学習用データ２１０には、入力データ（Input data）２１Ａおよび教師データ（Training data）２１Ｂが含まれる。学習用データ２１０は、入力データ２１Ａと教師データ２１Ｂをそれぞれ機械学習モデル４０（後述）に入力・出力として供給することで、いわゆる教師あり学習を行うためのデータである。
【0021】
テスト用ファイル２２には、テスト用データ２２０が含まれる。テスト用データ２２０には、テスト入力データ（Test input data）２２Ａおよび期待データ（Expected data）２２Ｂが含まれる。テスト入力データ２２Ａを機械学習モデル４０に入力させて推論を行うことで推論データが機械学習モデル４０から出力される。出力された推論データは、期待データと比較される（後述する異常度の生成など）。
【0022】
ファイル読込み部３は、ファイル記憶部２から学習用ファイル２１およびテスト用ファイル２２を読み込む。
【0023】
モデル記憶部４は、機械学習モデル４０を記憶しており、コンピュータ１００の補助記憶装置１００Ｃにより構成される。機械学習モデル４０は、例えばMATLAB/Simulink（登録商標）によってプログラムＰとして構成される。機械学習モデル４０の具体例については後述する。
【0024】
ファイル読込み部３、モデル演算部５、モデル設定部６、および表示制御部７の各機能は、プログラムＰをＣＰＵ１００Ａが実行することにより実現される。なお、操作入力部８と表示部９は、それぞれコンピュータ１００における操作入力部１００Ｄと表示部１００Ｅに相当する。
【0025】
モデル演算部５は、モデル記憶部４に記憶された機械学習モデル４０の演算処理を行うことでシミュレーションを実行する。モデル設定部６は、モデル記憶部４に記憶された機械学習モデル４０に関する設定（学習・推論に使用するデータの設定、パラメータの設定、関数の種類の設定など）を操作入力部８からの入力に応じて行う。モデル演算部５によるシミュレーションは、モデル設定部６による設定内容に従って行われる。表示制御部７は、後述する設定画面などの各種画面を操作入力部８からの入力に応じて表示部９に表示させる制御を行う。
【0026】
例えば、産機分野の工場設備保全において、機械システムの状態管理保全に対して機械学習の適用が進んでいる。しかしながら、いざ目星を付けたＡＩアルゴリズムをユーザが試そうとしても、ＡＩベンダー等のＡＩの開発元にデータを提供する必要がある。多くの場合そのデータは製品および製造工程に関わる機密情報を含んでいるため開示が難しい。よって、従来は、ＡＩベンダー等の各種事例を参考にしたり、一般的なＡＩ性能のベンチマークとなっているオープン問題（例えば、ボストンの住宅価格予測、ディーゼル燃料の物性推定など）を解かせて、ユーザの問題および課題解決に適するかを判断するしかなかった。当然、そういったオープン問題はユーザの問題および課題と一致していないため、選定したＡＩアルゴリズムをユーザのデータに適用したときに、不適切あるいはあまり適してはいなかった等が後から明らかになることがよく起こる。これにより、ＡＩアルゴリズムから選び直すことになれば、ユーザ、ＡＩベンダー双方にとって不利益である。
【0027】
上記のようにユーザが取得したデータを使ってＡＩでどのようなことができるか試そうにも、データを外部（ＡＩベンダーあるいはＡＩソリューションを持つＩＣメーカ等）と共有する必要がある。つまり、機密情報であるデータを外部に出すリスクがある。また、データだけを提供しても適切に外部で解析してもらえるかは難しく、ユーザがデータ取得したドメインに対しての高度な知識がないと適切なＡＩパラメータの調整は難しい。ユーザからＡＩベンダー等にドメイン知識を伝えることも非常な手間となり、背景知識に差があるためコミュニケーションエラーも起きやすい。また、ユーザが取得したデータを、即日その場で解析することができない。
【0028】
上記のような状況に鑑み、本開示に係るシミュレーション装置１を使用すれば、ユーザが所有するデータを用いて、教師あり学習によるＡＩ効果を効果的に確認することが可能となる。これにより、例えば、機密情報のデータを外部に出すリスクがなくなったり、取得したデータをその場で解析できたりなどの効果を奏する。特に、本開示では、後述するように機械学習モデルに対する入力データおよび出力データの設定にチャンクという概念を導入し、複数種類の入力データを複数個ずつ入力するなどの設定が容易となっている。
【0029】
＜教師あり学習＞
ここで、教師あり学習について概要を説明する。図３は、教師あり学習を説明するための図である。教師あり学習では、機械学習モデル（ＡＩ）に対して入力として入力データ（Input data）、出力として教師データ（Training data）が与えられ、機械学習モデルのパラメータが学習される。その後、テスト入力データ（Test input data）が機械学習モデルに入力され、機械学習モデルにより推論された結果として推論データが出力される。出力された推論データは、期待データ（Expected data）と比較される。なお、図３および図４では、推論データは、期待データとの比較対象として、実際のデータ（Actual data）として図示されている。
ここで、教師あり学習について概要を説明する。図３は、教師あり学習を説明するための図である。教師あり学習では、機械学習モデル（ＡＩ）に対して入力として入力データ（Input data）、出力として教師データ（Training data）が与えられ、機械学習モデルのパラメータが学習される。その後、テスト入力データ（Test input data）が機械学習モデルに入力され、機械学習モデルにより推論された結果として推論データが出力される。出力された推論データは、期待データ（Expected data）と比較される。なお、図３および図４では、推論データは、期待データとの比較対象として、実際のデータ（Actual data）として図示されている。
【0030】
