TWI798583B - 加速模擬軟體的模擬結果的產生的電子裝置和方法 - Google Patents
加速模擬軟體的模擬結果的產生的電子裝置和方法 Download PDFInfo
- Publication number
- TWI798583B TWI798583B TW109129815A TW109129815A TWI798583B TW I798583 B TWI798583 B TW I798583B TW 109129815 A TW109129815 A TW 109129815A TW 109129815 A TW109129815 A TW 109129815A TW I798583 B TWI798583 B TW I798583B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- imitation
- simulation
- feature
- simulation result
- Prior art date
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Abstract
提出一種加速模擬軟體的模擬結果的產生的電子裝置和方法。方法包含:取得輸入資料;根據輸入資料產生仿造資料;將仿造資料的第一仿造特徵輸入至模擬軟體以產生第一仿造模擬結果;取得使用者定義特徵;計算第一仿造特徵以及使用者定義特徵之間的第一相似度;基於第一相似度而根據第一仿造模擬結果產生與使用者定義特徵匹配的近似模擬結果;以及輸出近似模擬結果。
Description
本發明是有關於一種加速模擬軟體的模擬結果的產生的電子裝置和方法。
數值模擬是透過理論計算和電腦程式的結合,再經由電腦去進行龐大且複雜的運算。模擬計算的過程中,需要使用到對的近似方法,所獲得的模擬結果才能符合真實的情況。因此,模擬結果的產生必須仰賴具有高度運算能力的硬體設備。隨著模擬模型的複雜度增加,用以產生模擬結果的時間也會隨之增加。因此,模擬軟體時常無法即時地提供模擬結果給使用者。據此,如何在不增加硬體建置成本的情況下加快模擬結果的產生,是本領域人員致力的目標之一。
本發明提供一種加速模擬軟體的模擬結果的產生的電子裝置和方法,可減少模擬結果的產生時間。
本發明的一種加速模擬軟體的模擬結果的產生的電子裝置,包含處理器、儲存媒體以及收發器。收發器取得輸入資料。儲存媒體儲存多個模組。處理器耦接儲存媒體以及收發器,並且存取和執行多個模組,其中多個模組包含機器學習模型以及運算模組。機器學習模型根據輸入資料產生仿造資料。運算模組通過收發器將仿造資料的第一仿造特徵輸入至模擬軟體以產生第一仿造模擬結果,通過收發器接收使用者定義特徵,計算第一仿造特徵以及使用者定義特徵之間的第一相似度,基於第一相似度而根據第一仿造模擬結果產生與使用者定義特徵匹配的近似模擬結果,並且通過收發器輸出近似模擬結果。
在本發明的一實施例中,上述的運算模組基於內插法和外插法的其中之一而根據第一仿造特徵、第一仿造模擬結果以及使用者定義特徵產生近似模擬結果。
在本發明的一實施例中,上述的運算模組通過收發器將使用者定義特徵輸入至模擬軟體以產生最終模擬結果,並且通過收發器輸出最終模擬結果。
在本發明的一實施例中,上述的多個模組更包含仿造特徵資料庫以及模擬結果資料庫。仿造特徵資料庫儲存包含第一仿造特徵的多個仿造特徵。模擬結果資料庫儲存分別對應於多個仿造特徵的多個仿造模擬結果,其中運算模組計算多個仿造特徵的
每一者與使用者定義特徵之間的相似度,並且響應於第一相似度為最高相似度而從多個仿造模擬結果中選出對應於第一相似度的第一仿造模擬結果以產生近似模擬結果。
在本發明的一實施例中,上述的多個模組更包含歷史資料庫。歷史資料庫儲存歷史資料,其中機器學習模型包含生成器以及判別器,其中判別器是根據歷史資料訓練的,其中生成器根據輸入資料產生候選仿造資料,其中判別器決定候選仿造資料為仿造資料。
在本發明的一實施例中,上述的機器學習模型為生成對抗網路。
本發明的一種加速模擬軟體的模擬結果的產生的方法,包含:取得輸入資料;根據輸入資料產生仿造資料;將仿造資料的第一仿造特徵輸入至模擬軟體以產生第一仿造模擬結果;取得使用者定義特徵;計算第一仿造特徵以及使用者定義特徵之間的第一相似度;基於第一相似度而根據第一仿造模擬結果產生與使用者定義特徵匹配的近似模擬結果;以及輸出近似模擬結果。
基於上述,本發明可在模擬軟體花費較長的時間來產生模擬結果之前,即時地產生近似模擬結果供使用者參考。
100:電子裝置
110:處理器
120:儲存媒體
