JP7670959B2 - 事前学習モデルを利用したターゲットモデル生成方法、評価データ予測方法、事前学習モデルを利用して生成されたターゲットモデルを記録したコンピュータ読取可能な記録媒体並びに事前学習モデルを利用したターゲットモデル生成方法のプログラム及び評価データ予測方法のプログラム - Google Patents

Description

本発明は、事前学習モデルを利用したターゲットモデル生成方法、モデル生成方法により生成されたターゲットモデルを用いた評価データ予測方法、事前学習モデルを利用して生成されたターゲットモデルを記録したコンピュータ読取可能な記録媒体並びに事前学習モデルを利用したターゲットモデル生成方法のプログラム及び評価データ予測方法のプログラムに関する。

タイヤの設計開発の効率化のため、機械学習を活用したタイヤ特性予測が行われている。

特開２０２１－２２２７６号公報

機械学習を活用したタイヤ特性予測においては、タイヤの仕様データとタイヤの性能などに関する評価データを含む学習用入力データセットを複数用意する。そして、複数の学習用データセットを用いてターゲットモデルに機械学習をさせることによりターゲットモデルを生成する。その上で、予測対象となるタイヤに関する予測対象仕様データに対応する予測対象評価データをターゲットモデルを利用して予測する。

特に、ターゲットモデルを用いて予測対象仕様データに対応した予測対象評価データを精度よく予測するためには、ターゲットモデルが予測対象仕様データを含む範囲の学習用入力データセットを用いて学習されている必要がある。

ここで、学習用の現実入力データセットに含まれる現実仕様データとして、実在するタイヤの現実仕様データを用い、現実入力データに含まれる現実評価データとして実在するタイヤの実測した現実評価データを用いることにすると、上記の条件を満たした上で予測対象評価データを予測することができる予測対象仕様データの範囲が限られてしまう。

また、その範囲を広げるためには、通常ならば、広げる領域に対応する新たな現実仕様データに基づいたタイヤを実際に作成し、それについての現実評価データを実際に測定する必要がある。この場合、新たな現実仕様データに基づいたタイヤを実際に作成するためには、時間的にも金銭的にもコストがかかる新規な金型を改めて作成する必要が生じる。

特許文献１には、複数の説明変数の値を入力することにより特徴量に関する値を精度高く予測する予測モジュールを、実験データとシミュレーションデータを含むオリジナルデータセットから効率よく作成するためのデータ処理方法が開示されている。しかし、特許文献１のデータ処理方法は、上記の課題を解決することができない。

そこで、本発明は、学習用の現実データセットに含まれる現実仕様データによりカバーできない領域にある予測対象仕様データに対応する予測対象評価データを精度よく予測することを可能にする事前学習モデルを利用したターゲットモデル生成方法、評価データ予測方法、事前学習モデルを利用して生成されたターゲットモデルを記録したコンピュータ読取可能な記録媒体並びに事前学習モデルを利用したターゲットモデル生成方法のプログラム及び評価データ予測方法のプログラムを提供することを目的とする。

本発明によれば、
現実仕様データ（Ｘ）及び前記現実仕様データ（Ｘ）に対応した現実評価データ（Ｙ）を含む、複数の現実データセット（Ｘ，Ｙ）を用意するステップと、
前記複数の現実データセット（Ｘ，Ｙ）に含まれる何れかの現実データセット内の現実仕様データ（Ｘ）に対してコンピュータ処理を適用することにより仕様変更を適用して仮想仕様データを生成し、前記仮想仕様データに対してコンピュータ処理を適用することにより前記仮想仕様データに対応する仮想評価データを生成することを繰り返すことにより、各々が前記仮想仕様データ及びこれに対応する仮想評価データを含む複数の仮想データセットを生成する仮想データセット生成ステップと、
前記複数の仮想データセット（Ｘ’，Ｙ’）の各々を学習用入力データセットとして用いて初期事前学習モデル（Ｍ１）に機械学習をさせることにより事前学習モデル（Ｍ１’）を生成する事前学習モデル生成ステップステップと、
前記事前学習モデル（Ｍ１’）を利用して、且つ、少なくとも前記複数の現実データセット（Ｘ，Ｙ）の各々を学習用入力データセットとして用いて初期ターゲットモデル（Ｍ２）に機械学習をさせることによりターゲットモデル（Ｍ２’）を生成するターゲットモデル生成ステップと、
を有する事前学習モデルを利用したターゲットモデル生成方法が提供される。