図４は、教師あり学習のタスクの一例である未来予測について説明するための図である。ここでは、オリジナルデータ（Original data）を、時系列の前半の入力データと後半の学習データとに分割する。そして、入力データおよび学習データを用いて機械学習モデルによる学習を行う。その後、時系列の前半であるテスト入力データを機械学習モデルに入力させることで、機械学習モデルから時系列の後半の実際のデータ（推論データ）が出力される。このように、時系列の前半のデータに基づき後半のデータを予測することができる。出力された実際のデータは、期待データと比較される。
【0031】
＜ＧＵＩ＞
次に、本実施形態に係るシミュレーション装置１におけるシミュレーションに関する設定を可能とするＧＵＩ（Graphical User Interface）について説明する。以下に説明する各種設定画面の例は、表示制御部７（図２）によって表示部９に表示される。各種設定画面における選択および設定、あるいは画面の切替えなどは操作入力部８による入力に基づいて行われる。各種設定画面において設定される内容は、モデル設定部６により設定される。
次に、本実施形態に係るシミュレーション装置１におけるシミュレーションに関する設定を可能とするＧＵＩ（Graphical User Interface）について説明する。以下に説明する各種設定画面の例は、表示制御部７（図２）によって表示部９に表示される。各種設定画面における選択および設定、あるいは画面の切替えなどは操作入力部８による入力に基づいて行われる。各種設定画面において設定される内容は、モデル設定部６により設定される。
【0032】
＜＜学習用ファイルの読み込み＞＞
プログラムＰを起動させると、図５に示す第１設定画面が表示される。第１設定画面は、学習用データを設定するための画面である。第１設定画面の上方には、タブＴＢが左右に並んで表示される。タブＴＢを押すことで設定画面を切り替えることができる。図５は、“1.Training data”のタブＴＢが押された状態である。
プログラムＰを起動させると、図５に示す第１設定画面が表示される。第１設定画面は、学習用データを設定するための画面である。第１設定画面の上方には、タブＴＢが左右に並んで表示される。タブＴＢを押すことで設定画面を切り替えることができる。図５は、“1.Training data”のタブＴＢが押された状態である。
【0033】
第１設定画面には、学習用ファイルを選択するための選択ボタンＢＴ１が表示される。選択ボタンＢＴ１を押すことで、図６に示すダイアログボックスが表示される。ダイアログボックスでは、選択部ＳＡ１においてファイル名が一覧で表示される。選択部ＳＡ１において選択されたファイル名が下方のファイル名表示部ＤＡ１に表示される。ダイアログボックスにおいて、決定ボタンＢＴ２が押されると、ファイル名表示部ＤＡ１に表示されたファイル名のファイルがファイル読込み部３によって読み込まれる。ここでは、拡張子がxlsxのExcelファイルを選択することができる。
【0034】
ここで、図７は、学習用ファイルのデータ例を示す図である。Excelファイルである学習用ファイルのセルに書き込まれたデータ値の例が図示されている。１列目は、データＮｏ．を示し、２列目（Ａ列）は０以上、１未満の実数乱数を示し、３列目（Ｂ列）は０以上、１未満の実数乱数を示し、４列目（Ｃ列）は同行のＡ列、Ｂ列の値の和を示し、５列目（Ｄ列）は同行のＡ列、Ｂ列の各値の二乗の和を示す。Ａ列およびＢ列のデータが入力データとなり、Ｃ列およびＤ列のデータが教師データとなる。入力データと教師データともに、一例として行数は５００行としている。以下、このような学習用ファイルが読み込まれるものとして説明する。
【0035】
学習用ファイルが読み込まれると、図８に示すように第１設定画面における学習用データ表示部ＤＡ２において、読み込まれた学習用ファイルに含まれるデータが表形式で表示される。なお、図７のように学習用ファイルの１行目に変数名が入力されている場合は、その１行目は無視されてデータが読み込まれる。これにより、ユーザはデータが正しく読み込まれているかを確認できる。また、読み込まれたデータの行数が行数表示部ＤＡ３に表示され、読み込まれたデータの列数が列数表示部ＤＡ４に表示される。
【0036】
第１設定画面（図８）の中央には、チャンク設定部ＳＴ１が表示される。チャンクは、機械学習モデル４０に逐次供給するときの１回分のデータの塊である。チャンク設定部ＳＴ１には、入力データ設定部ＳＴ１１と教師データ設定部ＳＴ１２が含まれる。
【0037】
入力データ設定部ＳＴ１１においては、列番号設定部ＳＴ１１１と、行数設定部ＳＴ１１２と、列数表示部ＳＴ１１３が含まれる。列番号設定部ＳＴ１１１には、入力データの先頭列を示す読み込まれたデータにおける列番号を入力可能である。行数設定部ＳＴ１１２には、読み込まれたデータにおける入力データの１つのチャンクの行数を入力可能である。列数設定部ＳＴ１１３には、読み込まれたデータにおける入力データの１つのチャンクの列数を入力可能である。
【0038】
図８の例では、列番号設定部ＳＴ１１１に「２」、行数設定部ＳＴ１１２に「５」、列数設定部ＳＴ１１３に「２」が入力されている。これにより、図９に示すように、読み込まれたデータＲＤＴの２列目が入力データの先頭列に設定され、５行２列のデータの塊が１つのチャンクに設定される。
【0039】
教師データ設定部ＳＴ１２においては、列番号設定部ＳＴ１２１と、行数設定部ＳＴ１２２と、列数表示部ＳＴ１２３が含まれる。列番号設定部ＳＴ１２１には、教師データの先頭列を示す読み込まれたデータにおける列番号を入力可能である。行数設定部ＳＴ１２２には、読み込まれたデータにおける教師データの１つのチャンクの行数を入力可能である。列数設定部ＳＴ１２３には、読み込まれたデータにおける教師データの１つのチャンクの列数を入力可能である。
【0040】
図１０の例では、列番号設定部ＳＴ１２１に「４」、行数設定部ＳＴ１２２に「５」、列数設定部ＳＴ１２３に「２」が入力されている。これにより、図１０に示すように、読み込まれたデータＲＤＴの４列目が教師データの先頭列に設定され、５行２列のデータの塊が１つのチャンクに設定される。