121:運算模組
122:機器學習模型
1221:生成器
1222:判別器
123:歷史資料庫
124:仿造特徵資料庫
125:模擬結果資料庫
126:使用者定義特徵資料庫
130:收發器
S210、S220、S221、S222、S223、S230、S240、S410、S420、S430、S440、S510、S520、S530、S540、S550、S560、S570:步驟
圖1根據本發明的實施例繪示一種加速模擬軟體的模擬結果
的產生的電子裝置的示意圖。
圖2根據本發明的實施例繪示產生仿造模擬結果的流程圖。
圖3根據本發明的實施例繪示根據輸入資料產生仿造資料的步驟的詳細流程圖。
圖4根據本發明的實施例繪示產生近似模擬結果以及最終模擬結果的流程圖。
圖5根據本發明的實施例繪示一種加速模擬軟體的模擬結果的產生的方法的流程圖。
圖1根據本發明的實施例繪示一種加速模擬軟體的模擬結果的產生的電子裝置100的示意圖。電子裝置100可包含處理器110、儲存媒體120以及收發器130。
處理器110例如是中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、影像訊號處理器(image signal processor,ISP)、影像處理單元(image processing unit,IPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯
閘陣列(field programmable gate array,FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130,並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中,儲存媒體120可儲存包括運算模組121、機器學習模型122、歷史資料庫123、仿造特徵資料庫124、模擬結果資料庫125以及使用者定義特徵資料庫126等多個模組,其功能將於後續說明。
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
電子裝置100可用以產生仿造模擬結果。圖2根據本發明的實施例繪示產生仿造模擬結果的流程圖。在步驟S210中,運算模組121可通過收發器130取得輸入資料。輸入資料可以是用以產生模擬結果的圖像資料或資料曲線。舉例來說,輸入資料可包含衛星雲圖、雷達回波圖、溫度曲線、濕度曲線、降雨量累積曲線或空氣品質曲線等與氣象相關的圖像或曲線,但本發明不限於此。
在步驟S220中,機器學習模型122可根據輸入資料產生仿造資料。仿造資料可以是仿造的圖資或資料曲線。舉例來說,仿造資料可包含仿造的衛星雲圖、仿造的雷達回波圖、仿造的溫度曲線、仿造的濕度曲線、仿造的降雨量累積曲線或仿造的空氣品質曲線等圖像,但本發明不限於此。機器學習模型122例如是生成對抗網路(generative adversarial network,GAN)。機器學習模型122可包含生成器(generator)1221以及判別器(discriminator)1222,其中判別器1222是由機器學習模型122根據歷史資料庫123的歷史資料訓練訓練的,其中歷史資料包含歷史衛星雲圖、歷史雷達回波圖、歷史溫度曲線、歷史濕度曲線、歷史降雨量累積曲線或歷史空氣品質曲線等圖像。
圖3根據本發明的實施例繪示根據輸入資料產生仿造資料的步驟的詳細流程圖。在步驟S221中,生成器1221可根據輸入資料產生候選仿造資料。在步驟S222中,判別器1222可比對候選仿造資料與歷史資料是否匹配。若候選仿造資料與歷史資料不匹配,則判別器1222可刪除候選仿造資料,並且步驟S221可被重新執行以產生新的候選仿造資料。若候選仿造資料與歷史資料匹配,則進入步驟S223。在步驟S223中,判別器1222可決定候選仿造資料為仿造資料,並且將產生的仿造資料儲存於仿造特徵資料庫124中。接著,步驟S221可被重新執行以產生新的候選仿造資料。圖3的步驟S221至步驟S223可被重複地執行直到仿造特徵資料庫124取得足夠的仿造資料為止。
舉例來說,假設輸入資料為衛星雲圖。機器學習模型122可根據歷史資料(例如:歷史衛星雲圖)以及衛星雲圖產生多個仿造衛星雲圖。
回到圖2。在步驟S230中,運算模組121可對仿造特徵資料庫124中的多個仿造資料進行特徵萃取以取得分別對應於所述多個仿造資料的多個仿造特徵。運算模組121可將多個仿造特徵儲存於仿造特徵資料庫124中。
