本次调用的模型名称：GPT-4。
对比文件名称：2008-07-02_EP1582378B_发明授权_EP1582378B1 Tire for motorcycle
目标专利名称：345在多维范围上对包括可分离子系统的系统的评估CN105580031B
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：包括：通过确定所述神经网络的第一群互连神经元的输入与第二群互连神经元的输出之间的单向依赖性来将所述神经网络串行化成所述第一群互连神经元和所述第二群互连神经元，<br>**未被直接公开或隐含公开** | 说明书[0012]段：“Fig. 1 shows a part of a tire 2 for a motorcycle... The tire 2 comprises a tread 4...”；<br>说明书[0021]段：“The tread 4 includes an under layer 30, a base layer 32 and a cap layer 34. The base layer 32 is positioned on an outside in the radial direction of the under layer 30 and is provided on the under layer 30. The cap layer 34 is positioned on an outside in the radial direction of the base layer 32 and is provided on the base layer 32.” | **论述**：技术特征A的核心在于“串行化”一个系统（此处为神经网络），其依据是子系统（群互连神经元）之间存在“单向依赖性”。在目标专利中，串行化的目的是将复杂的神经网络分解为具有明确依赖顺序的层（如图5B、6B），以优化参数评估。对比文件公开了轮胎胎面（tread 4）具有三层结构：内衬层（under layer 30）、基部层（base layer 32）和冠部层（cap layer 34），它们在径向上由内向外层叠。这种物理结构上的层叠关系是静态的、基于材料位置和功能的，其目的是实现抓地力与耐久性的平衡（见[0022]段）。虽然三层之间存在物理上的“覆盖”关系，但这种关系并非基于数据流、信号传递或计算逻辑上的“单向依赖性”（即一层的输出作为另一层的输入）。对比文件未描述任何类似于神经网络中信号从前一层神经元传递到后一层神经元的“输入-输出”依赖关系。因此，本领域技术人员无法从对比文件的轮胎分层结构毫无疑义地得出或合理推断出对神经网络进行基于单向依赖性的逻辑串行化这一技术特征。 |
| **技术特征B**：所述单向依赖性是基于所述第一群互连神经元的输入不同于所述第二群互连神经元的输出来确定的<br>**未被直接公开或隐含公开** | 说明书[0022]段：“A foaming temperature Tb of the base layer 32 is higher than a foaming temperature Tc of the cap layer 34. A foaming temperature Tu of the under layer 30 is higher than the foaming temperature Tb of the base layer 32. In other words, a crosslinked rubber having a higher foaming temperature toward an inside is used for the tread 4 of the tire 2.”；<br>说明书[0034]-[0035]段描述了通过感官评价和高速耐久性测试来评估各层的性能（抓地力和耐久性）。 | **论述**：技术特征B进一步限定了如何确定“单向依赖性”，即通过比较第一群和第二群神经元的输入与输出来判断。在目标专利中，这涉及分析参数（输入）对神经元群状态或输出（如尖峰）的影响模式。对比文件描述了轮胎各层具有不同的材料属性（如起泡温度Tu, Tb, Tc）和不同的功能（内层侧重抗起泡/耐久性，外层侧重抓地力，见[0022], [0023]段）。各层的“输入”可视为其橡胶配方（如表1），“输出”可视为其表现出的性能（抓地力、耐久性）。虽然各层的输入（配方）和输出（性能）确实不同，但这种差异是材料科学领域为满足不同功能需求而进行的常规设计选择。对比文件完全没有揭示通过分析这种输入与输出的差异来确定一种逻辑上的“单向依赖性”，并进而用于系统（如神经网络）的串行化分解。本领域技术人员无法从轮胎各层材料与功能的差异，合理推断出在神经网络优化中基于输入输出比较来确定单向依赖性的方法。 |
| **技术特征C**：基于所述第一群互连神经元的第一输入参数是否影响所述第一群互连神经元来修剪所述第一输入参数<br>**未被直接公开或隐含公开** | 说明书[0031]段（表1）列出了用于构成不同层（A, B, C, D型）的橡胶配方，包括各种组分（如苯乙烯-丁二烯橡胶、天然橡胶、炭黑等）及其配比。这些配方的选择决定了各层的起泡温度和硬度。 | **论述**：技术特征C涉及“修剪”输入参数，即在参数扫掠过程中，移除那些对特定子系统（第一群互连神经元）的输出没有影响的参数，以简化计算（见图6D，参数A仅影响第一并行化群集）。对比文件公开了为轮胎的不同层选择特定的橡胶配方（输入参数），例如，实施例1中，内衬层使用D型配方，基部层使用B型配方，冠部层使用B型配方（见[0032]段及表2）。这种选择是基于期望的性能（高起泡温度以获得耐久性，合适的硬度以获得抓地力）。然而，这种选择是材料配方设计的一部分，目的是直接构成具有所需属性的层，而不是在一个已有多参数的大集合中，通过分析每个参数对子系统输出的影响，动态地“修剪”掉无关参数以优化评估过程。对比文件没有描述任何类似于参数扫掠的流程，也没有“修剪”不必要参数以降低计算复杂度的概念。因此，该特征未被公开。 |