【0041】
チャンク設定部ＳＴ１にはチャンク数設定部ＳＴ１３が含まれる。チャンク数設定部ＳＴ１３には、入力データおよび教師データそれぞれのチャンク数が入力可能である。入力データと教師データでチャンク数は同じである必要がある。図８の例では、チャンク数が「１００」として設定されている。これにより、図９および図１０に示すように、１００個のチャンクが設定される。なお、図８では行数設定部ＳＴ１１２とＳＴ１２２の値が同じであるが、異なる値を設定してもよい。また、図８では列数設定部ＳＴ１１３とＳＴ１２３の値が同じであるが、異なる値を設定してもよい。
【0042】
チャンク設定部ＳＴ１において値が入力された状態でチェックボタンＢＴ３が押されると、図１１に示すような画面表示となる。ここでは、入力データ設定部ＳＴ１１における設定内容に応じて設定される入力データの先頭のチャンクがチャンク表示部ＤＡ５に表示される。また、教師データ設定部ＳＴ１２における設定内容に応じて設定される教師データの先頭のチャンクがチャンク表示部ＤＡ６に表示される。また、ノード数表示部ＤＡ７においては、機械学習モデル４０の入力ノード数と出力ノード数が表示される。入力ノード数は、入力データの１つのチャンクに含まれるデータ数である。出力ノード数は、教師データの１つのチャンクに含まれるデータ数である。これにより、図１１の例では、入力ノード数と出力ノード数ともに「１０」と表示されている。
【0043】
＜＜テスト用ファイルの読み込み＞＞
第１設定画面において“2.Test data”のタブＴＢが押されると、図１２に示すような第２設定画面が表示される。第２設定画面には、テスト用ファイルを選択するための選択ボタンＢＴ４が表示される。選択ボタンＢＴ４を押すことで、図１３に示すダイアログボックスが表示される。ダイアログボックスでは、選択部ＳＡ２においてファイル名が一覧で表示される。選択部ＳＡ２において選択されたファイル名が下方のファイル名表示部ＤＡ８に表示される。ダイアログボックスにおいて、決定ボタンＢＴ８が押されると、ファイル名表示部ＤＡ８に表示されたファイル名のファイルがファイル読込み部３によって読み込まれる。ここでは、拡張子がxlsxのExcelファイルを選択することができる。
第１設定画面において“2.Test data”のタブＴＢが押されると、図１２に示すような第２設定画面が表示される。第２設定画面には、テスト用ファイルを選択するための選択ボタンＢＴ４が表示される。選択ボタンＢＴ４を押すことで、図１３に示すダイアログボックスが表示される。ダイアログボックスでは、選択部ＳＡ２においてファイル名が一覧で表示される。選択部ＳＡ２において選択されたファイル名が下方のファイル名表示部ＤＡ８に表示される。ダイアログボックスにおいて、決定ボタンＢＴ８が押されると、ファイル名表示部ＤＡ８に表示されたファイル名のファイルがファイル読込み部３によって読み込まれる。ここでは、拡張子がxlsxのExcelファイルを選択することができる。
【0044】
ここで、図１４は、テスト習用ファイルのデータ例を示す図である。Excelファイルであるテスト用ファイルのセルに書き込まれたデータ値の例が図示されている。１列目は、データＮｏ．を示し、２列目（Ａ列）は０以上、１未満の実数乱数を示し、３列目（Ｂ列）は０以上、１未満の実数乱数を示し、４列目（Ｃ列）は同行のＡ列、Ｂ列の値の和を示し、５列目（Ｄ列）は同行のＡ列、Ｂ列の各値の二乗の和を示す。Ａ列およびＢ列のデータがテスト入力データとなり、Ｃ列およびＤ列のデータが期待データとなる。テスト入力データと期待データともに、一例として行数は５００行としている。以下、このようなテスト用ファイルが読み込まれるものとして説明する。
【0045】
テスト用ファイルが読み込まれると、図１５に示すように第２設定画面におけるテスト用データ表示部ＤＡ９において、読み込まれたテスト用ファイルに含まれるデータが表形式で表示される。なお、図１４のようにテスト用ファイルの１行目に変数名が入力されている場合は、その１行目は無視されてデータが読み込まれる。これにより、ユーザはデータが正しく読み込まれているかを確認できる。また、読み込まれたデータの行数が行数表示部ＤＡ１０に表示され、読み込まれたデータの列数が列数表示部ＤＡ１１に表示される。
【0046】
第２設定画面（図１５）の中央には、チャンク設定部ＳＴ２が表示される。チャンク設定部ＳＴ２には、テスト入力データ設定部ＳＴ２１と期待データ設定部ＳＴ２２が含まれる。
【0047】
テスト入力データ設定部ＳＴ２１においては、列番号設定部ＳＴ２１１と、行数設定部ＳＴ２１２と、列数表示部ＳＴ２１３が含まれる。列番号設定部ＳＴ２１１には、テスト入力データの先頭列を示す読み込まれたデータにおける列番号が入力可能である。行数設定部ＳＴ２１２には、読み込まれたデータにおけるテスト入力データの１つのチャンクの行数が表示される。当該行数は、入力データの１つのチャンクの設定行数（行数設定部ＳＴ１１２に入力）と一致する。列数設定部ＳＴ２１３には、読み込まれたデータにおけるテスト入力データの１つのチャンクの列数が表示される。当該列数は、入力データの１つのチャンクの設定列数（列数設定部ＳＴ１１３に入力）と一致する。
【0048】
図１５の例では、列番号設定部ＳＴ２１１に「２が入力され、行数設定部ＳＴ２１２に「５」、列数設定部ＳＴ２１３に「２」が表示されている。これにより、図１６に示すように、読み込まれたデータＲＤＴの２列目がテスト入力データの先頭列に設定され、５行２列のデータの塊が１つのチャンクに設定される。
【0049】
期待データ設定部ＳＴ２２においては、列番号設定部ＳＴ２２１と、行数設定部ＳＴ２２２と、列数表示部ＳＴ２２３が含まれる。列番号設定部ＳＴ２２１には、期待データの先頭列を示す読み込まれたデータにおける列番号を入力可能である。行数設定部ＳＴ２２２には、読み込まれたデータにおける期待データの１つのチャンクの行数が表示される。列数設定部ＳＴ２２３には、読み込まれたデータにおける期待データの１つのチャンクの列数が表示される。
【0050】