また、本発明によれば、上記の事前学習モデルを利用したターゲットモデル生成方法により生成された前記ターゲットモデルを記録したコンピュータ読取可能な記録媒体が提供される。

更に、本発明によれば、上記の事前学習モデルを利用したターゲットモデル生成方法により生成された前記ターゲットモデルを用いて予測対象仕様データに対応する評価データを予測する評価データ予測方法が提供される。

更に、本発明によれば、上記の事前学習モデルを利用したターゲットモデル生成方法をコンピュータに実行させるためのプログラムが提供される。

更に、本発明によれば、上記の評価データ予測方法をコンピュータに実行させるためのプログラムが提供される。

本発明によれば、学習用の現実データセットに含まれる現実仕様データによりカバーできない領域にある予測対象仕様データに対応する予測対象評価データを精度よく予測することを可能にするターゲットモデルを生成することが可能になる。

本発明の実施の形態によるターゲットモデル生成方法及び予測対象評価データ予測方法を含む方法を説明するためのフローチャートである。 図１に示す複数の仮想データセットの生成のステップの第１の態様の詳細を説明するためのフローチャートである。 図１に示す複数の仮想データセットの生成のステップの第２の態様の詳細を説明するためのフローチャートである。 図１に示すターゲットモデル生成のステップの第１の態様の詳細を説明するための概念図である。 図１に示すターゲットモデル生成のステップの第２の態様の詳細を説明するための概念図（１／２）である。 図１に示すターゲットモデル生成のステップの第２の態様の詳細を説明するための概念図（２／２）である。 発明の実施の形態によるターゲットモデル生成方法を実行するためのターゲットモデル生成装置及び予測対象評価データ予測方法を実行するための評価データ予測装置並びにこれらの入出力データを示すブロック図である。 本発明の実施の形態によるターゲットモデル生成方法及び予測対象評価データ予測方法を実行するためのコンピュータの構成を示すブロック図である。 図８に示す記録媒体に設けられた各記憶部に格納されるデータを示す図である。 図１に示す仕様変更のステップにおいて変更されるタイヤの仕様を説明するための図である。 図３に示す仮想仕様データ修正のステップを説明するための図である。（ａ）は、仮想仕様データの元になるタイヤのベースモデルの形状を示し、（ｂ）は、仮想仕様データに対応するタイヤの形状を示し、（ｃ）は、修正後の仮想仕様データに対応するタイヤの形状を示す。 （ａ）は、本発明の実施の形態によるターゲットモデル生成方法及び予測対象評価データ予測方法により予測された評価対象評価データの予測値の精度を説明するためのグラフであり、（ｂ）は、本発明の実施の形態によるターゲットモデル生成方法及び予測対象評価データ予測方法により予測された評価対象評価データの予測値の精度を説明するための比較表である。

以下、図面を参照して本発明を実施するための形態について詳細に説明する。

［第１の実施の形態］
図１は、本発明の第１の実施の形態によるターゲットモデル生成方法及び予測対象評価データ予測方法を説明するためのフローチャートである。

図１を参照すると、まず、複数の現実データセット（Ｘ，Ｙ）を用意する（ステップＳ２０１）。ここで、Ｘは、現実仕様データ、Ｙは、現実評価データ、Ｗは、現実評価条件データである。

