1 |
1
적어도 하나의 프로세서에 의해 구동되는 목표 설계 장치의 동작 방법으로서,신경망 모델의 예측 속성 및 유전 알고리즘을 이용하여 새로운 설계 데이터를 포함하는 후보 설계들을 추출하고, 상기 신경망 모델의 재훈련이 필요한 경우, 상기 후보 설계들을 증강시켜 추가 훈련 데이터를 생성하며, 상기 추가 훈련 데이터를 이용하여 상기 신경망 모델을 전이 학습시키는 재훈련 과정을 반복하는 단계, 그리고재훈련 완료된 상기 신경망 모델의 예측 속성 및 유전 알고리즘을 이용하여 새로운 설계 데이터를 포함하는 최종 후보 설계들을 추출하고, 상기 최종 후보 설계들 중 적어도 하나를 목표 설계로 추출하는 단계를 포함하는 동작 방법
|
2 |
2
제1항에서,상기 재훈련 과정은상기 신경망 모델의 예측 속성을 기초로, 대량의 설계 데이터를 포함하는 훈련 데이터에서, 우수한 속성을 가지는 일부 설계 데이터를 교배장(mating pool)으로 선택하는 단계, 그리고유전 알고리즘 기반으로 상기 교배장 내 설계 데이터로부터 상기 새로운 설계 데이터를 생성하여 상기 후보 설계들을 추출하는 단계를 포함하는, 동작 방법
|
3 |
3
제2항에서,상기 일부 설계 데이터를 교배장으로 선택하는 단계는탐욕 샘플링 방법을 기초로, 상기 훈련 데이터 중에서 상기 교배장을 선택하는, 동작 방법
|
4 |
4
제1항에서,상기 재훈련 과정은상기 신경망 모델의 예측 한계에 도달한 상기 새로운 설계 데이터를 생성하는, 동작 방법
|
5 |
5
제1항에서,상기 재훈련 과정은시뮬레이션 해석 또는 실험을 통해 상기 후보 설계들을 검증하고, 검증 결과를 기초로 상기 신경망 모델의 재훈련이 필요한지 판단하는 단계를 포함하는, 동작 방법
|
6 |
6
제5항에서,상기 신경망 모델의 재훈련이 필요한지 판단하는 단계는상기 시뮬레이션 해석 또는 실험을 통해 획득한 상기 후보 설계들의 속성이 수렴하지 않거나, 상기 신경망 모델의 예측 속성과 차이가 있는 경우, 상기 신경망 모델의 재훈련이 필요하다고 판단하는, 동작 방법
|
7 |
7
제1항에서,상기 목표 설계로 추출하는 단계는재훈련 완료된 상기 신경망 모델의 예측 속성을 기초로, 상기 추가 훈련 데이터를 포함하는 훈련 데이터에서 우수한 속성을 가지는 일부 설계 데이터를 교배장으로 선택하는 단계, 알고리즘 기반으로 상기 교배장 내 설계 데이터로부터 상기 최종 후보 설계들을 추출하는 단계, 그리고상기 최종 후보 설계들의 속성을 기초로 상기 목표 설계를 결정하는 단계를 포함하는 동작 방법
|
8 |
8
제7항에서,상기 최종 후보 설계들의 속성은시뮬레이션 해석 또는 실험을 통해 획득되는, 동작 방법
|
9 |
9
제1항에서,상기 목표 설계는목표 속성을 가지는 물질 설계, 형상 설계, 또는 위상 설계인, 동작 방법
|
10 |
10
적어도 하나의 프로세서에 의해 구동되는 목표 설계 장치의 동작 방법으로서,대량의 설계 데이터를 포함하는 초기 학습 데이터를 기초로, 설계 데이터에 대한 속성을 예측하는 신경망 모델의 초기 훈련시키는 단계,상기 신경망 모델의 예측 영역에 목표 설계가 존재할 때까지, 추가 훈련 데이터를 이용하여 상기 신경망 모델을 전이 학습시키는 재훈련 과정을 반복하는 단계, 그리고재훈련 완료된 상기 신경망 모델의 예측 속성 및 유전 알고리즘을 이용하여 새로운 설계 데이터를 포함하는 후보 설계들을 추출하고, 상기 후보 설계들 중 적어도 하나를 목표 설계로 추출하는 단계를 포함하는, 동작 방법
|
11 |
11
