用于机器学习的方法、神经网络、计算机程序、存储介质与流程

本公开涉及计算机程序和系统领域，更具体地涉及机器学习的方法、系统和程序。

背景技术：

1、市场上提供了许多用于对象的设计、工程化和制造的系统和程序。cad是计算机辅助设计的缩写，例如，其涉及用于设计对象的软件解决方案。cae是计算机辅助工程化的缩写，例如，其涉及模拟未来产品的物理行为的软件解决方案。cam是计算机辅助制造的缩写，例如，其涉及用于定义制造工艺和操作的软件解决方案。在这种计算机辅助设计系统中，图形用户界面在技术效率方面起着重要作用。这些技术可嵌入到产品生命周期管理(plm)系统中。plm指的是一种商业战略，其帮助公司共享产品数据，应用通用流程，并利用公司知识开发产品，从概念到其生命周期结束，跨越扩展企业的概念。dassault systèmes提供的plm解决方案(商标为catia、enovia和delmia)提供了：工程中心，用于组织产品工程化知识；制造中心，用于管理制造工程化知识；以及企业中心，用于实现企业整合并连接到工程和制造中心。总之，该系统提供了连接产品、工艺和资源的开放对象模型，以实现动态的、基于知识的产品创建和决策支持，从而推动优化的产品定义、制造准备、生产和服务。

2、在这种情况和其他情况下，需要改进cad对象检索和cad对象之间相似性评估的解决方案。

技术实现思路

1、因此，提供了一种计算机实现的用于机器学习的方法。所述方法包括：获得b-rep图的训练数据集。每个b-rep图表示相应b-rep。每个b-rep图包括图节点，每个图节点表示所述相应b-rep的边、面或共边并且与一个或多个几何和/或拓扑特征相关联。每个b-rep图包括图边，每个图边在表示相应共边的相应第一图节点和表示与相应共边相关联的面、边、相邻共边或匹配共边的相应第二图节点之间。所述方法还包括：基于所述训练数据集学习深度cad神经网络。所述深度cad神经元网络被配置为将b-rep图作为输入并且输出由所述输入b-rep图表示的所述b-rep的拓扑签名。

2、所述方法可包括以下中的一个或多个：

3、-所述深度cad神经网络包括卷积单元，所述卷积单元被配置为执行内核级联，所述内核级联根据所述神经网络的内核将每个共边的特征向量与其相邻b-rep要素的特征向量级联；

4、-所述卷积单元还被配置为将由所述内核级联得到的共边的每个级联特征向量作为输入传递到密集神经网络；

5、-所述卷积单元还被配置为，对于由所述密集神经网络针对共边的输入级联特征向量输出的每个向量，计算新边特征向量、新面特征向量和新共边特征向量；

6、-所述密集神经网络对于由所述内核级联得到的共边c的输入级联特征向量φc(i)输出：

7、

8、其中，具有相同的维度h，使得的维度为3*h，

9、以及对于每个共边c、每个面f和每个边e，所述新特征向量是，

10、

11、其中：

12、o是密集神经网络对于共边c的输出计算得到的新共边特征；

13、o是对于边e计算得到的新边特征，其中，和对应于其两个相关联的共边的特征向量；

14、o是对于面f计算得到的新面特征，其中，

15、对应于其k相关联的共边的特征；

16、-所述深度cad神经网络被配置为重复应用所述卷积单元预定次数；

17、-所述深度cad神经网络还被配置为通过执行面特征向量的聚合来计算全局特征向量，所述聚合基于最大池化方法或注意力机制方法；

18、-所述深度cad神经网络的学习包括执行对比学习以训练所述深度cad神经网络来计算全局特征向量的拓扑签名；

19、-所述对比学习基于正变换，所述正变换包括：

20、o身份转换，

21、o将随机几何体分配给具有概率的边，

22、o将随机几何体分配给具有概率的面，

23、o将具有零的面的特征向量替换为概率p，以及

24、o删除具有概率p的边，如果该删除将使得面与所述输入b-rep图断开连接，则不进行此删除；和/或

25、-所述对比学习包括最小化基于余弦相似性的归一化温度标度交叉熵损失，所述损失为以下类型：

26、

27、其中，(i,j)表示正对，(zi,zj)表示所述深度cad神经网络对所述正对的嵌入，其中，sim是由以下公式定义的余弦相似性：

28、

29、对于

30、还提供了一种可根据所述方法学习的神经网络，即具有通过所述方法学习到的神经网络的权重的计算机实现的神经网络数据结构。所提供的神经网络例如可通过所述方法直接学习，其权重已经通过所述方法的学习步骤固定。