次に、複数の仮想データセット（Ｘ’，Ｙ’）を生成する（ステップＳ２０３）。ここで、Ｘ’は、仮想仕様データ、Ｙ’は、仮想評価データである。

次に、複数の現実データセット（Ｘ，Ｙ）及び複数の仮想データセット（Ｘ’，Ｙ’）に基づいてターゲットモデルＭ２’を生成する（ステップＳ２０５）。

次に、ターゲットモデルＭ２’を用いて、予測対象の予測対象仕様データ（ＸＸ）について予測対象評価データ（ＹＹ）を予測する（ステップＳ２０７）。

図２は、図１に示す複数の仮想データセット（Ｘ’，Ｙ’）を生成するステップ（ステップＳ２０３）の１態様の詳細を示すためのフローチャートである。

図２を参照すると、まず、ステップＳ２０１で用意した複数の現実データセット（Ｘ，Ｙ）から１つの現実データセット（Ｘ，Ｙ）に含まれる現実データ（Ｘ）を選択する（ステップＳ３０１）。

次に、仕様変更の内容を決定する（ステップＳ３０３）。

次に、ステップＳ３０１で選択した現実データ（Ｘ）に対して、ステップＳ３０３で決定した仕様変更を適用することにより、仮想仕様データ（Ｘ’）を生成する（ステップＳ３０５）。

次に、ステップＳ３０５で生成した仮想仕様データ（Ｘ’）に対応する仮想評価データ（Ｙ’）を生成する（ステップＳ３０７）。

次に、ステップＳ３０５で生成した仮想仕様データ（Ｘ’）とステップＳ３０７で生成した仮想評価データ（Ｙ’）を含む仮想データセット（Ｘ’，Ｙ’）を記録媒体に保存する（ステップＳ３０９）。

次に、更に、仮想データセットを追加するならば（ステップＳ３１１でＹＥＳ）、ステップＳ３０１からステップＳ３０９までの処理を繰り返す。

この処理を続け、ステップＳ３０１からステップＳ３０９までの処理を所定数繰り返すことにより、所定数の仮想データセット（Ｘ’，Ｙ’）を生成する。

繰り返しで仕様変更が適用される現実仕様データ（Ｘｉ）は、繰り返し毎に異なり、又は、少なくとも一部の繰り返しについて繰り返し間で共通である。

また、各繰り返しで現実データに適用する仕様変更は、繰り返し毎に異なり、又は、少なくとも一部の繰り返しについて繰り返し間で共通である。

図３は、図１に示す複数の仮想データセット（Ｘ’，Ｙ’）を生成するステップ（ステップＳ２０３）の他の１態様の詳細を示すためのフローチャートである。

図２に示す一態様と比較して、図３示す他の一態様は、仮想仕様データ（Ｘ’）を生成するステップ（Ｓ３０５）の後に、仮想仕様データ（Ｘ’）を修正するステップ（ステップＳ３１３）が追加されている点が異なる。

図３を参照すると、まず、ステップＳ２０１で用意した複数の現実データセット（Ｘ，Ｙ）から１つの現実データセット（Ｘ，Ｙ）に含まれる現実データ（Ｘ）を選択する（ステップＳ３０１）。

次に、仕様変更の内容を決定する（ステップＳ３０３）。

次に、ステップＳ３０１で選択した現実データ（Ｘ）に対して、ステップＳ３０３で決定した仕様変更を適用することにより、仮想仕様データ（Ｘ’）を生成する（ステップＳ３０５）。

次に、ステップＳ３０５で生成した仮想仕様データ（Ｘ’）を修正する（ステップＳ３１３）。

次に、ステップＳ３１３で修正した仮想仕様データ（Ｘ’）に対応する仮想評価データ（Ｙ’）を生成する（ステップＳ３０７）。

次に、ステップＳ３１３で修正した仮想仕様データ（Ｘ’）とステップＳ３０７で生成した仮想評価データ（Ｙ’）を含む仮想データセット（Ｘ’，Ｙ’）を記録媒体に保存する（ステップＳ３０９）。