具體來說,運算模組121可對多個仿造衛星雲圖的每一者進行特徵萃取以取得仿造區域雨量資訊(即:仿造特徵)。運算模組121可將仿造區域雨量資訊儲存於仿造特徵資料庫124中。舉例來說,仿造特徵資料庫124可儲存對應於400毫米的仿造區域雨量資訊、對應於500毫米的仿造區域雨量資訊以及對應於600毫米的仿造區域雨量資訊。
在步驟S240中,運算模組121可將所述多個仿造特徵輸入至模擬軟體以產生分別對應於所述多個仿造特徵的多個仿造模擬結果。運算模組121可將多個仿造模擬結果儲存於模擬結果資料庫125。
舉例來說,若模擬軟體用於判斷水患是否發生,則運算模組121可分別將多個仿造區域雨量資訊(即:仿造特徵)輸入至模擬軟體。模擬軟體可產生分別對應於多個仿造區域雨量資訊的多個水患判斷結果(即:仿造模擬結果)。仿造特徵資料庫124可儲存多個區域雨量資訊以及分別與所述多個區域雨量資訊相對應的
多個水患判斷結果。舉例來說,仿造特徵資料庫124可儲存對應於400毫米的仿造區域雨量資訊以及相對應的水患判斷結果、對應於500毫米的仿造區域雨量資訊以及相對應的水患判斷結果以及對應於600毫米的仿造區域雨量資訊以及相對應的水患判斷結果。
在取得多個仿造模擬結果後,電子裝置100即可根據多個仿造模擬結果產生與使用者的需求相對應的近似模擬結果。近似模擬結果的產生僅需花費極少的時間。此外,電子裝置100還可利用模擬軟體來產生費時較久但較為精準的最終模擬結果。圖4根據本發明的實施例繪示產生近似模擬結果以及最終模擬結果的流程圖。
在步驟S410中,運算模組121可通過收發器130接收使用者定義特徵。使用者定義特徵可由使用者根據其需求而決定。舉例來說,若使用者對與540毫米的區域雨量資訊相對應的水患判斷結果感興趣,則使用者可決定使用者定義特徵為對應於540毫米的區域雨量資訊。使用者可通過輸入裝置(例如:鍵盤或觸控式螢幕)將使用者定義特徵輸入至電子裝置100。運算模組121可通過收發器130以自輸入裝置取得使用者定義特徵。運算模組121可將使用者定義特徵儲存於使用者定義特徵資料庫126中。
在步驟S420中,運算模組121可計算多個仿造特徵與使用者定義特徵之間的相似度,並且響應於多個仿造特徵中的第一仿造特徵與使用者定義特徵之間的第一相似度為最高相似度而從
多個仿造特徵中選出第一仿造特徵。舉例來說,運算模組121可響應於對應於500毫米的仿造區域雨量資訊與對應於540毫米的區域雨量資訊的相似度為最高相似度而從對應於400毫米的仿造區域雨量資訊、對應於500毫米的仿造區域雨量資訊以及對應於600毫米的仿造區域雨量資訊中選出對應於500毫米的仿造區域雨量資訊。
在一實施例中,在選出對應於最高相似度的第一仿造特徵後,運算模組121可響應於多個仿造特徵中的第二仿造特徵與使用者定義特徵之間的第二相似度為次高相似度而從剩餘的多個仿造特徵(即:尚未被選擇的複數個仿造特徵)中選出第二仿造特徵。舉例來說,在選出對應於500毫米的仿造區域雨量資訊後,運算模組121可響應於對應於600毫米的仿造區域雨量資訊與對應於540毫米的區域雨量資訊的相似度為次高相似度而從對應於400毫米的仿造區域雨量資訊以及對應於600毫米的仿造區域雨量資訊中選出對應於600毫米的仿造區域雨量資訊。
在步驟S430中,運算模組121可基於第一相似度而根據第一仿造模擬結果產生與使用者定義特徵匹配的近似模擬結果,並可通過收發器130輸出近似模擬結果。具體來說,在根據第一相似度選出第一仿造特徵後,運算模組121可根據第一相似度而從儲存在模擬結果資料庫125中的多個仿造模擬結果中選出第一仿造模擬結果。接著,運算模組121可基於內插法或外插法而根據第一仿造特徵、對應於第一仿造特徵的第一仿造模擬結果以及
使用者定義特徵產生近似模擬結果。
舉例來說,運算模組121可基於內插法或外插法而根據500毫米的仿造區域雨量資訊(即:第一仿造特徵)、對應於500毫米的仿造區域雨量資訊的水患判斷結果(即:第一仿造模擬結果)以及對應於540毫米的區域雨量資訊(即:使用者定義特徵)來產生對應於540毫米的區域雨量資訊的水患判斷結果(即:近似模擬結果)。由於近似模擬結果僅需利用預先產生的第一仿造模擬結果即可產生,而不需使用到模擬軟體。因此,近似模擬結果可很迅速地產生。
在一實施例中,在根據第一相似度和第二相似度選出第一仿造特徵以及第二仿造特徵後,運算模組121可根據第一相似度而從儲存在模擬結果資料庫125中的多個仿造模擬結果中選出第一仿造模擬結果,並且根據第二相似度而從儲存在模擬結果資料庫125中的多個仿造模擬結果中選出第二仿造模擬結果。接著,運算模組121可基於內插法或外插法而根據第一仿造特徵、對應於第一仿造特徵的第一仿造模擬結果、第二仿造特徵、對應於第二仿造特徵的第二仿造模擬結果以及使用者定義特徵產生近似模擬結果。