図１５の例では、列番号設定部ＳＴ２２１に「４」が入力され、行数設定部ＳＴ２２２に「５」、列数設定部ＳＴ２２３に「２」が表示されている。これにより、図１７に示すように、読み込まれたデータＲＤＴの４列目が教師データの先頭列に設定され、５行２列のデータの塊が１つのチャンクに設定される。
【0051】
チャンク設定部ＳＴ２にはチャンク数設定部ＳＴ２３が含まれる。チャンク数設定部ＳＴ２３には、テスト入力データおよび期待データそれぞれのチャンク数が入力可能である。テスト入力データと期待データでチャンク数は同じである必要がある。図１５の例では、チャンク数が「１００」として設定されている。これにより、図１６および図１７に示すように、１００個のチャンクが設定される。
【0052】
チャンク設定部ＳＴ２において値が入力された状態でチェックボタンＢＴ６が押されると、図１１に示すような画面表示となる。ここでは、テスト入力データ設定部ＳＴ２１における設定内容に応じて設定されるテスト入力データの先頭のチャンクがチャンク表示部ＤＡ１２に表示される。また、期待データ設定部ＳＴ２２における設定内容に応じて設定される教師データの先頭のチャンクがチャンク表示部ＤＡ１３に表示される。
。
。
【0053】
＜＜機械学習モデルの設定とシミュレーション＞＞
第２設定画面において“3.AI Settings and Sim”のタブＴＢが押されると、図１９に示すような第３設定画面が表示される。第３設定画面は、機械学習モデル（ＡＩ）４０のパラメータ設定、シミュレーション実行、およびシミュレーション結果確認のための画面である。
第２設定画面において“3.AI Settings and Sim”のタブＴＢが押されると、図１９に示すような第３設定画面が表示される。第３設定画面は、機械学習モデル（ＡＩ）４０のパラメータ設定、シミュレーション実行、およびシミュレーション結果確認のための画面である。
【0054】
ここで、機械学習モデル４０の一例について説明する。機械学習モデル４０で用いるＡＩモデルとして、例えば、図２０に示すような３層ニューラルネットワーク１０を用いる。
【0055】
図２０に示すように、３層ニューラルネットワーク１０は、入力層１０Ａと、隠れ層１０Ｂと、出力層１０Ｃと、を有するＡＩモデルである。一般に、３層ニューラルネットワーク１０において、バッチサイズｋのｎ次元の入力データｘ∈Ｒｋ×ｎに対して、ｎ’次元の推論結果ｙ∈Ｒｋ×ｎ’は、ｙ＝Ｇ（ｘ・α＋ｂ）βとして得られる。ここで、α∈Ｒｎ×ｍは入力層１０Ａと隠れ層１０Ｂとを結合する重みであり、β∈Ｒｍ×ｎ’は隠れ層１０Ｂと出力層１０Ｃとを結合する重みである。また、ｂ∈Ｒｍは、隠れ層１０Ｂのバイアスであり、Ｇは隠れ層１０Ｂの活性化関数である。
【0056】
本実施形態では、３層ニューラルネットワーク１０を任意のバッチサイズで逐次的に学習できるアルゴリズムを用いる。バッチサイズｋｉのｉ番目の学習データ｛ｘｉ∈Ｒｋi×ｎ, ｔｉ∈Ｒｋi×ｎ’｝が得られた場合、下記（１）式で示される誤差を最小化するβｉを求める必要がある。
なお、ｉ番目の隠れ層行列Ｈｉ＝Ｇ（ｘｉ・α＋ｂ）である。また、ｔは、推論結果ｙに対応する教師データである。
【数1】
なお、ｉ番目の隠れ層行列Ｈｉ＝Ｇ（ｘｉ・α＋ｂ）である。また、ｔは、推論結果ｙに対応する教師データである。
【0057】
最適化された重みβｉは、下記（２）式により計算される。
Ｐｉ＝Ｐｉ－１－Ｐｉ－１Ｈｉ T（Ｉ＋ＨｉＰｉ－１Ｈｉ T）－１ＨｉＰｉ－１
βｉ＝βｉ－１＋ＰｉＨｉ T（ｔｉ－Ｈｉβｉ－１） （２）
Ｐｉ＝Ｐｉ－１－Ｐｉ－１Ｈｉ T（Ｉ＋ＨｉＰｉ－１Ｈｉ T）－１ＨｉＰｉ－１
βｉ＝βｉ－１＋ＰｉＨｉ T（ｔｉ－Ｈｉβｉ－１） （２）
【0058】
ここで、Ｐ０とβ０については、下記（３）式により得られる。
Ｐ０＝（Ｈ０ TＨ０）－１
β０＝Ｐ０Ｈ０ Tｔ０ （３）
Ｐ０＝（Ｈ０ TＨ０）－１
β０＝Ｐ０Ｈ０ Tｔ０ （３）
【0059】
学習のアルゴリズムは次のようになる。
（１）重みα、およびバイアスｂの値を乱数により初期化する。
（２）ｘ０に対するＨ０を算出し、Ｐ０およびβ０を算出する。
（３）バッチサイズｋｉのｉ番目の学習データが得られるたびに、Ｐｉおよびβｉを逐次算出する。なお、（３）式におけるβ０の算出式を用いずに、乱数により初期化した値をβ０としてもよい。
（１）重みα、およびバイアスｂの値を乱数により初期化する。
（２）ｘ０に対するＨ０を算出し、Ｐ０およびβ０を算出する。
（３）バッチサイズｋｉのｉ番目の学習データが得られるたびに、Ｐｉおよびβｉを逐次算出する。なお、（３）式におけるβ０の算出式を用いずに、乱数により初期化した値をβ０としてもよい。
【0060】
図１９に示す第３設定画面においては、ＡＩパラメータ設定部ＳＴ３が表示される。ＡＩパラメータ設定部ＳＴ３には、入力ノード数設定部ＳＴ３１、隠れ層ノード数設定部ＳＴ３２、および出力ノード数設定部ＳＴ３３が含まれる。入力ノード数設定部ＳＴ３１では、入力層１０Ａのノード数（すなわち上記のｎの値）が表示される。入力層のノード数は、入力データの１つのチャンクの行数と列数の乗算で算出される。隠れ層ノード数設定部ＳＴ３３は、隠れ層１０Ｂのノード数（すなわち上記のｍの値）を入力可能である。出力ノード数設定部ＳＴ３３では、出力層１０Ｃのノード数（すなわち上記のｎ’の値）が表示される。出力層のノード数は、教師データの１つのチャンクの行数と列数の乗算で算出される。すなわち、１つのチャンクのデータは、バッチサイズが１のデータに相当する。
【0061】
ＡＩパラメータ設定部ＳＴ３には、活性化関数設定部ＳＴ３４、損失関数設定部ＳＴ３５、および忘却率設定部ＳＴ３６も含まれる。活性化関数設定部ＳＴ３４では、隠れ層１０Ｂの活性化関数の種類を選択可能である。活性化関数は、例えばＳｉｇｍｏｉｄあるいはＲｅＬＵなどを設定可能である。
【0062】
損失関数設定部ＳＴ３５では、機械学習モデル４０において異常度を算出するために用いられる損失関数の種類を選択可能である。損失関数は、例えばＭＡＥあるいはＭＳＥを設定可能である。損失関数がＭＡＥの場合、損失関数Ｌは、下記（４）式のように表される。