次に、更に、仮想データセットを追加するならば（ステップＳ３１１でＹＥＳ）、ステップＳ３０１からステップＳ３０９までの処理を繰り返す。

この処理を続け、ステップＳ３０１からステップＳ３０９までの処理を所定数繰り返すことにより、所定数の仮想データセット（Ｘ’，Ｙ’）を生成する。

図４は、図１に示すターゲットモデルＭ２’を生成するステップ（ステップＳ２０５）の第１の態様の内容を説明するための概念図である。

ターゲットモデルＭ２’を生成するためには、仮想データセット（Ｘ’，Ｙ’）を用いて事前学習モデルＭ１’を予め作成しておく。

そして、これに基づいて、ターゲットモデルＭ２’を生成する。具体的には、事前学習モデルＭ１’の少なくとも一部をターゲットモデルＭ２にコピーし、それから、ターゲットモデルＭ２に機械学習をさせることにより、ターゲットモデルＭ２’を生成する。

図４を参照すると、複数の仮想データセット（Ｘ’，Ｙ’）の各々を学習用入力データセットとして初期事前学習モデルＭ１に機械学習をさせることにより、事前学習モデルＭ１’を取得する（ステップＳ２３１）。

次に、事前学習モデルＭ１’の少なくとも一部を初期ターゲットモデルＭ２にコピーする（ステップＳ２３３）。

ここで、事前学習モデル及びターゲットモデルは、例えば、ニューラルネットワークを利用したものである。また、ステップＳ２３３では、事前学習モデルＭ１’の中間層を初期ターゲットモデルＭ２にコピーする。特に、事前学習モデルＭ１’の最終層である識別層以外の層を初期ターゲットモデルＭ２にコピーしてもよい。

次に、複数の現実データセット（Ｘ，Ｙ）の各々を学習用入力データセットとして初期ターゲットモデルＭ２に機械学習をさせることにより、ターゲットモデルＭ２’を取得する（ステップＳ２３５）。

図５及び図６は、図１に示すターゲットモデルＭ２’を生成するステップ（ステップＳ２０５）の第２の態様の内容を説明するための概念図である。

ターゲットモデルＭ２’を生成するためには、仮想データセット（Ｘ’，Ｙ’）を用いて事前学習モデルＭ１’を予め作成しておく。

そして、事前学習モデルＭ１’を用いて、現実仕様データ（Ｘ）に対応した追加現実評価データ（Ｙ２）を生成し、これらを合わせて、追加現実データセット（Ｘ，Ｙ２）にしておく。

更に、現実データセット（Ｘ，Ｙ）と追加現実データセット（Ｘ，Ｙ２）を用いてターゲットモデルＭ２に機械学習をさせることによりターゲットモデルＭ２’を生成する。

まず、図５を参照すると、複数の仮想データセット（Ｘ’，Ｙ’）の各々を学習用入力データセットとして初期事前学習モデルＭ１に機械学習をさせることにより、事前学習モデルＭ１’を取得する（ステップＳ２４１）。

次に、事前学習モデルＭ１’を用いて、各データセット（Ｘ，Ｙ）に含まれる現実仕様データ（Ｘ）に対応する評価データを追加現実評価データ（Ｙ２）として取得することを、複数のデータセット（Ｘ，Ｙ）について繰り返すことにより、複数の追加現実評価データ（Ｙ２）を取得する（ステップＳ２４３）。

そして、各現実仕様データ（Ｘ）とこれに対応する追加現実評価データ（Ｙ２）を含んだ追加現実データセット（Ｘ，Ｙ２）を作成して保存する。これにより複数の追加現実データセット（Ｘ，Ｙ２）が保存されることになる。

次に、図６を参照すると、複数の現実データセット（Ｘ，Ｙ）と複数の追加現実データセット（Ｘ，Ｙ２）に基づいて、複数のターゲットモデル学習用入力データセット（Ｘ，Ｙ３）を生成する（ステップＳ２５１）。ここで、例えば、下式：
Ｙ３＝ａ１×Ｙ＋（１－ａ１）×Ｙ２
により、Ｙ３を算出する。

