| Project/Area Number |
23K20388
|
|---|
| Project/Area Number (Other) |
20H04254 (2020-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2020-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61040:Soft computing-related
|
|---|
| Research Institution | Yokohama National University |
|---|
Principal Investigator |
中田 雅也 横浜国立大学, 大学院工学研究院, 准教授 (00781072)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
白川 真一 横浜国立大学, 大学院環境情報研究院, 准教授 (90633272)
|
|---|
| Project Period (FY) |
2020-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,030,000 (Direct Cost: ¥13,100,000、Indirect Cost: ¥3,930,000)
Fiscal Year 2024: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2023: ¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
Fiscal Year 2022: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2021: ¥4,030,000 (Direct Cost: ¥3,100,000、Indirect Cost: ¥930,000)
Fiscal Year 2020: ¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
|
|---|
| Keywords | 進化計算 / 機械学習 / 最適化 / 関数同定 / 進化的ルール学習 / 説明可能性 |
|---|
| Outline of Research at the Start |
本研究では、説明可能なAI技術(XAI)として位置付けられる進化的ルール学習を最適化分野へ展開することで、「最適解に対する根拠の説明」が求められる実現場の最適化ニーズを満たす説明可能な進化計算(XEC)を実現する。申請者が構築してきた進化的ルール学習の高信頼・高性能化技術を駆使することで、最適解の導出と最適解の性能根拠を示す説明モデルの獲得を同時に達成する。本研究は、Black Boxとして閉じられた最適化対象物に対する挙動の理解や最適化戦略の抽出といった、ヒトの知能増幅にも波及可能な進化計算の新たな適用価値を創出することで、新しい最適化のパラダイムの開拓を目指す。
|
| Outline of Annual Research Achievements |
今年度は、説明可能な進化計算を構成するモデルベース進化計算の高性能化ならびにその応用に取り組んだ。高次元・多目的最適化問題に焦点を当て、最先端手法と比較しても、有意かつ飛躍的に性能を改善する最適化手法を開発できた。この成果はトップジャーナルに掲載された。また、開発していたルールマイニング手法を組み合わせることで、更なる性能改善を達成し、高性能な解の共通構造を説明ルールとして抽出できるようなった。
また、パラメータを自動調整できる最適化手法も構築し、その有効性を単一目的最適化問題で実証した。最新の比較手法に対しても、高速化と最適化性能の高性能化を同時に達成できることを示した。加えて、ルールマイニング手法の改良や、次元圧縮手法を用いた最適化手法なども検討しており、提案手法を構成する各高性能要素の高性能化にも取り組んだ。
加えて、ニューラルネットワークの構造最適化、物流プログラムの自動設計、翼形状の最適化などの応用研究を実施し、その有効性を示した。例えば、構築した最適化手法は、500のサンプル数のみ高精度な最適化が可能であり、最適化の実施コストを平均58%削減することに成功している
これらの取り組みは、トップジャーナルを含む論文誌4件、国際会議2件、国内会議13件、受賞2件として成果を上げた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
今回構築した高性能なモデルベース進化計算を融合することで、最適化性能を飛躍的に改善した。加えて、開発していたルールマイニング手法と組み合わせることで、更なる性能改善が可能であり、高性能な解の共通構造を可視化できるようなった。加えて、当初の計画を超えて、複数の応用研究を実施し、その有効性を示した。
|
| Strategy for Future Research Activity |
当初計画していた応用研究が順調に進んでいることから、最適化手法の高性能化に取り組む予定である。知識ルールの効果的な使い方、モデル設計の見直しなどを通して、構築した手法の高性能化を達成し、実問題にその有効性を検証する。
|
