ページの先頭です

ニュース&トピックス

情報数理学専攻 平成30年度情報数理学セミナー

今後の開催予定

第4回

日時: 5月31日(木) 14:40~16:10
会場: 大阪大学 吹田キャンパス 応用物理学 講義棟 P1-311
内容: 講演会
講演者: 白坂 将助教
講演題目: 非線形力学系の次元縮約モデリング
概要: 時間発展する実システムの多くは大自由度非線形系であり、その定量的な性質を包括的に捉えることは、一般に非常に困難である。しかし、そのふるまいの背後に低次元の骨組みが潜んでいることはよく観察される。このような性質を利用した低次元縮約モデリングを行うことは、複雑な実システムの解析・設計・制御・予測を行う上で非常に有効な手段である。本講演では、このような次元縮約モデリングに関する理論的、及びデータ駆動型の取り組みについて、非線形リズム現象への応用を中心に紹介する。

過去の情報数理学セミナー

第1回

日時: 4月26日(木) 14:40~15:40
会場: 大阪大学 吹田キャンパス 応用物理学 講義棟 P1-311
内容: 安全教育講演Ⅰ
司会: 齋藤 真人 助教
概要:

博士前期・後期課程の教育・研究において、またその後の社会活動においても重要な事柄である「安全」について、その概略を講義する。

  1. 14:40~15:10 民谷 栄一 「ガイダンス」
  2. 15:10~15:40 齋藤 真人 「化学・生物学に関する安全講習」

第2回

講演題目:
日時: 5月10日(木) 13:00~15:40
会場: 情報科学研究科A棟 A109講義室
内容: 博士論文中間発表会
講演者: 岩崎 悟(鈴木研) 13:00~13:30
講演題目: リアプノフ関数をもつ放物型偏微分方程式における大域解の定常解への収束について
概要: 研究対象である物理量の拡散と反応が同時に進行することにより、その状態が時間的に変化していくようなシステムを数理モデル化しようとすると、反応拡散方程式などの放物型偏微分方程式で表現されることが多くある。例えば、熱の拡散現象を表現する数理モデルや、バクテリアの走化現象を表現する数理モデル(Keller-Segelモデルと呼ばれる)なども放物型偏微分方程式を用いて研究されている。放物型偏微分方程式に対する数学的な研究テーマは数多く存在し、十分に時間が経った後の解の挙動、つまり解の時間大域的挙動を調べることも重要な研究テーマの一つである。放物型偏微分方程式から定まる力学系におけるリアプノフ関数とは、放物型偏微分方程式の大域解が時間発展するに従い減少する(より厳密には単調非増加になる)実数値関数のことである。多くの場合、大域解の時間発展にそったリアプノフ関数の下限の値は有限値であり、さらにその下限の値を与える力学系の相空間内の点は放物型偏微分方程式の定常解となる。このとき、大域解は定常解の集合に誘引されることが証明できる。以上の条件に加えて、定常解が力学系の相空間において離散的に存在している場合に は、大域解は定常解に収束することまで証明できる。しかし、定常解が力学系の相空間において連続的に存在している場合には、大域解が定常解へ収束することを証明することはできない。このような場合には、追加条件としてリアプノフ関数がLojasiewicz-Simonの不等式を満たせば収束を示すことができる。 本研究では、ある種の熱拡散方程式と、Keller-Segelモデルにおけるリアプノフ関数に対して、Lojasiewicz-Simonの不等式が成り立つことを示し、両方程式とも大域解が定常解に収束することを証明する。さらにその研究の過程から、いかなるリアプノフ関数がLojasiewicz-Simonの不等式を満たすのかを考察し、リアプノフ関数を持つ放物型偏微分方程式の、大域解の定常解への収束に関する知見を得ることを目指す。
講演者: 肖 恒(鈴木研) 13:30〜14:00
講演題目: Hybrid Particle Swarm with Firefly for Complex Function Optimization
概要: The black-box function optimization problem has attracted many people to pay attention in recent years. Swarm intelligence is a promising approach to the problem. It inspired from nature group behavior and many optimization algorithms developed based on it. There are variety of algorithms developed for computing optimization problems in these two decades. Even though these swarm models have common properties and have their inherent characteristics, the objectives for optimization are different. It is an important point that understanding the role of a part of models mathematically develop, improve, and apply the swarm model to actual optimization problems. Then it is possible to build a widely used solver with making use of different search methods to improve search ability. In this paper, we proposed a hybrid algorithm in which agents moving with following particle swarm intelligence and firefly algorithm rules. Agents randomly performed as particles or fireflies. Besides the best particle would be changed to move as firefly. It expected that agents to perform stochastic when searching for optimums, and global best would been affected about its convergence speed with FA's stochastic. I did numerical test on several black-box benchmark problems and compared the hybrid algorithm with simple PSO and SPSO to show how it work. Through the test, the hybrid swarm perform good performance than other two.
講演者: 趙 宇(森田研) 14:00〜14:30
講演題目: Estimating production function for the analysis of efficiency and productivity