また、。損失関数がＭＳＥの場合、損失関数Ｌは、下記（５）式のように表される。
【数4】
また、。損失関数がＭＳＥの場合、損失関数Ｌは、下記（５）式のように表される。
【数5】
【0063】
忘却率設定部ＳＴ３６では、忘却率の値を入力可能である。忘却率は、学習結果を忘れる程度を表すパラメータである。学習結果を反映しない方法としては、例えば過去の学習結果を使用する、学習結果を初期化するなどが挙げられる。忘却率＝１は、以前の学習結果を全く忘れないことを表し、忘却率＝０は、全て忘れることを表す。
【0064】
以上の設定画面によってすべての設定項目の設定が完了し、シミュレーション開始ボタンＢＴ７が押し下げられると、モデル演算部５は、モデル設定部６により設定された内容に従ってシミュレーションを実行する。ここでは、入力データおよび教師データのそれぞれのチャンクが逐次、機械学習モデル４０に供給され、先述のアルゴリズムによってβが逐次更新されて学習が行われる。学習中には入力データを機械学習モデル４０に入力した場合の推論も行われる。推論結果は、入力データのチャンクごとに算出される。また、すべての入力データが供給されて学習が完了した後には、テスト入力データを機械学習モデル４０に入力した場合の推論も行われる。推論結果は、テスト入力データのチャンクごとに算出される。ここでの推論結果は、期待データと比較される。
【0065】
シミュレーションが完了後、図１９に示すように第３設定画面におけるテスト結果表示部ＴＡ１にテスト結果が表示される。
【0066】
テスト結果表示部ＴＡ１においては、異常度表示部ＴＡ１１，ＴＡ１２が表示される。異常度表示部ＴＡ１１においては、テストＮｏ．とテストスコアが対応して表形式で表示される。テストＮｏ．は、期待データのチャンク番号に相当する。すなわち、テストＮｏ．の最大値は、チャンクの個数である。テストスコアは、異常度に相当し、期待データのチャンクごとの推論結果と期待データに基づく損失関数の値である。異常度表示部ＴＡ１２においては、異常度表示部ＴＡ１１で表示されるテストＮｏ．を横軸、テストスコアを縦軸としたグラフ形式で異常度を表示する。
【0067】
また、テスト結果表示部ＴＡ１においては、誤差表示部ＴＡ１３，ＴＡ１４も表示される。誤差表示部ＴＡ１３においては、行番号（Row No.）、期待データ（y_expected）、推論データ（y_actual）、および誤差errorが表形式で表示される。行番号は、テスト用ファイルを読み込んだ際の読み込まれた期待データの行番号であり、期待データは行番号に対応する期待データであり、推論データは期待データに対応する推論結果である。誤差は、推論データと期待データとの誤差であり、下記（６）式により算出される。図１９の例では、誤差はerror_1とerror_2が表示される。
【数6】
【0068】
誤差表示部ＴＡ１４においては、誤差表示部ＴＡ１３で表示される行番号を横軸、誤差を縦軸としたグラフ形式で異常度を表示する。
【0069】
第３設定画面においては、”Training”のタブＴＢ２を押すことで、学習結果表示部ＴＡ２に切り替えることができる（図２１）。学習結果表示部ＴＡ２においては、異常度（学習度）表示部ＴＡ２１，ＴＡ２２が表示される。異常度表示部ＴＡ２１においては、学習Ｎｏ．（Training No.）と学習スコア（Training SCORE）が対応して表形式で表示される。学習Ｎｏ．は、教師データのチャンク番号に相当する。すなわち、学習Ｎｏ．の最大値は、チャンクの個数である。学習スコアは、異常度に相当し、教師データのチャンクごとの推論結果と教師データに基づく損失関数の値である。異常度表示部ＴＡ２２においては、異常度表示部ＴＡ２１で表示される学習Ｎｏ．を横軸、学習スコアを縦軸としたグラフ形式で異常度を表示する。
【0070】
また、学習結果表示部ＴＡ２においては、誤差表示部ＴＡ２３，ＴＡ２４も表示される。誤差表示部ＴＡ２３においては、行番号（Row No.）、教師データ（y_training）、推論データ（y_actual）、および誤差errorが表形式で表示される。行番号は、学習用ファイルを読み込んだ際の読み込まれた教師データの行番号であり、教師データは行番号に対応する教師データであり、推論データは教師データに対応する推論結果である。誤差は、推論データと教師データとの誤差であり、下記（７）式により算出される。図２１の例では、誤差はerror_1とerror_2が表示される。
【数7】
【0071】
誤差表示部ＴＡ２４においては、誤差表示部ＴＡ２３で表示される行番号を横軸、誤差を縦軸としたグラフ形式で異常度を表示する。
【0072】
＜＜シミュレーション結果の保存＞＞
“Save”のタブＴＢを押し下げると、シミュレーション結果を保存する保存画面が図２２のように表示される。保存画面においては、保存するファイル名を指定できるファイル名設定部ＦＡ１が表示される。ファイル名設定部ＦＡ１においては、ファイル名の先頭文字を入力可能である。図２２では一例として、先頭文字の後の文字列は、”_yymmdd_HHMM_SS_***”となっている。ファイルは、拡張子が.xlsxであり、Excelファイルとして保存される。図２２の例では、ファイル名設定部ＦＡ１に”data”が入力されている。
“Save”のタブＴＢを押し下げると、シミュレーション結果を保存する保存画面が図２２のように表示される。保存画面においては、保存するファイル名を指定できるファイル名設定部ＦＡ１が表示される。ファイル名設定部ＦＡ１においては、ファイル名の先頭文字を入力可能である。図２２では一例として、先頭文字の後の文字列は、”_yymmdd_HHMM_SS_***”となっている。ファイルは、拡張子が.xlsxであり、Excelファイルとして保存される。図２２の例では、ファイル名設定部ＦＡ１に”data”が入力されている。
【0073】