次に、複数のターゲットモデル学習用入力データセット（Ｘ，Ｙ３）の各々を学習用入力データセットとして初期ターゲットモデルＭ２に機械学習をさせることにより、ターゲットモデルＭ２’を取得する（ステップＳ２５３）。

なお、複数の現実データ（Ｘ，Ｙ）と複数の追加現実データセット（Ｘ，Ｙ２）を直接的に学習用データセットとして用いてもよい。

機械学習の手法は、ニューラルネットワークやランダムフォレストなどがあり、特に限定されない。また、事前学習モデルとターゲットモデルで異なる手法を用いても良い。

図７は、本発明の実施の形態によるターゲットモデル生成方法を実行するためのターゲットモデル生成装置及び予測対象評価データ予測方法を実行するための評価データ予測装置並びにこれらの入出力データを示すブロック図である。

図７を参照すると、ターゲットモデル生成装置５０１は、複数の現実データセット（Ｘ，Ｙ）を入力し、複数の仮想データセット（Ｘ‘，Ｙ’）を生成する。そして、複数の現実データセット（Ｘ，Ｙ）と複数の仮想データセット（Ｘ’，Ｙ’）により、事前学習モデルＭ１（Ｍ１‘）を用いて、ターゲットモデルＭ２（Ｍ２’）を生成する。

評価データ予測装置５０３は、ターゲットモデルＭ２‘を用いて、予測対象仕様データＸＸに対応する予測対象評価データＹＹを生成する。

図８は、本発明の実施の形態によるターゲットモデル生成方法及び予測対象評価データ予測方法を実行するためのコンピュータの構成を示すブロック図である。

コンピュータは、相互にバスにより接続されたＣＰＵ７０１、メインメモリ７０３、ユーザインターフェース７０５、外部インターフェース７０７及び記録媒体７０９を含む。

記録媒体７０９には、現実データセット（Ｘ，Ｙ）記憶部７０９ａ、仮想データセット（Ｘ’，Ｙ’）記憶部７０９ｂ、モデル記憶部７０９ｃ、予測対象仕様データ（ＸＸ）記憶部７０９ｄ、予測対象評価データ（ＹＹ）記憶部７０９ｅ、ターゲットモデル生成装置用プログラム記憶部７０９ｆ及び評価データ予測装置用プログラム記憶部７０９ｇが設けられる。

ＣＰＵ７０１が、ターゲットモデル生成装置用プログラム記憶部７０９ｆに格納されているプログラムを実行することによりＣＰＵ７０１には、ターゲットモデル生成装置５０１Ｂが構築される。

ＣＰＵ７０１が、評価プログラム予測装置用プログラム記憶部７０９ｇに格納されているプログラムを実行することによりＣＰＵ７０１には、評価データ予測装置５０３Ｂが構築される。

図９は、図８に示す記録媒体７０９に設けられた各記憶部に格納されるデータを示す図である。
図９を参照すると、現実データセット（Ｘ，Ｙ）記憶部７０９ａには、複数の現実データセット（Ｘ，Ｙ）が格納される。

仮想データセット（Ｘ’，Ｙ’）記憶部７０９ｂには、複数の仮想データセット（Ｘ’，Ｙ’）が格納される。

モデル記憶部７０９ｃには、事前学習モデルＭ１（Ｍ１’）及びターゲットモデルＭ２（Ｍ２’）が格納される。

予測対象仕様データ（ＸＸ）記憶部７０９ｄには、予測対象仕様データＸＸが格納される。

予測対象評価データ（ＹＹ）記憶部７０９ｅには、予測対象評価データ（ＹＹ）が格納される。

ターゲットモデル生成装置用プログラム記憶部７０９ｆには、ターゲットモデル生成装置用プログラム７０９ｆｐが格納される。

評価データ予測装置用プログラム記憶部７０９ｇには、評価データ予測装置用プログラム７０９ｇｐが格納される。

次に、上記の方法を車両用タイヤに適用した場合の一例を説明する。

タイヤの仕様は、例えば、図１０に示すタイヤの断面形状における各部ＤＡ、ＤＢ、ＤＣ、ＲＡ、ＲＢ、ＲＣ、ＲＤ、ＷＡ、ＷＢ、ＬＡの寸法の数値のセットを含む仕様データにより表される。

