@techreport{oai:ipsj.ixsq.nii.ac.jp:00194798,
 author = {大辻, 弘貴 and 清水, 香壱 and 古屋, 篤史 and 土肥, 義康 and 富田, 安基 and 中島, 耕太},
 issue = {27},
 month = {Feb},
 note = {機械学習の応用範囲の広がりにより，観測等による実データに留まらず，コンピュータシミュレーションにより生じたデータに対して学習を行い，未知の条件に対しても迅速に結果を得るための代替モデル生成が行われつつある．代替モデルの生成にあたっては，学習対象とするデータの性質や量をコントロールすることが，精度向上やモデル生成に要する時間を短縮する上で重要である．シミュレーションデータを学習に用いる場合の特徴として，条件設定を変更することで，任意の学習データを随時追加可能であることが挙げられる．ところが，既存事例では既に生成されたシミュレーションデータに対して学習を行っており，この利点が活かされていない．シミュレーションと学習を並行して実行することにより，データ生成のためのシミュレーション条件の最適化や，モデルパラメータのチューニングをより早い段階で行うことが可能となり，従来事例よりも高い精度のモデルが短時間で生成されることが期待できる．本研究では，電磁界シミュレーションにおける事例により，36% から 44% のシミュレーション実行数で代替モデルを生成できる可能性を示した．本稿においては，シミュレーションと機械学習を並行実行するための基盤および，電磁界シミュレーションの事例を対象とした代替モデル精度特性の評価について述べる．},
 title = {機械学習による代替モデル生成のための実行基盤},
 year = {2019}
}