保存画面においては、下方に保存されるデータ内容が表示される。図２２では、”_yymmdd_HHMM_SS_1”を含むファイル名のファイルでは、先述した誤差表示部ＴＳ２３に表示される行番号（Row No.）、教師データ（y_training）、推論データ（y_actual）、および誤差errorが保存されることが示される。また、”_yymmdd_HHMM_SS_2”を含むファイル名のファイルでは、先述した誤差表示部ＴＳ１３に表示される行番号（Row No.）、期待データ（y_expected）、推論データ（y_actual）、および誤差errorが保存されることが示される。
【0074】
ファイル名設定部ＦＡ１に入力された状態で保存ボタンＢＴ８が押されると、図２３に示すようなダイアログボックスが表示される。ダイアログボックスでは、選択部ＳＡ３においてフォルダ名が一覧で表示される。選択部ＳＡ３において選択されたフォルダ名が下方のフォルダ名表示部ＤＡ１４に表示される。ダイアログボックスにおいて、決定ボタンＢＴ９が押されると、フォルダ名表示部ＤＡ１４に表示されたフォルダ名のフォルダに、ファイルが保存される。
【0075】
以上のように、本実施形態では、教師あり学習のＡＩ効果を確認するために適したＧＵＩを実現しており、ユーザにとって利便性が向上される。
【0076】
＜変形例＞
図２４は、変形例に係る第３設定画面を示す図である。本変形例では、先述した実施形態に係る図１９の第３設定画面におけるＡＩパラメータ設定部ＳＴ３において、学習繰り返し数設定部ＳＴ３７が追加されている。
図２４は、変形例に係る第３設定画面を示す図である。本変形例では、先述した実施形態に係る図１９の第３設定画面におけるＡＩパラメータ設定部ＳＴ３において、学習繰り返し数設定部ＳＴ３７が追加されている。
【0077】
学習繰り返し数設定部ＳＴ３７では、学習を繰り返す回数を入力可能である。学習繰り返し数設定部ＳＴ３７に入力された状態でシミュレーション開始ボタンＢＴ７が押されると、入力データのすべてのチャンクを用いた学習が学習繰り返し数設定部ＳＴ３７に設定された回数だけ繰り返される。すなわち、最後のチャンクまで使用された場合、先頭のチャンクに戻って学習が再開される。これにより、図２４に示すように、異常度表示部ＴＡ２２においては、学習の繰り返しの様子が表示される。このような変形例によれば、入力データおよび教師データを増やすことなく、異常度（学習度）が平坦な状態に近づくように学習することができる。
【0078】
＜満充電容量のシミュレーション＞
ここでは、シミュレーション装置１を用いたシミュレーションの事例として、バッテリの充放電サイクル試験時の満充電容量の劣化シミュレーションについて述べる。シミュレーションを行うにあたり、下記のような仮定を設けた。
仮定１：バッテリの満充電容量ＦＣが５００サイクルで８０％程度に線形に劣化（減少）する。
仮定２：温度Ｔおよび放電電流Ｉｂが大きいほど劣化が早くなる。
そこで、下記（８）式によって満充電容量ＦＣが１０サイクルごとに更新されるとした。
ＦＣ＝ＦＣ×（１－０．０５×Ｒａｎｄ（）－Ｉｂ×０．０１－Ｔ×０．０００３） （８）
ただし、Ｒａｎｄ（）は、ランダム関数である。
ここでは、シミュレーション装置１を用いたシミュレーションの事例として、バッテリの充放電サイクル試験時の満充電容量の劣化シミュレーションについて述べる。シミュレーションを行うにあたり、下記のような仮定を設けた。
仮定１：バッテリの満充電容量ＦＣが５００サイクルで８０％程度に線形に劣化（減少）する。
仮定２：温度Ｔおよび放電電流Ｉｂが大きいほど劣化が早くなる。
そこで、下記（８）式によって満充電容量ＦＣが１０サイクルごとに更新されるとした。
ＦＣ＝ＦＣ×（１－０．０５×Ｒａｎｄ（）－Ｉｂ×０．０１－Ｔ×０．０００３） （８）
ただし、Ｒａｎｄ（）は、ランダム関数である。
【0079】
同じ温度Ｔおよび同じ放電電流Ｉｂの条件で１００サイクル分の満充電容量ＦＣ１を上記（８）式で求め、当該温度Ｔ、放電電流Ｉｂ、サイクル、および満充電容量ＦＣ１を１つのチャンクの入力データとする。このときの１００サイクル後の５００サイクル分の満充電容量ＦＣ２を上記（８）式で求め、当該満充電容量ＦＣ２を１つのチャンクの教師データとする。
【0080】
一例として温度Ｔを０℃、１５℃、２５℃、４５℃、６０℃とし、放電電流Ｉｂを０．１Ａ、０．２Ａ、０．３５Ａとして温度Ｔと放電電流Ｉｂの計１５通りの組み合わせで入力データを作成し、当該入力データに対応した教師データを作成した。このように作成された学習用データを図２５に示す。入力データＣＨ１と教師データＣＨ１０が対応し、入力データＣＨ２と教師データＣＨ２０が対応し、以降同様となる。入力データの１つのチャンクの行数は１０、列数は４となり、教師データの１つのチャンクの行数は５０、列数は１となる。チャンク数は１５となる。
【0081】
このような学習用データを機械学習モデル４０に供給することで学習を行うことができる。テスト用データとしては、入力データと同様に同じ温度Ｔおよび同じ放電電流Ｉｂの条件で１００サイクル分の満充電容量ＦＣ１を上記（８）式で求め、当該温度Ｔ、放電電流Ｉｂ、サイクル、および満充電容量ＦＣ１を１つのチャンクのテスト入力データとする。このときの１００サイクル後の５００サイクル分の満充電容量ＦＣ２を上記（８）式で求め、当該満充電容量ＦＣ２を１つのチャンクの期待データとする。
【0082】
上記のようなテスト用データを用いることで、テスト入力データをチャンクごとに機械学習モデル４０に入力させて満充電容量の推論を行い、推論結果を期待データと比較することができる。従って、図２６に示すように、１００サイクル分の満充電容量から未来の５００サイクル分の満充電容量を推定することができ、推定精度を確認できる。
【0083】
＜その他＞
なお、本明細書中に開示されている種々の技術的特徴は、上記実施形態のほか、その技術的創作の主旨を逸脱しない範囲で種々の変更を加えることが可能である。すなわち、上記実施形態は、全ての点で例示であって制限的なものではないと考えられるべきであり、本発明の技術的範囲は、上記実施形態に限定されるものではなく、特許請求の範囲と均等の意味および範囲内に属する全ての変更が含まれると理解されるべきである。