제10항에서,상기 재훈련 과정은상기 신경망 모델의 예측 속성을 기초로, 대량의 설계 데이터를 포함하는 훈련 데이터에서, 우수한 속성을 가지는 일부 설계 데이터를 교배장(mating pool)으로 선택하는 단계, 유전 알고리즘 기반으로 상기 교배장 내 설계 데이터로부터 상기 새로운 설계 데이터를 생성하는 단계, 그리고상기 새로운 설계 데이터를 포함하는 후보 설계들을 증강시켜 상기 추가 훈련 데이터를 생성하는 단계를 포함하는, 동작 방법
|
12 |
12
제11항에서,상기 일부 설계 데이터를 교배장으로 선택하는 단계는탐욕 샘플링 방법으로 상기 훈련 데이터 중에서 상기 교배장을 선택하는, 동작 방법
|
13 |
13
제11항에서,상기 재훈련 과정은상기 신경망 모델의 예측 한계에 도달한 상기 새로운 설계 데이터를 생성하는, 동작 방법
|
14 |
14
제11항에서,상기 재훈련 과정은시뮬레이션 해석 또는 실험을 통해 상기 후보 설계들을 검증하고, 검증 결과를 기초로 상기 신경망 모델의 재훈련이 필요한지 판단하는 단계를 포함하는, 동작 방법
|
15 |
15
제14항에서,상기 신경망 모델의 재훈련이 필요한지 판단하는 단계는상기 시뮬레이션 해석 또는 실험을 통해 획득한 상기 후보 설계들의 속성이 수렴하지 않거나, 상기 신경망 모델의 예측 속성과 차이가 있는 경우, 상기 신경망 모델의 재훈련이 필요하다고 판단하는, 동작 방법
|
16 |
16
제10항에서,상기 후보 설계들 중 적어도 하나를 목표 설계로 추출하는 단계는재훈련 완료된 상기 신경망 모델의 예측 속성을 기초로, 상기 추가 훈련 데이터를 포함하는 훈련 데이터에서 우수한 속성을 가지는 일부 설계 데이터를 교배장으로 선택하는 단계, 알고리즘 기반으로 상기 교배장 내 설계 데이터로부터 상기 후보 설계들을 추출하는 단계, 그리고상기 후보 설계들의 속성을 기초로 상기 목표 설계를 결정하는 단계를 포함하는, 동작 방법
|
17 |
17
적어도 하나의 프로세서에 의해 동작하는 목표 설계 장치로서, 설계 데이터에 대한 속성을 예측하는 신경망 모델,대량의 설계 데이터를 포함하는 초기 훈련 데이터로 상기 신경망 모델을 훈련시키고, 전이 학습을 위한 추가 훈련 데이터를 이용하여 상기 신경망 모델을 재훈련시키는 훈련기, 그리고최종 후보 설계들이 결정될 때까지, 상기 신경망 모델의 예측 속성 및 유전 알고리즘(genetic algorithm) 기반으로 후보 설계들을 추출하고, 필요 시 상기 후보 설계들을 데이터 증강시켜 상기 추가 학습 데이터를 생성하는 후보 설계 추출기를 포함하는, 목표 설계 장치
|
18 |
18
제17항에서,상기 후보 설계 추출기는상기 신경망 모델의 예측 속성을 기초로, 훈련 데이터에서 우수한 속성을 가지는 일부 설계 데이터를 교배장(mating pool)으로 선택하고, 유전 알고리즘 기반으로 상기 교배장 내 설계 데이터로부터 상기 새로운 설계 데이터를 생성하여 상기 후보 설계들을 추출하는, 목표 설계 장치
|
19 |
19
제17항에서,상기 후보 설계 추출기는시뮬레이션 해석 또는 실험을 통해 상기 후보 설계들을 검증하고, 상기 시뮬레이션 해석 또는 실험을 통해 획득한 상기 후보 설계들의 속성이 수렴하지 않거나, 상기 신경망 모델의 예측 속성과 차이가 있는 경우, 상기 후보 설계들을 증강시켜 상기 추가 훈련 데이터를 생성하는, 목표 설계 장치
|
20 |
20
제18항에서,상기 후보 설계 추출기는상기 물리 기반 시뮬레이션 해석 또는 실험을 통해 검증한 속성이 수렴하는 후보 설계들을 상기 최종 후보 설계들로 결정하고, 상기 최종 후보 설계들 중 적어도 하나의 설계가 목표 설계로 추출되는, 목표 설계 장치
|