【中止】人工知能（AI）による最適化解の学習・予測　～ 深層強化学習のオンライン最適化問題適用等 ～【ライブ配信】

セミナー趣旨

　「与えられた制約条件の下で最適な解を求める」最適化問題は我々の生活において欠かせない分野であり、工学、経済、統計、経営などに幅広く応用されています。近年の深層学習の出現で飛躍的に発展してきたAI技術の多くが最適化に立脚しています。これはより良く学習できるモデルを見出すというデータサイエンスの目標と誤差関数を最小化するという最適化手法とが自然に結びつくからです。最適化手法には、いろいろな分類基準がありますが、ここではオフライン最適化とオンライン最適化という基準に従って最適化手法の諸原理を説明します。
　オンライン最適化とは将来のデータを知らずに、将来に正の影響を及ぼす可能性の高い意思決定や最適な方策を下すことです。一方、オフライン最適化とは、現時点までのデータの集合体に基づき最適な意思決定を行うことです。
　現在主流の最適化手法は、ほとんどが現実問題から切り離されたオフライン最適化手法です。本来、現実社会における最適化問題は、対象が普遍的に時間とともに発展していくという特性を考えると、全てオンライン最適化問題として捉えるべきですが、難易度が高いため、オンライン最適化のアルゴリズムの開発は最適化分野においても非常に挑戦的かつ最先端の分野として位置づけられています。
　本セミナーの前半は、従来のオフライン最適化手法である線形計画法、非線形計画法、整数計画と混合整数計画法などをわかりやすく説明し概覧していきます。後半は近年、オンライン最適化問題に取り組んだ深層強化学習のオンライン学習原理と応用の仕組みについてわかりやすく説明します。最後に、配車計画問題（VRP）およびスマートグリッドの電力のオンライン最適化問題を適応事例として、AIによる最適化解のオンライン学習と予測の最先端機能を検証します。

受講対象・レベル

　・現実的最適化問題に興味ある方
　・オンライン学習に興味ある方
　・オンライン最適化に興味ある方
　・深層強化学習に興味ある方
　・予測アルゴリズムの構築に興味ある方
　・AIによる予測に興味ある方
　・AIに興味ある方

習得できる知識

　本セミナーを通して、従来のオフライン最適化手法の基本知識、応用方法、問題点を習得するとともに、現実問題におけるオンライン最適化手法の最先端知識、予測機能の評価基準、応用効果と注意点などについて広く、深く把握することができます。

セミナープログラム

1．オフライン最適化の概要
　1) オフライン最適化問題における目的関数と制約
　　a) 連続最適化と離散最適化
　　b) 広域最適化と局所最適化
　2) オフライン最適化問題における解法
　　a) 厳密解法
　　b) 近似解法
　　c) 発見的解法

2．オフライン最適化問題
　1）線形計画問題
　　a) 双対性
　　b) 解法
　2) 非線形計画問題
　　a) 無制限最適化
　　b) 制約付き最適化
　3) ネットワーク最適化問題
　4) 整数計画問題と混合整数計画問題

3．オンライン最適化問題の概要
　1) オンライン最適化問題の基本理論
　　a) レンタルスキー問題
　　b) リストアクセス問題
　　c) 競合比による解析手法
　　d) 乱択アルゴリズムの設計

4．オンライン学習モデル
　1) 学習を考慮したオンラインアルゴリズム
　2) スペシャリストモデル

5．AI による最適化アルゴリズム
　1) 深層強化学習の基本原理
　2) オンライン最適化における深層強化学習の応用
　3) 方策勾配法による最適化アルゴリズムの構築
　　a) TSP問題の概要と強化学習による定式化
　　b) 鍵となる技術アテンション(Attention)の仕組み
　　　― 自然言語処理を例にする
　　　― ここでマルチヘッドアテンション(Multi-Head Attention)の仕組みを説明
　　c) エンコーダー(Encoder)の仕組み
　　　― LSTM 型と self attention 型の説明
　　　― self attention 型の説明の時にグラフアテンションエンコーダーについても説明
　　　― グラフアテンションエンコーダーの説明時にグラフとノード埋め込みついても説明
　　d) デコーダー(Decoder)の仕組み
　　　― ポインターネットワークについて説明
　　　― グリンプスについて説明―マスキングについて説明
　　e) 全体の流れを簡単にまとめた説明
　　f) ベースラインの導入と勾配の更新
　　g) 予測機能の検証：
　　　h-1) 同スケール予測
　　　h-2) ダウンスケール予測
　　　h-3) アップスケール予測

