算术处理设备、存储介质和算术处理方法与流程

本文讨论的实施方式涉及算术处理单元等。

背景技术：

已知遗传算法(ga)(例如，参见日本公开特许公报第2002-312755号)为进化计算(ec)之一。根据遗传算法，例如，输入值被转换为位序列且随机生成。然后，选择输入值(通过保留具有良好特性的输入值来选择)，并对其重复进行交叉和变异以找到最佳输入值。

已知一种应用进化计算来设计最佳结构的方法。为了获得最佳结构，需要执行性能评估。为了执行性能评估，需要获取与设计的结构相对应的强度分布。为了获取强度分布，需要计算满足本征解条件的本征解。

例如，将参照图15a、图15b和图16描述要获取具有下述表面声波(saw)波导(信令信道)的布置的结构的情况，所述表面声波(saw)波导(信令信道)具有拥有最高saw应用效率的光学saw滤波器。图15a和图15b是示出具有拥有最高saw应用效率的光学saw滤波器的saw强度分布的参考示例的图。参照图15a和图15b，示出了其中saw信令信道被不同地布置的两种类型的saw强度分布。获取saw波导的光学信令信道上具有最高saw强度的saw信令信道的布置以获取具有最高saw应用效率的结构。

基于表达式(1)获取saw强度分布。

saw强度分布s(z)：

为了获取saw强度分布，需要计算满足由表达式(2)表示的本征解条件的本征解。在此示例中，为了获取合适的saw强度分布，需要计算在两个无限远处都收敛为零(b1＝0，an＝0)的本征解。

本征解条件

并且a1＝1,b1＝0,an＝0

图16是示出呈现saw强度分布与本征解之间的关系的参考示例的图。图16示出了其中布置了四个saw信令信道的结构的saw强度分布。参照图16的上图，通过改变用于确定由表达式(1)和(2)表示的saw强度分布的本征方程的z值获得在两个无限远处都收敛为零(b1＝0,an＝0)的z的值作为本征解。参照图16的下图，通过改变用于确定由表达式(1)和(2)表示的saw强度分布的本征方程的z的值未获得在两个无限远处都收敛为零(b1＝0,an＝0)的z的值。换句话说，例如，未获取本征解。因此，对于其中布置了四个saw信令信道的结构，如图16的上图那样确定本征解和saw强度分布。

在获取与该结构相对应的本征解和强度分布后，基于该结构的saw强度分布对该结构执行性能评估。根据对结构的性能评估，从结构中选择新结构。通过交叉和变异产生下一代的结构，并且找到最佳设计结构。作为相关技术，例如，公开了日本公开特许公报第2002-312755号、日本公开特许公报第2018-29860号、日本公开特许公报第2003-508835号。

技术实现要素：

根据实施方式的一方面，算术处理设备包括预测单元和进化计算中的搜索单元，所述进化计算中的搜索单元通过基于输入的本征解计算目标函数并且重复地计算该目标函数来搜索输入的最佳值，其中，预测单元基于第一输入的第一本征解来预测满足预定的本征解条件的第二输入的本征解的范围；以及搜索单元，其在所预测的本征解的范围内搜索满足本征解条件的第二输入的第二本征解。

附图说明

图1是示出实施方式1的算术处理单元的配置的功能框图；

图2是示出根据实施方式1的模型生成的图；

图3是示出根据实施方式1的本征解预测的图；

图4是示出根据实施方式1的模型生成的流程图的示例的图；

图5是示出根据实施方式1的具有进化计算的结构设计的流程图的示例的图；

图6是示出在使用根据实施方式1的学习模型的情况下解候选范围的命中率的图；

图7是示出根据实施方式2的算术处理单元的配置的功能框图；

图8是示出根据实施方式2的模型生成的图；

图9是示出在使用根据实施方式2的学习模型的情况下解候选范围的命中率的图；

图10是示出根据实施方式3的算术处理单元的配置的功能框图；

图11是示出根据实施方式3的本征解信息表的示例的图；

图12是示出根据实施方式1至4的使用本征解预测的另一示例的图；

图13是示出根据另一示例的具有进化计算的结构设计的流程图的示例的图；

图14是示出执行算术处理程序的计算机的示例的图；

图15a和图15b是示出具有拥有最高saw应用效率的光学saw滤波器的saw强度分布的参考示例的图；

图16是示出呈现saw强度分布与本征解之间的关系的参考示例的图；

图17是示出具有进化计算的结构设计的流程图的参考示例的图；以及

图18是用于描述具有进化计算的结构设计的补充图。

具体实施方式

然而，在过去的应用进化计算来设计最佳结构的方法中，进化计算的计算复杂度的量可能不会不利地减少。换句话说，过去的方法计算获取强度分布所需的本征解。在这种情况下，通过改变由表达式(1)和(2)表示的本征方程的z的值获得在两个无限远处都收敛为零(b1＝0，an＝0)的z的值。换句话说，例如，为了获取本征解，通过在本征解的整个可能范围内逐一改变z的值来计算收敛为零的z的值。因此，这需要大量的计算复杂度来获取本征解，这意味着进化计算的计算复杂度的整体量可能不会减少。