なお、本明細書中に開示されている種々の技術的特徴は、上記実施形態のほか、その技術的創作の主旨を逸脱しない範囲で種々の変更を加えることが可能である。すなわち、上記実施形態は、全ての点で例示であって制限的なものではないと考えられるべきであり、本発明の技術的範囲は、上記実施形態に限定されるものではなく、特許請求の範囲と均等の意味および範囲内に属する全ての変更が含まれると理解されるべきである。
【0084】
例えば、上記実施形態では、行数と列数によって２次元的にチャンクを設定したが、３次元以上でチャンクを設定するようにしてもよい。
【0085】
＜付記＞
以上のように、本開示の一態様に係るシミュレーション装置（１）は、
学習および推論を行うように構成される機械学習モデル（４０）が記憶されたモデル記憶部（４）と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部（５）と、
操作入力部（８）と、
学習用データ（２１０）およびテスト用データ（２２０）を読み込むように構成される読込み部（３）と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部（６）と、
を備え、
前記機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、
前記モデル設定部は、読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行い、かつ、読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行い、
前記モデル演算部は、前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行い、前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行い、前記推論の結果と前記第４チャンクとの比較を演算する構成としている（第１の構成）。
以上のように、本開示の一態様に係るシミュレーション装置（１）は、
学習および推論を行うように構成される機械学習モデル（４０）が記憶されたモデル記憶部（４）と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部（５）と、
操作入力部（８）と、
学習用データ（２１０）およびテスト用データ（２２０）を読み込むように構成される読込み部（３）と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部（６）と、
を備え、
前記機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、
前記モデル設定部は、読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行い、かつ、読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行い、
前記モデル演算部は、前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行い、前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行い、前記推論の結果と前記第４チャンクとの比較を演算する構成としている（第１の構成）。
【0086】
また、上記第１の構成において、前記モデル設定部は、読み込まれた前記学習用データにおいて、先頭列としての列番号、行数、および列数を設定することで前記第１チャンクおよび前記第２チャンクの設定が可能である構成としてもよい（第２の構成）。
【0087】
また、上記第１または第２の構成において、前記モデル設定部は、前記第１チャンクのチャンク数を設定可能であり、前記第１チャンクと前記第２チャンクのチャンク数は一致する構成としてもよい（第３の構成）。
【0088】
また、上記第１から第３のいずれかの構成において、前記モデル設定部は、読み込まれた前記テスト用データにおいて、先頭列としての列番号、行数、および列数を設定することで前記第３チャンクおよび前記第４チャンクの設定が可能である構成としてもよい（第４の構成）。
【0089】
また、上記第４の構成において、前記第１チャンクの行数および列数が設定されると、当該行数および列数とそれぞれ一致する前記第３チャンクの行数および列数を自動的に表示し、前記第２チャンクの行数および列数が設定されると、当該行数および列数とそれぞれ一致する前記第４チャンクの行数および列数を自動的に表示する制御を行うように構成される第１表示制御部を備える構成としてもよい（第５の構成）。
【0090】
また、上記第１から第５のいずれかの構成において、前記モデル設定部は、前記第３チャンクのチャンク数を設定可能であり、前記第３チャンクと前記第４チャンクのチャンク数は一致する構成としてもよい（第６の構成）。
【0091】
また、上記第１から第６のいずれかの構成において、前記モデル設定部は、前記機械学習モデルのニューラルネットワークに関する項目を設定可能である構成としてもよい（第７の構成）。
【0092】
また、上記第７の構成において、前記項目には、学習結果を忘れる程度を表すパラメータである忘却率が含まれる構成としてもよい（第８の構成）。
【0093】
また、上記第１から第８のいずれかの構成において、前記機械学習モデルによる学習中の推論結果と前記教師データとに基づく損失関数の値を前記第２チャンクごとに表示する制御を行うように構成される第２表示制御部を備える構成としてもよい（第９の構成）。
【0094】
また、上記第１から第９のいずれかの構成において、前記機械学習モデルによる学習中の推論結果と前記教師データとの差分の前記教師データに対する比率を誤差として表示する制御を行うように構成される第３表示制御部を備える構成としてもよい（第１０の構成）。
【0095】