セミナー講師

曽我部 東馬 氏　　電気通信大学 / ㈱GRID

【講師経歴】
略　歴：
　物理学の専門家で、東京大学物性研究所、国立分子研究所で学び、ドイツ マックス・プランク研究所、イギリス ケンブリッジで研究員を努め、2009年に一旦研究分野から離れ、㈱グリッドの共同設立者となり会社を立ち上げる。その後、東京大学 先端科学技術研究センターに研究の場所を移し、特任准教授として量子構造半導体デバイスの開発及びその理論計算、人工知能の研究を行う。2016年より電気通信大学の准教授および㈱GRID の技術顧問を兼任。
　現在は、エネルギー、物流、交通等といった社会インフラシステムの最適化問題から製薬、新材料、革新型半導体デバイスの開発, 気象予測を含めた大規模発電・消費電力予測、製造搬送装置システムにおける搬送時間と渋滞予測、高速道路の長短期渋滞予測、製造装置における欠陥と故障予測などの研究開発に従事する。
　他に深層学習フレームワーク∞ReNomの開発。2019年4月に量子シュミレーター ReNorm-Qを開発。2019年6月オーム社より「強化学習アルゴリズム入門」を出版。

専門および得意な分野・研究：
　理論物理計算、デバイス計算、エネルギー学、大規模気象予測計算、機械学習/深層学習/深層強化学習の数理モデリング、最適化計算、量子アルゴリズム、量子演算デバイス開発

活動内容
　2009年から密度汎化数 DFT 計算・量子デバイス輸送理論計算に従事。
　2013年に大規模局所気象予測を含めたエネルギーシステムにおける発電・消費電力予測用の並列計算クラスタを構築。
　2014年から深層学習フレームワーク「ReNom」の開発のチームリーダーを務める、
　2016年　ReNomフレームワークに強化学習、最適化アルゴリズム、量子アルゴリズムを拡張。
　日本応用物理学会会員、日本人工知能学会会員、株式会社グリッド最高技術顧問。

・関連する講演：
　・ 2017年4月　東京大学、電気通信大学（曽我部研究室）、㈱グリッドの産学連携プロジェクト「人工知能ラボ開設記念講演」にて「量子物理と深層学習を癒合した量子人工知能の開発」について基調講演。
　・ 2017年5月　スタンフォード大学にて「GRID Inc: Deep learning framework for industrial and engineering optimization application～産業最適化のための深層学習フレームワーク～」として公開講座に登壇。
　・ 2017年～2020年　セミナー「強化学習・深層強化学習入門：基本・最新アルゴリズムから応用まで」等、延べ30回以上講演

セミナー受講料

52,800円 　＊ 税込、 資料付
＊メルマガ登録者　47,300 円
＊アカデミック価格　26,400 円

★メルマガ会員特典
2名以上同時申込で申込者全員メルマガ会員登録をしていただいた場合、
2人目は無料（1名価格で2名まで参加可能）、3名目以降はメルマガ価格の半額です。
メルマガ会員割引の適用を希望する場合は、必ず備考欄に【会員割引希望】と記載してください。

★ アカデミック価格
学校教育法にて規定された国、地方公共団体、および学校法人格を有する大学、
大学院の教員、学生に限ります。申込みフォームに所属大学・大学院を記入のうえ、
備考欄に「アカデミック価格希望」と記入してください。

受講について

• 本セミナーはビデオ会議ツール「Zoom」を使ったライブ配信セミナーとなります。
  お申し込み前に、下記リンクから視聴環境をご確認ください。
  　→ https://zoom.us/test
• 当日はリアルタイムで講師へのご質問も可能です。
• タブレットやスマートフォンでも視聴できます。
• お手元のPC等にカメラ、マイク等がなくてもご視聴いただけます。この場合、音声での質問はできませんが、チャット機能、Q&A機能はご利用いただけます。
• ただし、セミナー中の質問形式や講師との個別のやり取りは講師の判断によります。ご了承ください。
• 「Zoom」についてはこちらをご参照ください。

■ お申し込み後の流れ

• 開催前日までに、ウェビナー事前登録用のメールをお送りいたします。お手数ですがお名前とメールアドレスのご登録をお願いいたします。
• 事前登録完了後、ウェビナー参加用URLをお送りいたします。
• セミナー開催日時に、参加用URLよりログインいただき、ご視聴ください。
• 講師に了解を得た場合には資料をPDFで配布いたしますが、参加者のみのご利用に限定いたします。他の方への転送、WEBへの掲載などは固く禁じます。
• 資料を冊子で配布する場合は、事前にご登録のご住所に発送いたします。開催日時に間に合わない場合には、後日お送りするなどの方法で対応いたします。