将参照附图详细描述本文公开的算术处理单元、算术处理程序和算术处理方法的实施方式。在实施方式的描述中，将通过进化计算来获取具有拥有最高saw应用效率的光学saw滤波器的光学信令信道的最佳布置(结构设计)。然而，本公开内容不限于该实施方式。

首先，将参照图17描述具有进化计算的结构设计的流程图的参考示例。图17是示出具有进化计算的结构设计的流程图的参考示例的图。将参照图18中的补充图来描述图17中的流程图。

如图17所示，算术处理单元获得要被设计的结构作为输入值xkm(s110)。k指示代数，m指示该代数内的输入值编号。例如，如图18的第一行所示，为了计算最佳宽度，在某一代数内的输入值是作为x1的“6”、作为x2的“8”、作为x3的“10”和作为x4的“12”。

算术处理单元计算每个输入值xkm固有的操作条件(s120)。换句话说，例如，当输入表达式(2)中的本征解条件a1＝1和b1＝0时，将用于获取an的函数表示为h(z)。因为an是h(z)，并且由于条件an＝0，因此通过求解方程结果an即h(z)等于零而获得的条件是本征解g(z)。因为h(z)取决于结构，所以它根据输入值xkm而变化。如果本征解的可能范围是z可能取的1000个点，则算术处理单元将针对所有1000个点搜索本征解和本征行为(eigenaction)。

算术处理单元确定本征解和本征行为(s130)。换句话说，例如，将导致h(z)等于零的点z确定为本征解g(z)。例如，如图18的第二行所示，确定针对结构的输入值的本征解g(x1)、g(x2)、g(x3)和g(x4)。如图18的第三行所示，确定针对结构的输入值的saw强度分布作为本征行为。saw强度分布中的每一个由具有将光学信令信道的位置作为x轴并且将saw强度作为y轴的图表示。基于本征解确定作为本征行为的saw强度分布。

算术处理单元计算目标输入值的性能(s140)。例如，如图18的第三行所示，算术处理单元根据针对每个结构的输入值的saw强度分布将与每个结构的光学信令信道的位置相对应的saw强度计算作为性能值。当输入值为x1时，将“1.0”计算作为性能值f(x1)。当输入值为x2时，将“1.2”计算作为性能值f(x2)。当输入值为x3时，将“1.4”计算作为性能值f(x3)。当输入值为x4时，将“0.8”计算作为性能值f(x4)。

算术处理单元评估与输入值相对应的性能(s150)。例如，如图18的第四行所示，对于输入值x1(＝6)，性能值为1.0。对于输入值x2(＝8)，性能值为1.2。对于输入值x3(＝10)，性能值为1.4。对于输入值x4(＝12)，性能值为0.8。因此，在这种情况下，将由x指示的宽度在“10”附近的部分评估为产生最高性能值f(x)。

如果不满足结束条件，则算术处理单元基于评估结果选择输入值(s160)。例如，算术处理单元保留具有高性能值的输入值x3(＝10)、输入值x1(＝6)和输入值x2(＝8)，并移除具有最低性能值的输入值x4(＝12)。

算术处理单元生成下一代的输入值xk+1m(s170)。例如，算术处理单元使所选择的输入值交叉并改变经交叉的输入值以生成下一代的输入值。算术处理单元评估下一代输入值的性能。

如果满足结束条件，则算术处理单元基于评估结果选择最佳输入值(步骤s180)。

在用于选择这样的最佳结构设计的进化计算的处理中，算术处理单元计算获取saw强度分布所需的本征解。在这种情况下，算术处理单元在本征解的可能范围中针对所有点搜索本征解。因此，算术处理单元需要大量的计算复杂度来获取本征解，这意味着进化计算的计算复杂度的整体量可能不会减少。

因此，将描述可以减少进化计算的计算复杂度的量的算术处理单元。

[第一实施方式]

[算术处理单元的配置]

图1是示出根据实施方式1的算术处理单元的配置的功能框图。在搜索表示最佳结构的输入值的进化计算中，图1中示出的算术处理单元1基于过去的第一输入值和该输入值的本征解来预测新的第二输入值的本征解的范围。算术处理单元1在本征解的预测范围内搜索第二输入值的本征解。换句话说，例如，发明人着眼于表示结构的输入值与本征解相关联的事实，并且使用进化计算所特有的重复来基于过去的评估结果预测表示结构的输入值的本征解并搜索预测值附近的部分以找到输入值的本征解。本文的术语“输入值”是指光学saw滤波器的要被设计的结构。要被设计的结构具有光学信令通道，并被选择为具有其最佳布置的结构。

算术处理单元1具有控制单元10和存储单元20。

控制单元10是电子电路，例如中央处理单元(cpu)。另外，控制单元10具有用于存储定义各种处理过程的程序或控制数据的内部存储器，并且使用该程序和数据执行各种处理。控制单元10具有输入单元11、高性能计算(hpc)计算单元组12、性能值评估单元13、进化计算单元14、输出单元15和解预测单元16。