舉例來說,運算模組121可基於內插法或外插法而根據500毫米的仿造區域雨量資訊(即:第一仿造特徵)、對應於500毫米的仿造區域雨量資訊的水患判斷結果(即:第一仿造模擬結果)、600毫米的仿造區域雨量資訊(即:第二仿造特徵)、對應於
600毫米的仿造區域雨量資訊的水患判斷結果(即:第二仿造模擬結果)以及對應於540毫米的區域雨量資訊(即:使用者定義特徵)來產生對應於540毫米的區域雨量資訊的水患判斷結果(即:近似模擬結果)。由於近似模擬結果僅需利用預先產生的第一仿造模擬結果和第二仿造模擬結果即可產生,而不需使用到模擬軟體。因此,近似模擬結果可很迅速地產生。
為了取得比近似模擬結果更加精準的最終模擬結果,在步驟S440中,運算模組121可通過收發器130將使用者定義特徵輸入至模擬軟體以產生最終模擬結果,並可通過收發器130輸出最終模擬結果。舉例來說,運算模組121可通過收發器130將對應於540毫米的區域雨量資訊(即:使用者定義特徵)輸入至模擬軟體以產生對應於540毫米的區域雨量資訊的水患判斷結果(即:最終模擬結果)。
圖5根據本發明的實施例繪示一種加速模擬軟體的模擬結果的產生的方法的流程圖,其中所述方法可由如圖1所示的電子裝置實施。在步驟S510中,取得輸入資料。在步驟S520中,根據輸入資料產生仿造資料。在步驟S530中,將仿造資料的第一仿造特徵輸入至模擬軟體以產生第一仿造模擬結果。在步驟S540中,取得使用者定義特徵。在步驟S550中,計算第一仿造特徵以及使用者定義特徵之間的第一相似度。在步驟S560中,基於第一相似度而根據第一仿造模擬結果產生與使用者定義特徵匹配的近似模擬結果。在步驟S570中,輸出近似模擬結果。
綜上所述,本發明的電子裝置可運用生成對抗網路來產生多個仿造特徵,並將多個仿造特徵輸入至模擬軟體以預先產生多個仿造模擬結果。當使用者欲取得針對特定特徵的模擬結果時,使用者可將使用者定義特徵輸入至電子裝置。電子裝置可比對使用者定義特徵與預存的多個仿造特徵的相似度,並且選出與使用者定義特徵高度相關的一或多個仿造特徵。電子裝置可根據與一或多個仿造特徵相對應的一或多個仿造模擬結果來計算出近似模擬結果。由於近似模擬結果不需由模擬軟體所產生,故近似模擬結果的產生十分迅速。除了產生近似模擬結果,電子裝置還可將使用者定義特徵輸入至模擬軟體以產生更加精準的模擬結果。
S510、S520、S530、S540、S550、S560、S570:步驟
Claims (7)
- 一種加速模擬軟體的模擬結果的產生的電子裝置,包括:收發器,取得輸入資料,所述輸入資料為與氣象相關的圖像資料或資料曲線;儲存媒體,儲存多個模組;以及處理器,耦接所述儲存媒體以及所述收發器,並且存取和執行所述多個模組,其中所述多個模組包括:機器學習模型,根據所述輸入資料產生仿造資料,所述仿造資料是仿造的與氣象相關的圖像資料或資料曲線;以及運算模組,通過所述收發器將所述仿造資料的第一仿造特徵輸入至所述模擬軟體以產生第一仿造模擬結果,通過所述收發器接收使用者定義特徵,計算所述第一仿造特徵以及所述使用者定義特徵之間的第一相似度,基於所述第一相似度而根據所述第一仿造模擬結果產生與所述使用者定義特徵匹配的近似模擬結果,並且通過所述收發器輸出所述近似模擬結果。
- 如請求項1所述的電子裝置,其中所述運算模組基於內插法和外插法的其中之一而根據所述第一仿造特徵、所述第一仿造模擬結果以及所述使用者定義特徵產生所述近似模擬結果。
- 如請求項1所述的電子裝置,其中所述運算模組通過所述收發器將所述使用者定義特徵輸入至所述模擬軟體以產生最終模擬結果,並且通過所述收發器輸出所述最終模擬結果。
- 如請求項1所述的電子裝置,其中所述多個模組更包括:仿造特徵資料庫,儲存包括所述第一仿造特徵的多個仿造特徵;模擬結果資料庫,儲存分別對應於所述多個仿造特徵的多個仿造模擬結果,其中所述運算模組計算所述多個仿造特徵的每一者與所述使用者定義特徵之間的相似度,並且響應於所述第一相似度為最高相似度而從所述多個仿造模擬結果中選出對應於所述第一相似度的所述第一仿造模擬結果以產生所述近似模擬結果。
- 如請求項1所述的電子裝置,其中所述多個模組更包括:歷史資料庫,儲存歷史資料,其中所述機器學習模型包括生成器以及判別器,其中所述判別器是根據所述歷史資料訓練的,其中所述生成器根據所述輸入資料產生候選仿造資料,其中所述判別器決定所述候選仿造資料為所述仿造資料。
- 如請求項5所述的電子裝置,其中所述機器學習模型為生成對抗網路。
