「機械学習を利用したサロゲートモデル化」のご紹介
複雑なシミュレーションモデルを“瞬時”に再現！－サロゲートモデル × Transformer－
計算負荷の高いシミュレーションを高速・高精度に再現する技術です。
弊社では、時系列データをもとに Transformer を活用した予測モデルを構築し、モデルベース開発やHIL試験などへの応用を推進しています。
カタログをご用意しております。
ページ下部のフォームにご回答後、ダウンロードリンクを記載したメールをお送りいたしますので、ぜひご活用ください。
弊社では、時系列データをもとに Transformer を活用した予測モデルを構築し、モデルベース開発やHIL試験などへの応用を推進しています。
カタログをご用意しております。
ページ下部のフォームにご回答後、ダウンロードリンクを記載したメールをお送りいたしますので、ぜひご活用ください。
概要
高精度なシミュレータはリアルな挙動解析を可能にする一方、計算負荷が課題となります。
動的応答を高精度かつリアルタイムで推定し、モデルベース開発やHIL試験に運用するための方法として、シミュレータの時系列データを用い、機械学習によりサロゲートモデルを構築する試みがさまざまな分野で提案されています。
弊社では、学習アルゴリズムを各種、取り扱っていますが、サロゲートモデルに関しては、Transformerを用いて時系列予測モデルを構築する方法をおすすめしています。
Transformerは、入力データの中で重要な関係性を見つける「自己注意機構（Self-Attention）」を持つ深層学習モデルです。
従来のRNNやLSTMでは、長い時系列データを扱う際に情報が失われやすいという課題がありましたが、Transformerは全ての時刻間の依存関係を直接計算できるため、長期予測にも高い性能を発揮します。
動的応答を高精度かつリアルタイムで推定し、モデルベース開発やHIL試験に運用するための方法として、シミュレータの時系列データを用い、機械学習によりサロゲートモデルを構築する試みがさまざまな分野で提案されています。
弊社では、学習アルゴリズムを各種、取り扱っていますが、サロゲートモデルに関しては、Transformerを用いて時系列予測モデルを構築する方法をおすすめしています。
Transformerは、入力データの中で重要な関係性を見つける「自己注意機構（Self-Attention）」を持つ深層学習モデルです。
従来のRNNやLSTMでは、長い時系列データを扱う際に情報が失われやすいという課題がありましたが、Transformerは全ての時刻間の依存関係を直接計算できるため、長期予測にも高い性能を発揮します。
＜特長＞
- 長距離依存の把握に優れた表現力
- 多様なデータ形式への柔軟な対応力
- 高速な学習、推論を実現する並列処理性能
- スケーラブルな設計性
- 転移学習によるデータ効率の向上
カタログダウンロード・お問合せ
フォーム回答後に、カタログのダウンロードリンクを記載したメールが送信されます。
MATLAB/Simulinkは、The Mathworks, Inc.の登録商標です。
LabVIEWは、National Instruments Corporationの商標です。
その他のブランド名や製品名は、それぞれ各社の商標または登録商標です。