仕様変更の内容は、例えば、タイヤの幅を広げるような仕様変更であれば、ＬＡ、ＲＡ、ＷＡ、ＷＢを広げることである。また、例えば、タイヤの径をひろげるような仕様変更であれば、ＤＡ、ＤＢ、ＤＣを広げることである。

また、仕様変更の内容は、タイヤの構造の変更、タイヤの材料の変更であってもよい。

評価データは、インフレート時の寸法、接地特性、バネ特性、転がり抵抗、摩耗特性、耐久性などである。

評価条件データは、空気圧、荷重、速度、リムサイズなどである。

仮想評価データ（Ｙ’）を生成するためには、上記のようにタイヤの断面形状における各部の寸法の数値のセットを含む仕様データに基づいて特性計算モデル（例えば、有限要素法で用いるモデル、サロゲートモデル）におけるタイヤの形状をコンピュータにより生成する。そして、特性計算モデルに基づいて有限要素法、又は、サロゲートモデリングにより仮想評価データ（Ｙ’）を生成する。

図１１を参照して、タイヤについて、現実仕様データから仮想仕様データを生成し、それから、仮想仕様データを修正する場合の例を説明する。

図１１（ａ）は、現実仕様データに対応するタイヤの断面形状２６１を示す。

図１１（ｂ）は、断面形状２６１に対して仕様変更を適用することにより生成した仮想仕様データに対応するタイヤの断面形状２６３を示す。断面形状２６３においては、トレッド部とサイドウォール部との境界付近に逆Ｒ部が存在する。

図１１（ｃ）は、断面形状２６３に対して逆Ｒ部を削除するための形状修正を適用することにより生成したタイヤの断面形状２６５を示す。断面形状２６５に対応する仮想仕様データにより断面形状２６３に対応する仮想仕様データを置き換える。

この例に限らず、例えば、仕様データの変更により金型プロファイル変更すると、付随して内部構造も変更される。このとき、カーカスやベルトの形状が意図せず湾曲したり、設計標準外の寸法となることがあり、設計上好ましくない。そこで、上記変更後にカーカスやベルト形状の修正を行うことで、設計指針に沿ったタイヤ仕様データが得られる。

仕様データは、タイヤの断面形状に関するものには限られない。例えば、タイヤを製造するために利用する金型の形状に関するものであってもよい。金型の形状は、タイヤの外表面の形状に対応する。金型の形状を変更したならば、金型の形状に依存したり付随する部分の形状も変更してもよい。

変更後のタイヤの断面形状に対応するタイヤの仕様データを求めるときには、タイヤモデルに適合したものにする。

金型形状の変更では、金型プロファイル上のラインを複数領域に区分し、変更後の形状に対して、区分されたラインをそれぞれ拡大・縮小することでタイヤモデルを作成する。

つまり、有限要素法により構成されるタイヤモデルで、ベースモデルのプロファイル上の要素・節点を変更後のプロファイルに均等に投影して新たなタイヤモデルを作成した場合、内部構造が不自然な形状となることがあるという課題をこれにより解決することができる。つまり、複数領域に区分して、領域毎に要素・節点を投影してタイヤモデルを作成することで、上記の不都合を解決できる。

形状変更を実施後、補強材の形状または寸法を設計標準や設計指針に合うように修正してもよい。

これにより、設計指針に沿った仮想データを得ることができる。

図１２（ａ）は、タイヤについて予測対象仕様データに対応する予測対象評価データ（予測値）を予測する場合の予測値を、従来の方法と本実施形態による方法との間で比較するためのグラフである。図１２（ｂ）は、タイヤについて予測対象仕様データに対応する予測対象評価データ（予測値）を予測する場合の予測値を、従来の方法と本実施形態による方法との間で比較するための表である。