存储单元20是半导体储存装置(例如，随机存取存储器(ram)或闪速存储器)或存储装置(例如，硬盘或光盘)。存储单元20具有输入/输出存储单元21和学习模型22。

输入/输出存储单元21关联地存储过去的输入值和输出值(性能值)以及本征解。输入/输出存储单元21通过将在下面描述的输入/输出保存单元161进行存储。

学习模型22是用于通过使用过去的输入值和与该输入值相对应的本征解来获取与新的输入值相对应的本征解的范围的学习的结果模型。学习模型22通过使用神经网络(nn)的方法学习。学习模型22由将在下面描述的模型生成单元162生成。

输入单元11将要被设计并且要被用于生成学习模型22的多个输入值输出至将在下面描述的hpc计算单元121和将在下面描述的输入/输出保存单元161。输入单元11将要被设计用于通过使用学习模型22来预测本征解的多个输入值输出至将在下面描述的本征解预测单元163。

hpc计算单元组12具有多个hpc计算单元121。在下文中，将描述一个hpc计算单元121。

hpc计算单元121接收预定代数的要被设计的输入值，并获取满足输入值的本征解条件的本征解。换句话说，例如，hpc计算单元121从本征解的整个可能范围中搜索满足输入值的本征解条件(表达式(2))的本征解。在下文中，将从整个范围搜索满足本征解条件的本征解称为“整个范围搜索”。例如，当输入表达式(2)的本征解条件a1＝1且b1＝0时通过h(z)表示获取an的函数，hpc计算单元121求解由于an＝0的条件而导致an或h(z)等于零的方程。求解导致零的方程的条件是本征解g(z)。本征解的可能范围是z的所有可能点。因此，hpc计算单元121在z的所有可能点处搜索导致h(z)等于零的本征解。hpc计算单元121将通过整个范围搜索搜索到的输入值的本征解输出至将在下面描述的输出单元15。

另外，hpc计算单元121基于本征解计算saw强度分布(本征行为)作为目标函数。例如，hpc计算单元121基于表达式(1)计算与本征解相对应的saw强度分布。hpc计算单元121将本征解替换为表达式(1)中的neff以计算与本征解相对应的saw强度分布。hpc计算单元121通过使用输入值的saw强度分布来计算与输入值相对应的saw强度作为性能值。hpc计算单元121将输入值的性能值输出至将在下面描述的输出单元15。

性能值评估单元13针对每个输入值计算与每个输入值相对应的性能值。性能值评估单元13基于每个输入值的性能值来评估每个输入值的性能。最后，性能值评估单元13基于对输入值的性能评估的结果选择最佳输入值。

进化计算单元14基于输入值的性能的评估结果从多个输入值中选择要保留的输入值。进化计算单元14使所选择的输入值交叉并且改变经交叉的输入值以生成下一代的输入值。进化计算单元14将下一代的输入值输出至输入单元11。

输出单元15将从hpc计算单元121输出并通过“整个范围搜索”搜索到的输入值的本征解和性能值输出至将在下面描述的输入/输出保存单元161。

解预测单元16具有输入/输出保存单元161、模型生成单元162和本征解预测单元163。

输入/输出保存单元161将通过整个范围搜索搜索到的输入值的本征解和性能值保存在输入/输出存储单元21中。

模型生成单元162生成下述学习模型22，该学习模型22基于通过整个范围搜索搜索到的输入值的本征解预测满足输入值的本征解条件的本征解存在的范围。例如，模型生成单元162使神经网络(nn)学习存储在输入/输出存储单元21中并且通过整个范围搜索搜索到的输入值和本征解，并且生成预测输入值的本征解的范围的学习模型22。

将参照图2描述通过模型生成单元162进行的模型生成。图2是示出根据实施方式1的模型生成的图。如图2所示，模型生成单元162使nn学习输入值xkm和本征解g(xkm)，并因此生成预测输入值的估计g(xkm)的学习模型22。术语“估计g(xkm)”是指本征解的范围。k指示代数，m指示代数内的输入值编号。

返回参照图1，本征解预测单元163使用学习模型22来预测输入值的本征解存在的范围(解候选范围)。

本征解预测单元163在预测的本征解范围内搜索满足输入值的本征解条件的输入值的本征解。在下文中，将从本征解范围中搜索满足本征解条件的本征解称为“局部范围搜索”。

例如，当输入表达式(2)的本征解条件a1＝1和b1＝0时通过h(z)表示获取an的函数，本征解预测单元163求解由于an＝0的条件而导致an或h(z)等于零的方程。求解导致零的方程的条件是本征解g(z)。用于求解导致零的方程的z的范围是预测的本征解范围(局部范围)。本征解预测单元163在预测的本征解范围(局部范围)内的点处搜索本征解。换句话说，例如，本征解预测单元163将本征解范围内的z的值依次地代入方程式h(z)，并且预测导致零的z的值作为本征解。

如果本征解预测成功，则本征解预测单元163将本征解连同输入值一起输出至hpc计算单元121。这是为了使hpc计算单元121计算输入值的本征解的saw强度分布(本征行为)以及计算输入值的性能值。另一方面，如果本征解预测失败，则本征解预测单元163将由预测失败导致的本征解的输入值输出至hpc计算单元121。这是为了使hpc计算单元121通过整个范围搜索来获取输入值的本征解。

[本征解预测的描述]