| **技术特征D**：基于所述第二群互连神经元的第二输入参数是否影响所述第二群互连神经元来修剪所述第二输入参数。<br>**未被直接公开或隐含公开** | 同上，参见说明书[0031]段（表1）及[0032]段（表2）。 | **论述**：与技术特征C同理，技术特征D针对第二群互连神经元进行参数修剪。对比文件中为轮胎第二层（如基部层）选择特定配方（如B型、C型或D型）同样是基于最终性能目标的材料选择，而非在计算优化背景下对参数集的动态修剪。没有证据表明存在一个参数集，并通过判断其中每个参数是否影响基部层性能来决定其取舍。因此，该特征未被公开。 |
| **技术特征E**：其特征在于，所述串行化和/或所述修剪至少部分地取决于存储器存储要求、存储器访问时间和/或计算时间。<br>**未被直接公开或隐含公开** | 经查阅对比文件全文，未发现涉及“存储器存储要求”、“存储器访问时间”或“计算时间”的相关内容。 | **论述**：技术特征E是一个进一步的限定，要求串行化和修剪操作需要考虑计算资源（存储和计算时间）的优化。这是目标专利中用于决策是否缓存子系统输出的优化函数的核心（参见说明书[0101]段，方程15及优化函数O(N)）。对比文件涉及的是实体轮胎的物理结构和材料科学，其设计、测试和评估过程完全不涉及任何数字计算系统中的存储器管理、数据访问时间或算法计算时间的考量。本领域技术人员无法从对比文件中关于轮胎层状结构和材料配方的描述，推理出任何与计算机资源优化相关的技术特征。因此，该特征未被公开。 |
| **技术特征F**：其特征在于，进一步包括基于以下各项来定义所述第一群互连神经元和所述第二群互连神经元：所述神经网络的连通性和/或监视所述参数扫掠的活跃性水平。<br>**未被直接公开或隐含公开** | 说明书[0021]段描述了胎面各层的物理位置关系（径向层叠）。未提及基于“连通性”的定义。说明书[0034]-[0036]段描述了通过实际驾驶测试来评估轮胎性能，但这不是对“参数扫掠活跃性水平”的监视。 | **论述**：技术特征F限定了定义神经元群（子系统）的两种可能依据：1) 神经网络内部的连接关系（连通性）；2) 在参数扫掠过程中监视各部分的活跃程度。对比文件定义轮胎各层（内衬层、基部层、冠部层）是基于其物理位置（径向由内向外）和预设的功能角色（[0003], [0022]段），这与神经网络中基于神经元间突触连接的“连通性”有本质区别。此外，对比文件中的性能测试（如感官评价、高速耐久测试）是针对最终成品轮胎的整体性能评估，并非在一个动态的、多维参数空间中进行“扫掠”，并在此过程中“监视”某些子系统（层）的“活跃性水平”（例如，输出变化频率或幅度）。因此，该特征未被公开。 |
| **技术特征G**：其特征在于，进一步包括：对于所述扫掠的每一步骤，存储所述第一群互连神经元的输出和所述第二群互连神经元的所述输出。<br>**未被直接公开或隐含公开** | 经查阅对比文件全文，未发现描述在“扫掠的每一步骤”存储中间输出结果的内容。说明书[0034]-[0035]段记载了测试后的最终评价结果（评分和损坏速度）。 | **论述**：技术特征G涉及在参数扫掠这一迭代过程中，存储每个子系统（神经元群）在每一步的中间输出。这是为了后续分析或可能的缓存优化（参见说明书[0098]段）。对比文件公开了对制成轮胎进行测试并获得最终性能结果（如抓地力评分、耐久性极限速度）。这个过程是单次的、针对最终产品的测试，不存在一个系统的、逐步遍历不同参数组合（扫掠）的过程，更没有在每一步存储中间子系统输出的步骤。因此，该特征未被公开。 |
| **技术特征H**：其特征在于，进一步包括评估所述神经网络的输出以确定期望的参数值集。<br>**隐含公开** | 说明书[0034]-[0036]段：“[Sensuous Evaluation]... The motorcycle was caused to carry out cornering... and a rider was caused to evaluate a grip performance. This result is shown in the following Table 2... [Evaluation of Durability Performance in High Speed Straight Running]... A speed at which a damage is generated is shown in the following Table 2... As shown in the Table 2, the tire according to each of the examples is excellent in the grip performance and the durability performance in the high speed running. From the results of the evaluation, the advantages of the present invention are apparent.” | **论述**：技术特征H的核心在于“评估输出以确定期望的参数值集”。在目标专利中，这是参数扫掠的最终目的，即通过评估神经网络在不同参数下的表现（输出），找到一组能产生期望性能的参数值。对比文件明确公开了通过实际测试（感官评价和高速直线行驶耐久性评价）来评估轮胎的性能输出（抓地力评分和耐久极限速度）。并且，通过比较不同橡胶配方组合（即不同的参数值集，参见表2中实施例1-4和比较例1-3的各层配方类型）所对应的测试结果，可以确定哪一组配方参数能产生更优的（期望的）综合性能（抓地力与耐久性兼备）。例如，表2显示，通过评估输出（性能评分和耐久速度），确定了如实施例1-4所示的特定配方组合（参数集）是更优的。虽然对比文件评估的是物理产品的性能，而目标专利评估的是神经网络的输出，但“通过评估系统输出来筛选或确定更优的系统输入参数集”这一通用的工程优化思想是相通的。本领域技术人员可以从对比文件公开的“测试轮胎性能（输出）以比较不同材料配方（参数集）并得出结论”这一过程中，合理推断出“评估输出以确定期望参数值集”这一技术手段。因此，技术特征H被对比文件隐含公开。 |
<<<h>>>