図１２（ａ）に示すグラフにおいて、横軸は実測値に対応し、縦軸は予測値に対応する。〇で示す点は、従来の方法による点であり、▽で示す点は、本実施形態による方法による点である。
図１２（ｂ）は、従来の方法と本実施形態による方法との間で、Ｒ２、ＭＡＥ、ＭＳＥを比較するための表である。ここで、Ｒ２は、決定係数であり、ＭＡＥは、平均絶対誤差（Mean Absolute Error）である、ＭＳＥは、平均二乗誤差（Mean Square Error）である。Ｒ２は、大きいほうが優れていることを示し、ＭＡＥ、ＭＳＥは小さいほうが優れていることを示す。数値を比較することにより、Ｒ２、ＭＡＥ及びＭＳＥの何れについても従来の方法よりも本実施形態による方法のほうが優れていることがわかる。

本実施形態により、仮想仕様データ（Ｘ’）及び仮想評価データ（Ｙ’）を含む仮想データセット（Ｘ’，Ｙ’）をコンピュータを利用することにより生成することができる。

本実施形態によるターゲットモデル生成方法及び評価データ予測方法をタイヤに適用することにより、追加仕様データに対応した新たな金型の作成、その金型を用いた新たなタイヤの作成、そのタイヤの評価データの測定が不要になる。

特に、新たな金型の作成（または、金型形状変更）については時間的・金銭的コストが大きく、新たな現実仕様データに対応したタイヤを大量に追加するのは困難であるため、新たな現実仕様データに置き換わる仮想仕様データ及びこれに対応する仮想評価データを含む仮想データセット生成の効果は大きい。

本発明はその精神または主要な特徴から逸脱することなく、他の種々の形で実施することができる。そのため、前述した各実施形態は単なる例示にすぎず、限定的に解釈されるべきではない。本発明の範囲は特許請求の範囲によって示すものであって、明細書本文にはなんら拘束されない。さらに、特許請求の範囲の均等範囲に属する変形や変更はすべて本発明の範囲内のものである。

Ｍ１ 初期事前学習モデル
Ｍ１’ 事前学習モデル
Ｍ２ 初期ターゲットモデル
Ｍ２’ ターゲットモデル
Ｘ 現実仕様データ
Ｙ 現実評価データ
（Ｘ，Ｙ） 現実データセット
Ｘ’ 仮想仕様データ
Ｙ’ 仮想評価データ
（Ｘ’，Ｙ’） 仮想データセット
ＸＸ 予測対象仕様データ
ＹＹ 予測対象評価データ
（ＸＸ，ＹＹ） 予測対象データセット

Claims (12)