- 一種加速模擬軟體的模擬結果的產生的方法,包括: 取得輸入資料,所述輸入資料為與氣象相關的圖像資料或資料曲線;根據所述輸入資料產生仿造資料,所述仿造資料是仿造的與氣象相關的圖像資料或資料曲線;將所述仿造資料的第一仿造特徵輸入至所述模擬軟體以產生第一仿造模擬結果;取得使用者定義特徵;計算所述第一仿造特徵以及所述使用者定義特徵之間的第一相似度;基於所述第一相似度而根據所述第一仿造模擬結果產生與所述使用者定義特徵匹配的近似模擬結果;以及輸出所述近似模擬結果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109129815A TWI798583B (zh) | 2020-09-01 | 2020-09-01 | 加速模擬軟體的模擬結果的產生的電子裝置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109129815A TWI798583B (zh) | 2020-09-01 | 2020-09-01 | 加速模擬軟體的模擬結果的產生的電子裝置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202211070A TW202211070A (zh) | 2022-03-16 |
TWI798583B true TWI798583B (zh) | 2023-04-11 |
Family
ID=81746864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109129815A TWI798583B (zh) | 2020-09-01 | 2020-09-01 | 加速模擬軟體的模擬結果的產生的電子裝置和方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI798583B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8655632B2 (en) * | 2009-09-03 | 2014-02-18 | Schlumberger Technology Corporation | Gridless geological modeling |
TW201437914A (zh) * | 2008-02-22 | 2014-10-01 | Applied Materials Inc | 具真實及虛擬資料之可視性的使用者介面 |
TW201633192A (zh) * | 2014-12-18 | 2016-09-16 | Asml荷蘭公司 | 藉由機器學習之特徵搜尋 |
TW201738811A (zh) * | 2016-04-18 | 2017-11-01 | 北京嘀嘀無限科技發展有限公司 | 推薦預計到達時間的系統及方法 |
TW201801024A (zh) * | 2016-06-28 | 2018-01-01 | 安研科技股份有限公司 | 二維淹水潛勢圖的產生方法 |
TW201812646A (zh) * | 2016-07-18 | 2018-04-01 | 美商南坦奧美克公司 | 分散式機器學習系統、分散式機器學習方法、以及產生代用資料之方法 |
CN108170714A (zh) * | 2017-12-01 | 2018-06-15 | 武汉华信联创技术工程有限公司 | 一种台风灾害监测与评估的三维模拟系统 |
TW201824113A (zh) * | 2016-12-28 | 2018-07-01 | 財團法人工業技術研究院 | 社群資料分析系統及其新興主題預測方法 |
TW201833590A (zh) * | 2013-06-26 | 2018-09-16 | 加拿大商天勢研究無限公司 | 用於在時間軸上顯示氣象資訊之方法及系統 |
EP3407292A1 (en) * | 2017-05-24 | 2018-11-28 | General Electric Company | Neural network point cloud generation system |
US20190130266A1 (en) * | 2017-10-27 | 2019-05-02 | Royal Bank Of Canada | System and method for improved neural network training |
