2019年度 人工知能学会全国大会(第33回)にて論文発表・インダストリアルセッション登壇・展示ブース出展のお知らせ

NEWS

2019年6月 4日(火)~6月7日(金)に、朱鷺メッセ 新潟コンベンションセンター(新潟県新潟市中央区万代島6番1号)において、「2019年度 人工知能学会全国大会(第33回)以下:JSAI2019 」が開催されます。弊社は、JSAI2019 にて、論文発表とインダストリアルセッション登壇・展示ブース出展をします。

 

■JSAI2019 概要

日程:
2019年6月4日(火)~ 6月7日(金)

会場:
朱鷺メッセ 新潟コンベンションセンター
新潟県新潟市中央区万代島6番1号(新潟駅から路線バス約15分、徒歩約20分)
https://www.tokimesse.com/

参加者交流会(参加無料):
6月6日(木)18:00~19:30 万代島多目的広場(予定)
すべての参加者(一般公開企画限定の参加者を除く)が無料でご参加いただけます.
万代島多目的広場は,朱鷺メッセ正門正面の駐車場南西側にある建屋(元魚市場)です。

詳細はこちら:
https://www.ai-gakkai.or.jp/jsai2019/

 

■論文発表(一般セッション/国際セッション)について
弊社は電気通信大学と共同研究活動を行っており、JSAI2019にて7本の口頭発表(一般セッション/国際セッション)をします。

1.量子コンピューティングにおける最適解の全量子探索
Total Quantum Search of Optimal Solution in Quantum Computing

セッション番号:2E1-J-1
セッション会場:E会場 (301A 中会議室)
セッション名:基礎・理論: 量子と探索
セッション日時:2019年6月5日(水) 09:20 〜 09:40
講演番号:2E1-J-1-02
内容紹介:
量子コンピューターと古典的コンピューターを交互に計算することによって大規模固有値問題を解く量子変分固有値ソルバー(VQE)が考案された。固有値を最適化する方法としては、主にNelder-Mead法が用いられます。しかしながら、大域的最適解を常に探索できるとは限らないという欠点がある。本論文では、二種類の最適化法、粒子群最適化(PSO)と量子挙動粒子群最適化(QPSO)を代替法として用いた。その結果、VQEアルゴリズムにおける固有値最適化法ではPSOとQPSOの性能がNelder-Mead法よりも優れていることがわかった。さらに、QPSOを使用したときの相対誤差は、3つの最適化方法の中で最小であることがわかりました。一方、量子回路のみを用いた固有値探索アルゴリズムの実現を目指し、量子ビット粒子群最適化(QBPSO)をVQEアルゴリズムの固有値最適化手法に取り入れています。

https://confit.atlas.jp/guide/event/jsai2019/subject/2E1-J-1-02/tables?cryptoId=

2.量子シミュレーターを用いた畳み込み型量子自己符号化器の開発
Development of convolution filter embedded quantum autoencoder by quantum simulator

セッション番号:2E1-J-1
セッション会場:E会場 (301A 中会議室)
セッション名:基礎・理論: 量子と探索
セッション日時:2019年6月5日(水) 9:00 ~ 9:20
講演番号:2E1-J-1-01
内容紹介:
量子ゲート型量子コンピュータは汎用性が高く、近い将来実用化されることが期待される。しかし、量子ゲート型量子計算機の量子ビットは外部干渉に対して非常に弱く、量子状態を長期間維持することは困難である。したがって、現在開発されている量子コンピュータでは、量子ビット数が限られており、大規模かつ高次元のデータを計算することは困難である。本論文では、この問題の解決策として、機械学習で用いられる手法の一つである畳み込みフィルタを量子計算に適用する計算手法を提案する。さらに、この手法を量子オートエンコーダに適用した結果、98%の自動符号化精度で数百キュビット以上のデータに数キュビット構成のたたみ込みフィルタを適用することにより有効性が得られた。

https://confit.atlas.jp/guide/event/jsai2019/subject/2E1-J-1-01/tables?cryptoId=

3.アテンションとマスキング技術で拡張した強化学習による電力エネルギーシステム最適化研究
Attention-masking extended deep Q network (AME-DQN) reinforcement learning
algorithm for combinatory optimization of smart-grid energy

セッション番号:2A4-E-2
セッション会場:A会場 (2F メインホールA)
セッション名:Machine learning: method extensions
セッション日時:2019年6月5日(水) 15:40 ~ 16:00
講演番号:2A4-E-2-02
内容紹介:
ゲームおよびロボット制御において前例のない成功を示した最近のディープニューラルネットワークベースの強化学習(DRL)方法は、組み合わせ最適化問題を解決するために徐々に注目を集めている。しかしながら、スマートグリッドシステムにおける効果的な運用は、電力需要 – 供給関係、電池電力の下限と上限、市場価格などのような様々な制約を受けなければならない。これらの制約のため、DRLアルゴリズムは最適化結果を得るのに効率的ではない。 。本稿では、この問題を解決するために、アテンションマスキング拡張したディープQネットワーク(AME-DQN)強化学習アルゴリズムを開発した。さまざまな気象条件と需要プロファイルを考慮して、訓練されたAME-DQNモデルの予測能力に特に焦点を当てました。これらの結果はさらにMILPの結果と比較され、MILPの出力結果がほとんどの場合条件を満たさなかったがAME-DQNがすべての制約を満たす最適化された行動を予測できることを実証した。

https://confit.atlas.jp/guide/event/jsai2019/subject/2A4-E-2-02/tables?cryptoId=

4.連続行動空間上での決定型方策勾配を用いた深層強化学習によるマルチキャリアエネルギーハブ管理
Multi-carrier energy hub management through deep deterministic policy gradient
over continuous action space