将参照图3描述通过本征解预测单元163进行的本征解预测。图3是示出根据实施方式1的本征解预测的图。在图3中，将解候选范围划分为针对通过将1000个点除以20获得的50个点的20个范围。

首先，通过使用图3的左侧所示的学习模型22，本征解预测单元163预测输入值xkm的解候选范围。

接下来，如图3的右侧所示，本征解预测单元163在预测的解候选范围内搜索满足输入值的本征解条件的输入值的本征解。这里假设预测的解候选范围是“5”。在由解候选范围“5”指示的范围内，本征解预测单元163求解其中由于条件an＝0而使当输入表达式(2)的本征解条件a1＝1和b1＝0时用于获取an的函数h(z)结果为零的方程。换句话说，例如，本征解预测单元163将在由解候选范围“5”指示的范围内的z的值代入方程h(z)。如果利用解候选范围内的z值之一使函数h(z)结果为零，即，如果本征解预测成功，则本征解预测单元163预测利用其使函数h(z)结果为零的z值作为本征解。因此，与在解的可能范围内搜索所有点的整个范围搜索的情况相比，本征解预测单元163可以仅在1/20范围中搜索，从而将计算复杂度的量减少到1/20，并提高了处理速度。

如果利用解候选范围内的z值未使函数h(z)结果为零，即，如果本征解预测失败，则本征解预测单元163可以使hpc计算单元121通过整个范围搜索来获取本征解。

[模型生成流程图]

图4是示出根据实施方式1的模型生成的流程图的示例的图。代数k的初始值假设为“1”。

如图4所示，输入单元11输入要被设计的多个输入值“xkm”(结构/设计值)(步骤s11)。

hpc计算单元121针对输入值“xkm”中的每一个计算本征行为条件(步骤s12)。例如，当输入表达式(2)中的本征解条件a1＝1和b1＝0时，hpc计算单元121针对输入值中的每一个计算用于获取an的函数h(z)。对于输入值中的每一个，hpc计算单元121关于z的所有可能点求解由于表达式(2)中本征解条件的an＝0的条件而导致an或h(z)等于零的方程。

hpc计算单元121确定每个输入值的本征解和本征行为(步骤s13)。例如，hpc计算单元121针对输入值中的每一个将利用其方程h(z)被求解为零的z的值确定为本征解。基于表达式(1)，hpc计算单元121计算与所确定的本征解相对应的saw强度分布作为本征行为。hpc计算单元121将本征解替换为表达式(1)中的neff以计算与本征解相对应的saw强度分布。

输入/输出保存单元161将输入值的本征解累积地存储在输入/输出存储单元21中(步骤s14)。

性能值评估单元13计算输入值的性能(步骤s15)。例如，性能值评估单元13根据输入值的saw强度分布计算与由输入值指示的每个结构的光学信令信道的位置相对应的saw强度作为性能值。性能值评估单元13基于输入值的性能值来评估输入值的性能(步骤s16)。

性能值评估单元13确定当前代数是否超过阈值(步骤s17)。如果确定当前代数未超过阈值(步骤s17中为“否”)，则进化计算单元14基于评估结果从当前输入值“xkm”中选择输入值(步骤s18)。

进化计算单元14生成下一代的输入值“xk+1m”(步骤s19)。例如，进化计算单元14使所选择的输入值交叉并且改变经交叉的输入值以生成下一代的输入值。进化计算单元14进行至步骤s11以对下一代进行处理。

另一方面，如果确定当前代数超过阈值(步骤s17中为是)，则模型生成单元162生成下述学习模型22，该学习模型22根据所存储的输入值的本征解预测输入值的本征解存在的范围(步骤s20)。模型生成处理结束。

[用于进化计算的流程图]

图5是示出根据实施方式1的进化计算的流程图的示例的图。假设代数k的初始值为用于模型生成的阈值+1。

如图5所示，输入单元11输入要被设计的多个输入值“xkm”(结构/设计值)(步骤s21)。

通过使用学习模型22，本征解预测单元163估计输入值的本征解的解候选范围(步骤s22)。本征解预测单元163在解候选范围中预测本征解(步骤s23)。例如，当输入表达式(2)中的本征解条件a1＝1和b1＝0时，本征解预测单元163针对输入值中的每一个计算用于获取an的函数h(z)。对于输入值中的每一个，本征解预测单元163关于估计的解算候选范围中的z点求解由于表达式(2)中本征解条件的an＝0的条件而导致an或h(z)等于零的方程以预测本征解。换句话说，例如，本征解预测单元163将本征解范围内的z的值依次地代入方程h(z)，并且预测导致零的z的值作为本征解。

本征解预测单元163确定本征解预测是否成功(步骤s24)。如果确定本征解预测已经成功(步骤s24中为是)，则本征解预测单元163进行至步骤s26。

另一方面，如果确定本征解预测未成功(步骤s24中为否)，则hpc计算单元121计算输入值“xkm”的本征行为条件(步骤s25)。例如，当输入表达式(2)中的本征解条件a1＝1和b1＝0时，hpc计算单元121针对输入值中的每一个计算用于获取an的函数h(z)。对于输入值中的每一个，hpc计算单元121关于z的所有可能点求解由于表达式(2)中本征解条件的an＝0的条件而导致an或h(z)等于零的方程以预测本征解。hpc计算单元121进行至步骤s26。

hpc计算单元121确定每个输入值的本征解和本征行为(步骤s26)。例如，hpc计算单元121针对每个输入值将利用其方程h(z)被求解为零的值z确定为本征解。基于表达式(1)，hpc计算单元121计算与所确定的本征解相对应的saw强度分布作为本征行为。hpc计算单元121将本征解替换为表达式(1)中的neff以计算与该本征解相对应的saw强度分布。