31、还提供了一种神经网络的使用方法。所述使用方法包括获得表示b-rep的b-rep图。所述使用方法还包括将神经网络应用于b-rep图，从而获得b-rep的拓扑签名。

32、还提供了一种包括用于执行所述方法和/或所述使用方法的指令的计算机程序。

33、还提供了一种计算机可读存储介质，其上记录有计算机程序和/或神经网络。

34、还提供了一种计算机系统，包括耦合到存储器的处理器，所述存储器上记录有计算机程序和/或神经网络。

技术特征：

1.一种计算机实现的机器学习的方法，所述方法包括：

2.根据权利要求1所述的方法，其中，所述深度cad神经网络包括卷积单元，所述卷积单元被配置为执行内核级联，所述内核级联根据所述神经网络的内核将每个共边的特征向量与其相邻b-rep要素的特征向量级联。

3.根据权利要求2所述的方法，其中，所述卷积单元还被配置为，将由所述内核级联得到的共边的每个级联特征向量作为输入传递到密集神经网络。

4.根据权利要求3所述的方法，其中，所述卷积单元还被配置为，对于由所述密集神经网络针对共边的输入级联特征向量输出的每个向量，计算新边特征向量、新面特征向量和新共边特征向量。

5.根据权利要求4所述的方法，其中，所述密集神经网络对于由所述内核级联得到的共边c的输入级联特征向量φc(i)输出：

6.根据权利要求2或5所述的方法，其中，所述深度cad神经网络被配置为重复应用所述卷积单元预定次数。

7.根据权利要求2至6中任一项所述的方法，其中，所述深度cad神经网络还被配置为通过执行面特征向量的聚合来计算全局特征向量，所述聚合基于最大池化方法或注意力机制方法。

8.根据权利要求7所述的方法，其中，所述深度cad神经网络的学习包括执行对比学习以训练所述深度cad神经网络来计算全局特征向量的拓扑签名。

9.根据权利要求8所述的方法，其中，所述对比学习基于正变换，所述正变换包括：

10.根据权利要求8或9所述的方法，其中，所述对比学习包括最小化基于余弦相似性的归一化温度标度交叉熵损失，所述损失为以下类型：

11.一种能够根据权利要求1至10中任一项所述方法学习的神经网络。

12.一种根据权利要求11所述的神经网络的使用方法，所述使用方法包括：

13.一种包括指令的计算机程序，所述指令当在计算机上执行时使所述计算机执行权利要求1至10中任一项的方法和/或权利要求12的方法。

14.一种计算机可读数据存储介质，其上记录有权利要求13的计算机程序和/或权利要求11的神经网络。

15.一种计算机系统，包括耦合到存储器的处理器，所述存储器上记录有权利要求13的计算机程序和/或权利要求11的神经网络。

技术总结
本公开尤其涉及一种计算机实现的用于机器学习的方法。所述方法包括获得B‑rep图的训练数据集。每个B‑rep图表示相应B‑rep。每个B‑rep图包括图节点，每个图节点表示相应B‑rep的边、面或共边，并且与一个或多个几何和/或拓扑特征相关联。每个B‑rep图包括图边，每个图边在表示相应共边的相应第一图节点和表示与相应共边相关联的面、边、相邻共边或匹配共边的相应第二图节点之间。所述方法还包括基于训练数据集学习深度CAD神经网络。深度CAD神经网络被配置为将B‑rep图作为输入，并输出由输入B‑rep图表示的B‑rep的拓扑签名。

技术研发人员：M·梅兹格汉尼,J·布歇,R·萨巴捷
受保护的技术使用者：达索系统公司
技术研发日：
技术公布日：2024/2/25