セッション番号:2A4-E-2
セッション会場:A会場 (2F メインホールA)
セッション名:Machine learning: method extensions
セッション日時:2019年6月5日(水) 15:20 ~ 15:40
講演番号:2A4-E-2-01
内容紹介:
マルチキャリアエネルギーハブは、エネルギー管理システムの柔軟性を高めました。その一方で、エネルギーハブのエネルギー管理における異なるエネルギーキャリアの相互影響により、より困難になります。エネルギー管理の目的では、数学的最適化ツールが使用されますが、リアルタイムの最適化は最適な管理に挑戦します。一方、エネルギーの需要と供給は非常に変わりやすいため、最適化の目的は異なる場合があります。リアルタイム管理のために、環境の変化と多目的オプションのAIが目的とされています。この作業では、マルチキャリアエネルギーハブ最適化の操作は、ディープ決定論的ポリシーグラジエント(DDPG)アルゴリズムを含むマルチエージェントAIアルゴリズムを実行することによって解決されています。研究マルチエージェントシミュレーション結果は、AIエージェントがエネルギーハブコストを最適化するために需要と供給の間のバランス、貯蔵剤の適切な充放電を管理できることを示した。また、AIを使用した価格決定方法についても説明します。これは、市場の需要と供給管理の目的に適しています。

https://confit.atlas.jp/guide/event/jsai2019/subject/2A4-E-2-01/tables?cryptoId=

5.アルファゼロ型強化学習アルゴリズムを用いた最適制御手法の開発
Development of Optimal Control Using AlphaZero Reinforcement Learning Algorithm

セッション番号:1I3-J-2
セッション会場:I会場 (306+307 小会議室)
セッション名:機械学習: 強化学習の発展
セッション日時:2019年6月4日(火) 15:20 ~ 15:40
講演番号:1I3-J-2-01
内容紹介:
ディープラーニングと強化ラーニングは近年急速に発展しています。ゲームやロボット制御などの分野にディープラーニングを適用する多くの研究が大きな成功を収めています。本論文では、強化学習アルゴリズムであるAlphaZeroをゲームAIのためのこれまでにないレベルの多用途性を最適制御問題に適用する可能性を検証する。従来の制御メカニズムを使用することによって処理することが困難であると考えられているノイズの多い環境下で動作を制御するその能力についての洞察を得ることを目指している。

https://confit.atlas.jp/guide/event/jsai2019/subject/1I3-J-2-01/tables?cryptoId=

6.密度球を用いたGraphCNN深層学習手法による渋滞予測
Application of density Sphere graph-CNN based deep learning to congestion prediction

セッション番号:1J4-J-3
セッション会場:J会場 (201B 中会議室)
セッション名:データマイニング: 社会のマイニング
セッション日時:2019年6月4日(火) 18:00 ~ 18:20
講演番号:1J4-J-3-03
内容紹介:
本論文では、多数のサンプルと特徴を持つ交通データセットのための密度球に基づく高次元空間におけるデータクラスタリングを研究し、密度球GraphCNNで特徴から距離行列を作成することによって交通渋滞を予測する。密度球は、高次元空間でデータをクラスタリングするための基準となる密度を表し、データの相関と距離の両方を考慮することでデータの関係を調べることができます。渋滞を再現し、密度球の体積を変えて予測精度を比較する交通シミュレーションモデルを組み合わせて渋滞度を予測した結果に基づいて、高精度な渋滞予測を実現するための仕組みを検討する。

https://confit.atlas.jp/guide/event/jsai2019/subject/1J4-J-3-03/tables?cryptoId=

7.汎化ゴールにおける連続動作型ロボットアームの深層強化学習手法の開発
Generalized goal oriented deep reinforcement learning for robot arm train-ing with
continuous action space

セッション番号:1I3-J-2
セッション会場:I会場 (306+307 小会議室)
セッション名:機械学習: 強化学習の発展
セッション日時:2019年6月4日(火) 15:40 ~ 16:00
講演番号:1I3-J-2-02
内容紹介:
多目的強化学習では、状態だけでなく入力に対しても目標をとるユニバーサルバリュー関数近似(UVFA)が使用されます。我々は7DOFロボットアームのエンドエフェクタをUVFAベースの多目的強化学習を使用して目標に到達させることによってタスクを設計した。一方、我々は目標の数を変更することによって同等のタスクを実行した。 UVFAを用いて目標到達可能度をマッピングすることで優れた予測能力を確認した。

https://confit.atlas.jp/guide/event/jsai2019/subject/1I3-J-2-02/tables?cryptoId=

 

■インダストリアルセッション登壇について
6月5日(水) 15:20 〜 17:00、 M会場 (1F 展示ホール右奥)にて、弊社エンジニアが、インダストリアルセッションに登壇し、ReNomの最新情報や活用事例について紹介する予定です。

詳細は調整中。

https://confit.atlas.jp/guide/event/jsai2019/subject/2M4-IND-4/category?cryptoId=

 

■展示ブース出展について
展示ブースでは、ReNomの最新情報や活用事例の紹介を行う予定です。

日程:
6月4日(火) 13:00~17:00
6月5日(水) 9:00~17:00
6月6日(木) 9:00~17:00
6月7日(金) 9:00~15:00

会場:
企業展示A会場(1階展示ホール「ウェーブマーケット」BのA-43)

https://www.ai-gakkai.or.jp/jsai2019/sponsor#co15

 

皆さまに会場にてお会いできることを楽しみにしています。

Page top