性能值评估单元13计算输入值的性能(步骤s27)。例如，性能值评估单元13根据输入值的saw强度分布计算与由输入值指示的每个结构的光学信令信道的位置相对应的saw强度作为性能值。性能值评估单元13基于输入值的性能值来评估输入值的性能(步骤s28)。

性能值评估单元13确定是否满足结束条件(步骤s29)。如果确定不满足结束条件(步骤s29中为否)，则进化计算单元14基于评估结果从当前输入值“xkm”中选择输入值(步骤s30)。

进化计算单元14生成下一代的输入值“xk+1m”(步骤s31)。例如，进化计算单元14使所选择的输入值交叉并且改变经交叉的输入值以生成下一代的输入值。进化计算单元14进行至步骤s21以对下一代进行处理。

另一方面，如果确定满足结束条件(步骤s29中为是)，则性能值评估单元13基于输入值的性能评估结果选择最佳输入值(步骤s32)。进化计算处理结束。

[使用学习模型时解候选范围的命中率]

将参照图6描述使用根据实施方式1的学习模型22时解候选范围的命中率。图6是示出使用根据实施方式1的学习模型的情况下解候选范围的命中率的图。图6示出了其中一代存在200个输入值并且要评估200代的40000个输入值的进化计算的示例。学习模型22是四层的nn，并且解候选范围被划分为20个范围。

在这种情况下，模型生成单元162学习最初的第1代至第25代的5000个(200个输入值×25代)数据片段以生成学习模型22。对于第26代及随后生成的第5001个数据片段，本征解预测单元163通过使用学习模型22来预测输入值的解候选范围，在预测的解候选范围中执行局部范围搜索并预测本征解。

如图6所示，在第26代及随后代数的第5001个及随后数据的数据片段(输入值)中，本征解的预测成功的概率为60％或者更高的命中率。例如，对于5001至10000个数据片段(输入值)，命中率超过60％。对于30000至35000个数据(输入值)时，命中率超过60％。

这意味着，第26代及随后代数的第5001个及随后数据片段的数据中的60％数据的计算复杂度的量为1/20。然后，当对剩余的40％数据执行整个范围搜索时，每一次整个范围搜索的输入值的特性计算复杂度的量为43％(0.43＝0.4×1+0.6×1/20)。另外，虽然甚至在40000次计算的5000次计算中都执行了整个范围搜索，但是计算复杂度的总量为50％(0.5＝5000/40000×1+35000/40000×0.43)。换句话说，例如，算术处理单元1可以通过使用根据实施方式1的学习模型22的解候选范围来降低进化计算的计算复杂度的量。

[实施方式1的效果]

根据实施方式1，算术处理单元1基于输入值的本征解计算目标函数，并重复计算目标函数，以在搜索输入值的最佳值的进化计算中执行以下处理。算术处理单元1基于第一输入值的第一本征解来预测满足预定本征解条件的第二输入值的本征解的范围。算术处理单元1在本征解的预测范围内搜索满足本征解条件的第二输入的第二本征解。利用该配置，算术处理单元1通过使用满足本征解条件的输入值的本征解的范围来预测本征解，使得可以减少进化计算的计算复杂度的整体量。

根据实施方式1，算术处理单元1基于预定的本征解条件计算第一输入值的第一本征解。算术处理单元1基于第一输入值和作为计算结果的第一本征解来生成预测满足本征解条件的本征解的范围的学习模型22。利用该配置，算术处理单元1通过使用学习模型22来预测本征解的范围，使得可以减少计算本征解的计算复杂度的量。因此，算术处理单元1可以减少进化计算的整体计算复杂度的整体量。

根据实施方式1，算术处理单元1基于第二输入值的第二本征解来计算目标函数(saw强度分布)。算术处理单元1基于计算出的目标函数来评估第二输入值的性能。算术处理单元1基于经评估的性能值从第二输入值中生成新的第二输入值。算术处理单元1对新的第二输入值重复预测本征解的范围的处理、搜索本征解的处理、计算目标函数的处理、评估输入值的性能的处理以及生成新的输入值的处理。利用该配置，算术处理单元1可以减少进化计算的整体计算复杂度的整体量。

[实施方式2]

根据实施方式1，算术处理单元1基于通过整个范围搜索搜索到的第一代到第m代的输入值的本征解生成预测输入值的本征解存在的范围的学习模型22。算术处理单元1通过使用生成的学习模型22根据第(m+1)代的输入值预测输入值的本征解的解候选范围，并执行从解候选范围中搜索本征解的局部范围搜索。然而，算术处理单元1不限于此，而是可以根据将对其执行局部范围搜索的代来更新学习模型22。例如，算术处理单元1更新学习模型22，使得学习模型使用在将对其执行局部范围搜索的代紧之前的若干代。根据所述代更新学习模型22，这是因为在进化计算中每一代的输入值根据进化而偏移。