WO2019104304A1 (en) * | 2017-11-27 | 2019-05-31 | Siemens Industry Software Nv | Accelerated simulation setup process using prior knowledge extraction for problem matching |
TW201939369A (zh) * | 2018-03-02 | 2019-10-01 | 財團法人國家實驗研究院 | 預測電影票房之方法 |
TW202014992A (zh) * | 2018-10-08 | 2020-04-16 | 財團法人資訊工業策進會 | 虛擬臉部模型之表情擬真系統及方法 |
TW202022633A (zh) * | 2018-12-10 | 2020-06-16 | 財團法人資訊工業策進會 | 基於特徵擷取與機器學習的優化方法及其模組 |
CN111476976A (zh) * | 2020-04-28 | 2020-07-31 | 广西壮族自治区水利科学研究院 | 一种水库暴雨预警阈值动态分析系统 |
TW202028877A (zh) * | 2018-09-28 | 2020-08-01 | 台灣積體電路製造股份有限公司 | 微影模擬方法 |
-
2020
- 2020-09-01 TW TW109129815A patent/TWI798583B/zh active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201437914A (zh) * | 2008-02-22 | 2014-10-01 | Applied Materials Inc | 具真實及虛擬資料之可視性的使用者介面 |
US8655632B2 (en) * | 2009-09-03 | 2014-02-18 | Schlumberger Technology Corporation | Gridless geological modeling |
TW201833590A (zh) * | 2013-06-26 | 2018-09-16 | 加拿大商天勢研究無限公司 | 用於在時間軸上顯示氣象資訊之方法及系統 |
TW201633192A (zh) * | 2014-12-18 | 2016-09-16 | Asml荷蘭公司 | 藉由機器學習之特徵搜尋 |
TW201738811A (zh) * | 2016-04-18 | 2017-11-01 | 北京嘀嘀無限科技發展有限公司 | 推薦預計到達時間的系統及方法 |
TW201801024A (zh) * | 2016-06-28 | 2018-01-01 | 安研科技股份有限公司 | 二維淹水潛勢圖的產生方法 |
TW201812646A (zh) * | 2016-07-18 | 2018-04-01 | 美商南坦奧美克公司 | 分散式機器學習系統、分散式機器學習方法、以及產生代用資料之方法 |
TW201824113A (zh) * | 2016-12-28 | 2018-07-01 | 財團法人工業技術研究院 | 社群資料分析系統及其新興主題預測方法 |
EP3407292A1 (en) * | 2017-05-24 | 2018-11-28 | General Electric Company | Neural network point cloud generation system |
US20190130266A1 (en) * | 2017-10-27 | 2019-05-02 | Royal Bank Of Canada | System and method for improved neural network training |
WO2019104304A1 (en) * | 2017-11-27 | 2019-05-31 | Siemens Industry Software Nv | Accelerated simulation setup process using prior knowledge extraction for problem matching |
CN108170714A (zh) * | 2017-12-01 | 2018-06-15 | 武汉华信联创技术工程有限公司 | 一种台风灾害监测与评估的三维模拟系统 |
TW201939369A (zh) * | 2018-03-02 | 2019-10-01 | 財團法人國家實驗研究院 | 預測電影票房之方法 |