1. 現実仕様データ（Ｘ）及び前記現実仕様データ（Ｘ）に対応した現実評価データ（Ｙ）を含む、複数の現実データセット（Ｘ，Ｙ）を用意するステップと、
   前記複数の現実データセット（Ｘ，Ｙ）に含まれる何れかの現実データセット内の現実仕様データ（Ｘ）に対してコンピュータ処理を適用することにより仕様変更を適用して仮想仕様データを生成し、前記仮想仕様データに対してコンピュータ処理を適用することにより前記仮想仕様データに対応する仮想評価データを生成することを繰り返すことにより、各々が前記仮想仕様データ及びこれに対応する仮想評価データを含む複数の仮想データセットを生成する仮想データセット生成ステップと、
   前記複数の仮想データセット（Ｘ’，Ｙ’）の各々を学習用入力データセットとして用いて初期事前学習モデル（Ｍ１）に機械学習をさせることにより事前学習モデル（Ｍ１’）を生成する事前学習モデル生成ステップと、
   前記事前学習モデル（Ｍ１’）を利用して、且つ、少なくとも前記複数の現実データセット（Ｘ，Ｙ）の各々を学習用入力データセットとして用いて初期ターゲットモデル（Ｍ２）に機械学習をさせることによりターゲットモデル（Ｍ２’）を生成するターゲットモデル生成ステップと、
   を有する事前学習モデルを利用したターゲットモデル生成方法。
2. 仮想仕様データセット生成ステップでは、前記複数の現実データセット（Ｘ，Ｙ）から選択された１の現実データセット（Ｘ，Ｙ）内の現実仕様データ（Ｘ）に含まれる複数の数値のうちの少なくとも一部を変更することにより前記仮想仕様データ（Ｘ’）を生成する、
   請求項１に記載の事前学習モデルを利用したターゲットモデル生成方法。
3. 前記仮想データセット生成ステップにおける各繰り返しで仕様変更が適用される現実仕様データ（Ｘｉ）は、繰り返し毎に異なり、又は、少なくとも一部の繰り返しについて繰り返し間で共通である、
   請求項２に記載の事前学習モデルを利用したターゲットモデル生成方法。
4. 前記仮想データセット生成ステップにおける各繰り返しで現実データに適用する仕様変更は、繰り返し毎に異なり、又は、少なくとも一部の繰り返しについて繰り返し間で共通である、
   請求項２又は３に記載の事前学習モデルを利用したターゲットモデル生成方法。
5. 前記事前学習モデル（Ｍ１’）の少なくとも一部を初期ターゲットモデル（Ｍ２）に複写するステップ、
   を更に有する、
   請求項１から４の何れか１項に記載の事前学習モデルを利用したターゲットモデル生成方法。
6. 前記事前学習モデル（Ｍ１’）を用いて、複数の現実仕様データ（Ｘ）に各々対応する複数の追加現実評価データ（Ｙ２）を取得するステップと、
   複数の現実仕様データ（Ｘ）の各々について、対応する追加現実評価データ（Ｙ２）を合わせることにより複数の追加現実データセット（Ｘ，Ｙ２）を構築するステップと、
   を更に有し、
   前記ターゲットモデル生成ステップでは、前記複数の現実データセット（Ｘ，Ｙ）に前記複数の追加現実データセット（Ｘ，Ｙ２）を追加した複数のターゲットモデル学習用入力データセットの各々を用いて初期ターゲットモデル（Ｍ２）に機械学習をさせる、
   請求項１から４の何れか１項に記載の事前学習モデルを利用したターゲットモデル生成方法。
7. 前記仮想データセット生成ステップでは、
   各々の前記仮想仕様データ（Ｘ’）に対応する前記仮想評価データ（Ｙ’）を、有限要素法を用いて算出する、
   請求項１から６の何れか１項に記載の事前学習モデルを利用したターゲットモデル生成方法。
8. 前記現実データセット及び前記仮想データセットは、タイヤに関するものである、
   請求項１から７の何れか１項に記載の事前学習モデルを利用したターゲットモデル生成方法。
9. 前記現実仕様データ（Ｘ）及び前記仮想仕様データは、前記タイヤの断面形状に関する複数の数値を含む
   請求項８に記載の事前学習モデルを利用したターゲットモデル生成方法。
10. 前記仕様変更とは、前記タイヤの断面形状の変更である、
    請求項９に記載の事前学習モデルを利用したターゲットモデル生成方法。
11. 前記仕様変更により前記仮想仕様データを生成したならば、前記仮想仕様データに対応する前記タイヤの断面形状を修正し、修正後の前記タイヤの断面形状が対応するように前記仮想仕様データを修正し、その後に、前記仮想仕様データに対してコンピュータ処理を適用することにより前記仮想仕様データに対応する前記仮想評価データを生成する、
    請求項１０に記載の事前学習モデルを利用したターゲットモデル生成方法。
12. 請求項１から１１の何れか１項に記載の事前学習モデルを利用したターゲットモデル生成方法をコンピュータに実行させるためのプログラム。
    

Images