概要: The literature of efficiency and productivity analysis has conventionally assumed the production function to be continuous, monotonic, and convex/concave. Although most of the production processes involve multiple inputs and multiple outputs, it is not easy to find out a satisfactory existing method as they either assume away stochastic noise or restrict to functional forms. Recent researches on stochastic nonparametric envelopment of data provide some useful insights. However, the extension to the panel data as well as to additional behavioral assumptions (i.e., profit maximization) remains a challenge. We consider a comprehensive nonparametric approach to estimate production function for the analysis of efficiency and productivity.
講演者: 西崎 陽平(谷田研) 14:40~15:10
講演題目: 補償光学の技術動向と機械学習を用いた波面補正
概要: 補償光学は,光路中の光波面の揺らぎを補正し,光学系の結像精度を高める技術である.その歴史は長く,生体イメージングや天体観測において重要な地位を占める.一般的に補償光学技術は、波面検出センサと波面制御デバイスを組み合わせたフィードバック型の波面補正により、観察像のSN比向上に寄与しているが、サイズやコストの改善が必要となっている。一方、近年の情報科学技術の急速な進歩により,深層学習等の機械学習が注目されている。光計測,光制御においても機械学習の積極導入が進んでおり、異分野技術融合による技術革新が図られている。本報告では、補償光学の技術動向を整理し、現在取り組んでいる機械学習を用いた波面補正技術の意義を明確にする。
講演者: PHERMPHOONPHIPHAT EKASIT (沼尾研) 15:10~15:40
講演題目: Spatiotemporal Forecasting on Climate Data Segmented Region by Domain Adaptation
概要: The climate data has been collected from satellite, radar, weather station, etc., is rapidly increased and become a big data. This situation is very suitable with the advantage of machine learning because machine learning is an inductive method that can learn patterns from prior data to predict future result. The more data the model learns, the more accuracy can be get from machine learning. Machine learning is able to capture non-linear multi-variables relationship which is difficult for physical formula. The error in numerical simulation and non-linear effect occurred in long-term climate forecasting on physical simulation that turns out the rapidly error increased; therefore, climate forecasting is challenging researchers to develop and apply machine learning techniques to overcome this problem. Researches on climate forecasting usually use the popular machine learning models which are convolutional neural network (CNN) and long short-term memory (LSTM) that be able to maintain spatial correlation with convolutional layer and maintain knowledge from prior with forget-gate from LSTM. There is one big problem for these algorithms because the forecasting result on spatial grid data does not have high accuracy on entire area because of spatial correlation on the area is not segmented properly or unsegmented. Normally, climate forecasting techniques are trying to find relation function between predictor variables and target variable. We need to use this function or transfer some knowledge from this function to the area nearby and find the spatial correlation. This study proposes a transfer learning technique called "domain adaptation" which can construct relation function to segment spatial correlation region and expand region by transferring source function to target domain. Thus, each segmented region will have the same spatial correlation. After proper regions have been segmented before training, the high accuracy will be on entire. This proposed method can apply with any spatiotemporal forecasting algorithm to improve forecasting accuracy.

第3回

日時: 5月17日(木) 14:40~15:40
会場: 大阪大学 吹田キャンパス 応用物理学 講義棟 P1-311
内容: 安全教育講演ⅠI
概要:

博士前期・後期課程の教育・研究において、またその後の社会活動においても重要な事柄である「安全」について、その概略を講義する。

  1. 14:40~15:10 小西  毅 「電気、電子機器、電磁波、赤外・紫外光、レーザー光」
  2. 15:10~15:40 木村 吉秀 「各種機械・工具・工作機械、放射線、粒子線」