また、上記第１から第１０のいずれかの構成において、前記テスト入力データを用いた前記機械学習モデルの推論結果と前記期待データとに基づく損失関数の値を前記第４チャンクごとに表示する制御を行うように構成される第４表示制御部を備える構成としてもよい（第１１の構成）。
【0096】
また、上記第１から第１１のいずれかの構成において、前記テスト用データを用いた前記機械学習モデルの推論結果と前記期待データとの差分の前記期待データに対する比率を誤差として表示する制御を行うように構成される第５表示制御部を備える構成としてもよい（第１２の構成）。
【0097】
また、上記第１から第１２のいずれかの構成において、前記モデル設定部は、全ての前記第１チャンクおよび前記第２チャンクを用いた学習を繰り返し行う繰り返し数を設定可能である構成としてもよい（第１３の構成）。
【0098】
また、上記第１から第１３のいずれかの構成において、設定された前記第１チャンクおよび前記第２チャンクのそれぞれの先頭のチャンクを表示する制御を行うように構成される第６表示制御部を備える構成としてもよい（第１４の構成）。
【0099】
また、上記第１から第１４のいずれかの構成において、読み込まれた前記学習用データを表示する制御を行うように構成される第７表示制御部を備える構成としてもよい（第１５の構成）。
【0100】
また、上記第１から第１５のいずれかの構成において、設定された前記第３チャンクおよび前記第４チャンクのそれぞれの先頭のチャンクを表示する制御を行うように構成される第８表示制御部を備える構成としてもよい（第１６の構成）。
【0101】
また、上記第１から第１６のいずれかの構成において、読み込まれた前記テスト用データを表示する制御を行うように構成される第９表示制御部を備える構成としてもよい（第１７の構成）。
【0102】
また、上記第１から第１７のいずれかの構成において、前記学習用データおよび前記テスト用データには、それぞれ前記入力データおよび前記テスト入力データとして、温度、放電電流、サイクル数、および満充電容量を含めることが可能であり、
前記学習用データおよび前記テスト用データには、それぞれ前記教師データおよび前記期待データとして、前記サイクル数の後のサイクルの満充電容量を含めることが可能である構成としてもよい（第１８の構成）。
前記学習用データおよび前記テスト用データには、それぞれ前記教師データおよび前記期待データとして、前記サイクル数の後のサイクルの満充電容量を含めることが可能である構成としてもよい（第１８の構成）。
【0103】
また、本開示の一態様に係るプログラム（Ｐ）は、コンピュータ（１００）を上記第１から第１８のいずれかの構成のシミュレーション装置として機能させるためのプログラムである。
【0104】
また、本開示の一態様に係るシミュレーション方法は、機械学習モデルにデータを逐次供給する場合の１回分のデータの塊をチャンクと称するとして、
学習用データを読み込む第１ステップと、
読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行う第２ステップと、
テスト用データを読み込む第３ステップと、
読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行う第４ステップと、
前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行う第５ステップと、
前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行う第６ステップと、
前記推論の結果と前記第４チャンクとの比較を演算する第７ステップと、を備える。
学習用データを読み込む第１ステップと、
読み込まれた前記学習用データに基づいて入力データのチャンクとしての第１チャンクと教師データのチャンクとしての第２チャンクに関する設定を行う第２ステップと、
テスト用データを読み込む第３ステップと、
読み込まれた前記テスト用データに基づいてテスト入力データのチャンクとしての第３チャンクと期待データのチャンクとしての第４チャンクに関する設定を行う第４ステップと、
前記第１チャンクと前記第２チャンクに基づいて前記機械学習モデルを用いた学習の演算を行う第５ステップと、
前記学習の結果と前記第３チャンクに基づいて前記機械学習モデルを用いた推論の演算を行う第６ステップと、
前記推論の結果と前記第４チャンクとの比較を演算する第７ステップと、を備える。
【産業上の利用可能性】
【0105】
本開示は、例えば、各種用途の教師あり学習シミュレーションに利用することができる。
に利用することが可能である。
に利用することが可能である。
【符号の説明】
【0106】
１ シミュレーション装置
２ ファイル記憶部
３ ファイル読込み部
４ モデル記憶部
５ モデル演算部
６ モデル設定部
７ 表示制御部
８ 操作入力部
９ 表示部
１０ ３層ニューラルネットワーク
１０Ａ 入力層
１０Ｂ 隠れ層
１０Ｃ 出力層
２１ 学習用ファイル
２１Ａ 入力データ
２１Ｂ 教師データ
２２ テスト用ファイル
２２Ａ テスト入力データ
２２Ｂ 期待データ
４０ 機械学習モデル
１００ コンピュータ
１００Ａ ＣＰＵ
１００Ｂ メモリ
１００Ｃ 補助記憶装置
１００Ｄ 操作入力部
１００Ｅ 表示部
２１０ 学習用データ
２２０ テスト用データ
Ｐ プログラム
２ ファイル記憶部
３ ファイル読込み部
４ モデル記憶部
５ モデル演算部
６ モデル設定部
７ 表示制御部
８ 操作入力部
９ 表示部
１０ ３層ニューラルネットワーク
１０Ａ 入力層
１０Ｂ 隠れ層
１０Ｃ 出力層
２１ 学習用ファイル
２１Ａ 入力データ
２１Ｂ 教師データ
２２ テスト用ファイル
２２Ａ テスト入力データ
２２Ｂ 期待データ
４０ 機械学習モデル
１００ コンピュータ
１００Ａ ＣＰＵ
１００Ｂ メモリ
１００Ｃ 補助記憶装置
１００Ｄ 操作入力部
１００Ｅ 表示部
２１０ 学習用データ
２２０ テスト用データ
Ｐ プログラム
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