TW202028877A (zh) * | 2018-09-28 | 2020-08-01 | 台灣積體電路製造股份有限公司 | 微影模擬方法 |
TW202014992A (zh) * | 2018-10-08 | 2020-04-16 | 財團法人資訊工業策進會 | 虛擬臉部模型之表情擬真系統及方法 |
TW202022633A (zh) * | 2018-12-10 | 2020-06-16 | 財團法人資訊工業策進會 | 基於特徵擷取與機器學習的優化方法及其模組 |
CN111476976A (zh) * | 2020-04-28 | 2020-07-31 | 广西壮族自治区水利科学研究院 | 一种水库暴雨预警阈值动态分析系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202211070A (zh) | 2022-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI718422B (zh) | 對模型預測值進行融合的方法、裝置和設備 | |
CN102016616B (zh) | 组合的随机性逻辑 | |
CN112765287B (zh) | 基于知识图谱嵌入的挖掘人物关系的方法、装置以及介质 | |
WO2017166449A1 (zh) | 机器学习模型生成方法和装置 | |
EP3748495A1 (en) | Audio playing method and device, terminal and computer-readable storage medium | |
CN111340177A (zh) | 基于嵌套位表示的神经网络处理方法和设备 | |
CN114925748B (zh) | 模型训练及模态信息的预测方法、相关装置、设备、介质 | |
US20210073628A1 (en) | Deep neural network training method and apparatus, and computer device | |
JP7298825B2 (ja) | 学習支援装置、学習装置、学習支援方法及び学習支援プログラム | |
CN111523940B (zh) | 一种带负反馈的基于深度强化学习的推荐方法及系统 | |
WO2018220700A1 (ja) | 新規学習データセット生成方法、新規学習データセット生成装置および生成された学習データセットを用いた学習方法 | |
JP7124373B2 (ja) | 学習装置、音響生成装置、方法及びプログラム | |
CN110827789A (zh) | 音乐生成方法、电子装置及计算机可读存储介质 | |
CN111373391B (zh) | 语言处理装置、语言处理系统和语言处理方法 | |
CN117892175A (zh) | 一种snn多模态目标识别方法、系统、设备及介质 | |
TWI798583B (zh) | 加速模擬軟體的模擬結果的產生的電子裝置和方法 | |
US20220414472A1 (en) | Computer-Implemented Method, System, and Non-Transitory Computer-Readable Storage Medium for Inferring Audience's Evaluation of Performance Data | |
CN113470162B (zh) | 三维头部模型的构建方法、装置、系统及存储介质 | |
JP2023017983A (ja) | 情報生成モデルの訓練方法、情報生成方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN112650399B (zh) | 表情推荐方法及装置 | |
JP7061089B2 (ja) | 分類装置、分類方法及び分類プログラム | |
CN113505194A (zh) | 改写词生成模型的训练方法及装置 | |
CN110796561B (zh) | 基于三跳速度衰减传播模型的影响力最大化方法及装置 | |
CN114119438A (zh) | 图像拼贴模型的训练方法和设备及图像拼贴方法和设备 | |
He et al. | Automatic generation algorithm analysis of dance movements based on music–action association |