因此，在实施方式2中，算术处理单元1根据将对其执行局部范围搜索的代来更新学习模型22。

[算术处理单元的配置]

图7是示出根据实施方式2的算术处理单元的配置的功能框图。用相同的附图标记表示图7的算术处理单元中与图1的算术处理单元1中相同的元件，本文省略对相同元件及其操作的讨论。实施方式1与实施方式2的不同之处在于用模型生成单元162a代替模型生成单元162。

模型生成单元162a针对其中预测本征解的每一代更新学习模型22。例如，模型生成单元162a生成下述学习模型22，该学习模型22通过使用要预测本征解的每一代紧之前的若干代的输入值和本征解来预测满足输入值的本征解条件的本征解存在的范围。模型生成单元162a针对要预测本征解的每一代更新学习模型22。

将参照图8描述根据实施方式2的模型生成。图8是示出根据实施方式2的模型生成的图。如图8所示，在进化计算中的进化处理中输入值被偏移。虽然第1代至第25代中的输入值存在于左上部分，但是随着诸如第26代至第50代和第51代至第75代的代的进行，输入值向右下部分偏移。

因此，模型生成单元162a生成和更新下述学习模型22，该学习模型22通过使用要预测本征解的每一代紧之前的若干代的输入值来预测满足输入值的本征解条件的本征解存在的范围。为了预测第51代至第75代的本征解，通过使用第26代至第50代的输入值作为学习数据来生成和更新学习模型22。为了预测第26代至第50代的本征解，通过使用第1代至第25代的输入值作为学习数据来生成和更新学习模型22。

[使用学习模型时解候选范围的命中率]

将参照图9描述使用根据实施方式2的学习模型22时解候选范围的命中率。图9是示出在使用根据实施方式2的学习模型的情况下解候选范围的命中率的图。类似于图6，图9示出了其中一代存在200个输入值并且要评估200代的40000个输入值的进化计算的示例。学习模型22是四层的nn，并且解候选范围被划分成20个范围。

在这种情况下，模型生成单元162a通过使用第1代至第25代的输入值作为学习数据来生成用于第26代的本征解预测的学习模型22。模型生成单元162a通过使用第2代至第26代的输入值作为学习数据来生成用于第27代的本征解预测的学习模型22。此后，模型生成单元162a针对每一代始终持续地将学习模型22更新为最新的数据参考。

如图9所示，在第26代及随后的代的第5001个及随后的数据片段的数据(输入值)中，本征解的预测的成功概率是为约70％的命中率。例如，对于5001至10000数据片段(输入值)，命中率为70％。对于30000至35000数据片段(输入值)，命中率为70％。

然后，虽然由于持续学习而导致计算复杂度增加，但是第26代及随后的代的第5001个数据片段和随后的数据片段的数据中的70％数据的计算复杂度的量为1/20。然后，当对剩余的30％数据执行整个范围搜索时，每一次整个范围搜索输入值的特性计算复杂度的量为33.5％(0.335＝0.3×1+0.7×1/20)。换句话说，例如，算术处理单元1可以通过使用根据实施方式2的学习模型22的解候选范围来进一步降低进化计算的计算复杂度的量。

[实施方式2的效果]

根据实施方式2，在第二输入是预定代数的输入的情况下，算术处理单元1基于预定代数之前的多代的第一输入和第一本征解生成和更新学习模型22。利用该配置，算术处理单元1可以根据代数通过使用学习模型22以高精度预测本征解的范围，使得可以降低进化计算的计算复杂度的量。

[实施方式3]

根据实施方式1，算术处理单元1基于通过整个范围搜索搜索到的从第一代到第m代的输入值的本征解生成预测输入值的本征解存在的范围的学习模型22。算术处理单元1通过使用所生成的学习模型22根据第(m+1)代的输入值预测输入值的本征解的解候选范围，并执行从解候选范围中搜索本征解的局部范围搜索。然而，算术处理单元1不限于此，而是将通过整个范围搜索搜索到的从第一代到第m代的输入值的本征解存储在本征解信息表23中。算术处理单元1可以通过使用生成的本征解信息表23根据第(m+1)代的输入值来预测输入值的本征解。

根据实施方式3，算术处理单元1通过使用存储输入值的本征解的本征解信息表23来预测新的输入值的本征解。

[算术处理单元的配置]

图10是示出根据实施方式3的算术处理单元的配置的功能框图。用相同的附图标记表示图10的算术处理单元中与图1的算术处理单元1中相同的元件，本文省略对相同的元件及其操作的讨论。实施方式1与实施方式3的不同之处在于用本征解信息表生成单元164代替了模型生成单元162。它们的不同之处还在于用本征解预测单元163a代替了本征解预测单元163。它们的不同之处还在于用本征解信息表23代替了学习模型22。

本征解信息表23是存储多个输入值的本征解的表。将参照图11描述本征解信息表23的示例。图11是示出根据实施方式3的本征解信息表的示例的图。如图11所示，本征解信息表23关联地存储输入值xkm和本征解g(xkm)。k指示代数，m指示该代数内的输入值编号。作为示例，当输入值xkm为x02时，将“111...1”存储为x02的值，并且将“12”存储为本征解g(xkm)。

