AIにブレイクスルーをもたらした Deep Learning。その高い能力・性能は、昨今では様々な分野へ応用され、社会・経済に大きなイノベーションをもたらしています。 しかしながら、CAEの分野においては、AI・Deep Learning を活用した事例はまだまだ少ないのが現状です。 CAE業界向けにDeep Learningを紹介する取り組みとして、Rescale Japan長尾太介さんと共に、逆問題への適用に挑戦しました。適用する逆問題として、熱拡散問題を取り上げます。 熱拡散問題の逆問題 熱拡散問題の逆問題として、温度分布の結果より境界条件（A～Pの温度）を推定します。28×28のメッシュに区切った784エリアの温度データから、16の境界値温度を推定します。 教師あり学習とし、Deep Learning フレームワークには Google の Tensorflow を使用しました。 ネ

NVIDIA社のSOM(システム・オン・モジュール)、Jetsonシリーズの新型「TX2」が3月8日に発表されました。これと同時に、キャリアボードとJetson TX2モジュールを搭載した「NVIDIA Jetson TX2開発者キット」も発表され、北米では3月14日から出荷が始まりました。日本でももうすぐ発売される予定です(2017年4月27日現在)。 ISPは、今回先行してJetson TX2開発者キットを入手することができましたので、早速動かしてみました。 by Jeongwon Min 2017/4/27 Jetson TX2です。 外見はTX1とあまり変わらない気がします。 あ、モジュールにはTX2って書いてありますね。 Jetson TX2はJetson TX1と比べて、いろいろと性能アップしています

Deep Learningを使うには、問題設定に合致するデータが大量に必要になります。画像データであれば、実際に現地での撮影し、様々な状況を想定しながら地道に少しずつデータを蓄積させる必要があり、簡単ではありません。更に、それらのデータにラベルを付けて、分類して・・・となると多大な労力がかかります。 今回は、Deep Learningで使う学習用データを、ISPが持つ高品位合成技術を用いて作成し、Deep Learningの学習で良い結果を示せたので紹介します。 by Kondo Takanori 2016/1/20 ISPの取り組み～つくばチャレンジ～ ISPでは、近年培ったDeep Learningのノウハウをロボティクスに応用したいと考え、その一環として宇都宮大学の尾崎研究室のグループと共同研究で｢つくばチャレンジ｣に参加しました。 つくばチャレンジ 自律走行ロボットがこなすべき課題

Hyper-Qとは CPUからGPUにはグリッドという単位で実行を依頼しますが、CUDAにはストリームという概念があります。 GPUがグリッド内のブロックをどのSMXに割り当て、それぞれのブロックをどのようにWarpに分割するかを担当するのがワークディストリビュータ(Work Distributor)というブロックです。ワークディストリビュータは実行を依頼されたグリッドに含まれるブロックの数や各SMXの負荷状態を考えて割り当てを決めます。 Fermi世代ではワークディストリビュータの入り口のキューが１つしかなかったため、処理性能のネックになりえましたが、Kepler世代では入り口が32本に拡張されることにより、並列実行できる可能性が高めることができるとされています。 出典:GTC2012でのNVIDIAのプレゼンテーション資料 より 試してみたこと NVIDIA社提供のHyper-Qのサン

電源に関して、J120の仕様を確認すると7V～17V (推奨12V)となっていました。 対してJetson TX1用のACアダプターは19V、2Vオーバーしています。安易に「繋がりそう」でつなげてしまうと危険ですね。 J120付属のケーブルと組み合わせて、小4pin⇔ACアダプターの接続を作成し、 (B)の部品を合わせて(A)のACアダプターから電源を入力できるようになりました。 全体図。このような配置でケーブルを利用します。 小4pinに繋がるケーブルと電源に繋がるケーブルをはんだ付け 電源に繋がるケーブルの端は (B) の部品に接続。この先にACアダプターが付きます。 2日目 (2) ～起動 & デモ起動～ 電源が入るようになったので、ついに起動です。 電源を繋ぐとオートスタート。 小4pin側を接続し― 無事に起動しました。 起動後はファームウェア更新です。 Readmeを読むと『/