买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院长春光学精密机械与物理研究所申请的专利一种异构并行系统下基于LSTM的光线深度追迹BSDF求解优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120688367B 。

龙图腾网通过国家知识产权局官网在2026-04-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510914796.X，技术领域涉及：G06F30/27；该发明授权一种异构并行系统下基于LSTM的光线深度追迹BSDF求解优化方法是由冯博;盛磊;韩金波;娄洪伟;杨博文设计研发完成，并于2025-07-03向国家知识产权局提交的专利申请。

本一种异构并行系统下基于LSTM的光线深度追迹BSDF求解优化方法在说明书摘要公布了：本发明涉及一种异构并行系统下基于LSTM的光线深度追迹BSDF求解优化方法，涉及计算机图形学技术领域。该方法包括以下步骤：将BSDF求解大规模光线深度追迹任务划分为并行执行的子任务；获取异构系统中各计算单元的硬件参数，初始划分BSDF求解任务的基本单元，收集历史BSDF求解任务的历史数据；实时监测BSDF求解任务中各计算单元的负载状态；基于历史数据，构建LSTM深度学习模型，预测未来BSDF计算任务的负载值。本发明通过构建LSTM深度学习模型预测未来负载趋势，基于历史负载数据训练的LSTM网络建模时序关系，精准捕捉负载变化的长期依赖性，从而实现光线追迹任务的超前调度。

本发明授权一种异构并行系统下基于LSTM的光线深度追迹BSDF求解优化方法在权利要求书中公布了：1.一种异构并行系统下基于LSTM的光线深度追迹BSDF求解优化方法，其特征在于，包括以下步骤： 步骤1：将BSDF求解大规模光线深度追迹任务划分为并行执行的子任务，量化分析子任务复杂度并估算数据量； 步骤2：获取异构系统中各计算单元的硬件参数，初始划分BSDF求解任务的基本单元，收集历史BSDF求解任务的历史数据； 步骤3：实时监测基于步骤1划分的BSDF求解任务中各计算单元的负载状态，根据任务动态变化情况设置动态监测周期； 步骤4：基于步骤2收集到的历史数据，构建LSTM深度学习模型，预测未来BSDF计算任务的负载值； 步骤4具体为： 基于历史数据构建深度学习模型LSTM，用于学习负载数据与BSDF求解任务执行效果之间的内在关联； 模型架构设计包含三层：输入层，LSTM层以及输出层；输入层中，输入为历史负载数据，捕捉不同批次、时间步长和特征维度下的负载变化情况，为后续的模型学习提供丰富的输入信息；输出层为全连接层，输出未来多个周期的负载预测值； 训练过程损失函数采用均方误差，衡量预测值与真实值之间的平均平方误差，明确模型优化方向；优化器采用Adam； 对于训练数据，将历史数据集划分为训练集和验证集，使用历史数据集对模型进行训练和优化，调整模型参数，以提高模型的预测准确性； LSTM单元计算： 其中，ft、it、ot分别为遗忘门、输入门、输出门，Ct为细胞状态；遗忘门决定从细胞状态Ct中遗忘哪些信息；输入门用于控制将哪些新的信息输入到细胞状态中；输出门负责确定细胞状态中的哪些信息将被输出； 步骤5：将步骤3监测到的实时负载状态信息输入到步骤4训练好的深度学习模型中，对负载状态进行评估和预测，综合模型输出以及各计算单元负载情况判断系统负载情况； 步骤6：当步骤5检测到系统负载不均衡时，制定动态任务调整策略，将任务迁移到合适的负载较低的计算单元； 步骤7：重复步骤3-6，在整个BSDF求解过程中持续监测负载状态，利用深度学习模型进行负载评估与预测并进行动态任务调整，将新增数据添加到历史数据集中，定期对深度学习模型进行重新训练和优化。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院长春光学精密机械与物理研究所，其通讯地址为：130033 吉林省长春市东南湖大路3888号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。