返回参照图10，本征解信息表生成单元164生成本征解信息表23。例如，本征解信息表生成单元164将存储在输入/输出存储单元21中并且通过整个范围搜索来搜索的多代中的每一代的输入值和本征解保存在本征解信息表23中。

本征解预测单元163a通过使用本征解信息表23来预测输入值的本征解。例如，本征解预测单元163a通过使用本征解信息表23预测新一代的输入值的本征解。作为示例，在新一代的输入值最接近x02的情况下，本征解预测部163a将最接近的输入值x02的本征解g(x02)预测为新一代的输入值的本征解。作为另一示例，当新一代的输入值接近x02和x53时，本征解预测单元163a将根据接近的输入值的本征解内插的解预测为新一代的输入值的本征解。例如，本征解预测单元163a将g(x02)和g(x53)的平均值预测为新一代的输入值的本征解。

[实施方式4]

根据实施方式1，算术处理单元1基于通过整个范围搜索搜索到的从第一代到第m代的输入值的本征解生成预测输入值的本征解存在的范围的学习模型22。算术处理单元1通过使用所生成的学习模型22根据第(m+1)代的输入值预测输入值的本征解的解候选范围，并执行从解候选范围中搜索本征解的局部范围搜索。然而，算术处理单元1不限于此，而是可以关于通过整个范围搜索搜索到的从第1代到第m代的输入值的本征解生成包括本征解的数据区间(对应于解候选范围)的频率分布。算术处理单元1可以通过使用生成的频率分布根据第(m+1)代的输入值来执行从具有高频率的数据区间中搜索本征解的局部范围搜索。

例如，假设将解候选范围划分成针对通过将1000个点除以20获得的50个点的20个范围。当整个本征解的略小于40％位于特定解候选范围内时，针对一次搜索输入值的特性计算复杂度的量为62％(0.62＝0.4×1/20+0.6×1)。换句话说，例如，当使用根据实施方式4的本征解频率分布时，与执行整个范围搜索的情况相比，算术处理单元1可以将进化计算的计算复杂度的量降低至2/3。

[实施方式4的效果]

根据实施方式4，算术处理单元1基于预定的本征解条件计算第一输入值的第一本征解。算术处理单元1基于第一输入值和作为计算的结果的第一本征解生成多个本征解范围的集合的本征解频率分布。算术处理单元1通过使用本征解频率分布来预测第二输入值的本征解的范围。利用该配置，算术处理单元1通过使用本征解频率分布来预测本征解的范围，使得可以减少用于计算本征解的计算复杂度的量。因此，算术处理单元1可以减少进化计算的计算复杂度的整体量。

[使用本征解预测的另一示例]

利用根据实施方式1至实施方式4的本征解预测设计了光学saw滤波器。将参照图12描述使用根据实施方式1至实施方式4的本征解预测的另一示例。图12是示出使用根据实施方式1至实施方式4的本征解预测的另一示例的图。参照图12，将描述通过进化计算获得压控振荡器(vco)的设计的情况。

图12的上图示出了vco电路。设计要求的示例由虚线包围。

图12的左下图示出了振荡频率与工作电压之间的关系。通过设置工作电压使得振荡频率以特定值(例如25.0ghz)作为目标值进行工作来使用vco电路。在这种情况下，25.0ghz是作为振荡频率f的特定值。在由输入值1表示的结构中，当vco电路以特定值工作时，工作电压指示v1。在由输入值2表示的结构中，当vco电路以特定值工作时，工作电压指示v2。以这种方式，工作电压取决于结构。

图12的右下图示出了特定频率下的相位噪声。vco电路不仅需要具有在特定值下工作的振荡频率，而且还要在根据规范的条件下具有小的相位噪声。在这种情况下，由输入值2表示的结构2具有比由输入值1表示的结构1低的相位噪声。这意味着，结构2是比结构1更佳的结构。

在该vco电路的设计概要下，在设计处理中调整电感器和可变电容的输入值(关于结构和参数值的设计要求)以寻找最佳结构。然而，当输入值改变时，针对该输入值的工作电压改变。因此，每一次根据输入值预测具有特定的振荡频率f的工作电压(vcnt)，需要在基于规范的条件下评估相位噪声。

因此，例如，vco电路的结构和参数的设计要求与根据实施方式1的“输入值”相关联。针对输入值在规范条件下的工作电压与“本征解”相关联。针对输入值在基于规范的条件下的相位噪声与评估值相关联。例如，可以如下通过使用根据实施方式1的本征解预测来设计vco。

hpc计算单元121接收关于预定代数的设计要求的输入值，并且针对输入值在工作电压的可能的整个范围内搜索满足规范条件的工作电压。

基于通过整个范围搜索搜索到的输入值的工作电压，模型生成单元162生成预测满足输入值的规范条件的工作电压存在的范围的学习模型22。

本征解预测单元163使用学习模型22来预测输入值的工作电压存在的范围(解候选范围)。本征解预测单元163在预测的工作电压范围内预测满足输入值的规范条件的输入值的工作电压。如果对工作电压的预测失败，则本征解预测单元163可以使hpc计算单元121通过执行整个范围搜索来搜索输入值的工作电压。

性能值评估单元13基于预测的或搜索到的工作电压来计算输入值的相位噪声。性能值评估单元13基于输入值的相位噪声来评估输入值的相位噪声(性能)。进化计算单元14可以基于输入值的相位噪声的评估结果来进化输入值、预测输入值的工作电压并且最终选择最佳输入值。

[进化计算的流程图]

图13是示出根据另一示例的用于具有进化计算的结构设计的流程图的示例的图。假设由模型生成单元162生成学习模型22。代数k的初始值假设为用于模型生成的阈值+1。

如图13所示，输入单元11输入要被设计的多个输入值“xkm”(结构/设计值)(步骤s41)。

通过使用学习模型22，本征解预测单元163估计输入值的本征工作电压的解候选范围(步骤s42)。本征解预测单元163在解候选范围中预测本征工作电压(步骤s43)。

本征解预测单元163确定本征工作电压预测是否已经成功(步骤s44)。如果确定本征工作电压预测已经成功(步骤s44为是)，则本征解预测单元163进行至步骤s46。

另一方面，如果确定本征工作电压预测未成功(步骤s44中为否)，则hpc计算单元121计算输入值“xkm”的本征工作电压(步骤s45)。换句话说，例如，hpc计算单元121通过从整个范围中搜索作为规范的本征工作电压来计算本征工作电压。hpc计算单元121进行至步骤s46。

在步骤s46中，hpc计算单元121确定每个输入值的本征工作电压(步骤s46)。

性能值评估单元13计算输入值的性能(步骤s47)。例如，性能值评估单元13根据输入值的本征工作电压来计算相位噪声。性能值评估单元13基于输入值的相位噪声来评估输入值的性能(步骤s48)。

性能值评估单元13确定是否满足结束条件(步骤s49)。如果确定不满足结束条件(步骤s49中为否)，则进化计算单元14基于评估结果从当前输入值“xkm”中选择输入值(步骤s50)。

进化计算单元14生成下一代的输入值“xk+1m”(步骤s51)。例如，进化计算单元14使所选择的输入值交叉并且改变经交叉的输入值以生成下一代的输入值。进化计算单元14进行至步骤s41以对下一代进行处理。

另一方面，如果确定满足结束条件(步骤s49中为是)，则性能值评估单元13基于输入值的性能评估结果选择最佳输入值(步骤s52)。进化计算处理结束。

[其他示例的效果]

因此，在设计vco时，算术处理单元1通过使用满足规范要求的输入值的工作电压的范围来预测工作电压，使得可以减少进化计算的计算复杂度的整体量。换句话说，例如，如果可以预测对针对每个输入值具有特定振荡频率的工作电压(对应于本征解)的搜索，则算术处理单元1可以有效地评估输入值(结构)。因此，可以减少用于设计vco的计算复杂度的量。

[其他]

在附图中示出的算术处理单元1的部件不必一定如附图所示地物理地配置。即，算术处理单元1的分布和集成的具体形式不限于附图中所示的形式，并且可以将其全部或部分配置成根据各种负载、使用状态等在给定的单元中进行功能上或物理上的分布或集成。例如，输出单元15和输入/输出保存单元161可以集成为一个单元。hpc计算单元121可以被划分为通过整个范围搜索来搜索本征解的计算单元、基于本征解计算目标函数的单元和基于目标函数计算输入值的性能值的单元。存储单元20可以经由网络耦接为算术处理单元1的外部装置。

上述实施方式中描述的各种处理可以作为执行预先准备的程序的诸如个人计算机的计算机或工作站的结果来实现。在下文中，将描述执行实现与图1中示出的算术处理单元1的功能相同的功能的算术处理程序的计算机的示例。图14是示出执行算术处理程序的计算机的示例的图。

如图14所示，计算机200包括执行各种算术处理的cpu203、接受来自用户的输入数据的输入装置215以及控制显示装置209的显示控制器207。计算机200还包括从存储介质读取程序等的驱动装置213以及经由网络与另一计算机交换数据的通信控制器217。计算机200还包括临时存储各种信息的存储器201和硬盘驱动器(hdd)205。存储器201、cpu203、hdd205、显示控制器207、驱动装置213、输入装置215和通信控制器217经由总线219彼此耦接。

驱动装置213是例如用于可移动盘211的装置。hdd205存储算术处理程序205a和算术处理相关信息205b。

cpu203读取算术处理程序205a、在存储器201中开发估计程序205a、并且执行算术处理程序205a作为处理。这样的处理对应于算术处理单元1的相应功能单元。算术处理相关信息205b对应于输入/输出存储单元21和学习模型22。例如，可移动盘210存储算术处理程序205a等的各种信息。

算术处理程序205a可能不一定必须从头开始存储在hdd205中。例如，算术处理程序205a可以存储在插入计算机200的“便携式物理介质”例如软盘(fd)、光盘只读存储器(cd-rom)、数字多功能盘(dvd)、磁光盘或者集成电路(ic)卡中。计算机200可以通过从便携式物理介质中读取算术处理程序205a来执行算术处理程序205a。