DE102019219156A1

DE102019219156A1 - Verfahren zum ermitteln eines indikatorwerts eines leistungsfähigkeits-indikators einer vorgegebenen schaltungstopologie einer elektronischen schaltung, computerprogramm, maschinenlesbares speichermedium und vorrichtung

Info

Publication number: DE102019219156A1
Application number: DE102019219156.8A
Authority: DE
Inventors: Thomas Plum; Christian Daniel; Michael Pfeiffer; Kathrin Skubch; Klaus Kuhnen; Mohammad Nassar Albunni
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-12-09
Filing date: 2019-12-09
Publication date: 2021-06-10

Abstract

Ein Verfahren zum Ermitteln eines Indikatorwerts (KPIk) mindestens eines Leistungsfähigkeits-Indikators einer vorgegebenen Schaltungstopologie (20) einer elektronischen Schaltung mittels eines neuronalen Graphen-Konvolutionsnetzwerks wird bereitgestellt. Bei dem Verfahren wird eine Matrizendarstellung (Â, C) ermittelt, die die Schaltungstopologie (20) repräsentiert. Die Matrizendarstellung (Â, C) wird als Eingabedaten in das neuronale Graphen-Konvolutionsnetzwerk eingegeben, wobei das neuronale Graphen-Konvolutionsnetzwerk so konfiguriert ist, dass es abhängig von der Matrizendarstellung (Â, C) den mindestens einen Indikatorwert (KPIk) des Leistungsfähigkeits-Indikators der Schaltungstopologie (20) ausgibt.

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Ermitteln eines Indikatorwerts eines Leistungsfähigkeits-Indikators einer vorgegebenen Schaltungstopologie einer elektronischen Schaltung, ein Computerprogramm, welches eingerichtet ist, das Verfahren auszuführen, ein Maschinenlesbares Speichermedium, auf dem das Computerprogramm gespeichert ist, und eine Vorrichtung, die eingerichtet ist, das Verfahren auszuführen.
Eine wichtige Aufgabe in der Leistungselektronik ist die Entwicklung von anwendungsspezifischen Energiewandlern, um den Fluss elektrischer Energie zu verarbeiten und zu steuern. Heutige Leistungselektronikwandler werden bei verschiedenen Anwendungen verwendet, wie beispielsweise bei Wandlersystemen für erneuerbare Energien, Fernsehapparaten, Computern, Batterieladegeräten, etc. Beispiele für die Verwendungen von Leistungselektroniksystemen sind Gleichstromwandler, die in vielen tragbaren elektronischen Geräten verwendet werden, und Wechselstrom/Gleichstromwandler, in Computern und Fernsehern. Typische Komponenten von Energiewandlern sind nichtlineare Komponenten, wie etwa HalbleiterSchalter, lineare reaktive Komponenten, wie etwa Spulen, Transformatoren und Kondensatoren, Energiespeicherkomponenten und Strom- und Spannungsfilter.
Jeder Energiewandler ist durch eine Schaltungstopologie und durch eine Modulation definiert. Die Schaltungstopologie ist eine schematische Anordnung der Komponenten des Energiewandlers und repräsentiert somit die Bauelemente des Energiewandlers und deren relative Anordnung zueinander. Die Modulation ist ein Schaltmuster der schaltbaren und/oder beeinflussbaren Bauelemente, beispielsweise der HalbleiterSchalter, zu verschiedenen diskreten Zeitpunkten in einem vorgegebenen Zeitintervall, und repräsentiert somit eine Steuerstrategie zum Ansteuern der entsprechenden Bauelemente. Es gibt viele verschiedene Schaltungstopologien und Steuerstrategien, die in der Leistungselektronik verwendet werden.
Abhängig von der industriellen Anwendung sind die Energiewandler mit Bezug zu verschiedenen Anforderungen optimiert. Eigenschaften und Parameter, sogenannte Leistungsfähigkeits-Indikatoren, die optimiert werden können, umfassen beispielsweise die Herstellungskosten der elektronischen Schaltung, die Effizienz der elektronischen Schaltung, das Volumen der elektronischen Schaltung und/oder das Gewicht der elektronischen Schaltung.
Die Optimierung der Energiewandler, insbesondere bezüglich der Leistungsfähigkeits-Indikatoren, für spezifische Anwendungen ist ein bisher sehr komplexer Prozess und beruht weitgehend auf Expertenwissen. Die Optimierung weist üblicherweise zwei Schritte auf. Schritt 1 ist das Auswählen einer Schaltungstopologie für den Energiewandler. Schritt 2 ist das Suchen einer optimalen Modulation für die ausgewählte Schaltungstopologie. Diese beiden Schritte werden für verschiedene Schaltungstopologien durchgeführt. Das Ergebnis der Optimierung sind eine Schaltungstopologie und eine Modulation der Schaltungstopologie, die die beste Leistungsfähigkeit erzielt haben, beispielsweise diejenige, welche die günstigsten Leistungsfähigkeits-Indikatoren erzielt haben.
Obwohl manche Schaltungstopologien für bestimmte Anwendungen nicht geeignet sind, verbleibt in der Regel eine sehr große Anzahl von geeigneten Schaltungstopologien für eine bestimmte Anwendung, beispielsweise weit mehr als 1000 Schaltungstopologien für eine Anwendung. Dazu kommt, dass es für eine vorgegebene Schaltungstopologie mit n Bauelementen, beispielsweise Schaltern, 2ⁿ mögliche Schaltzustände gibt, wobei n eine natürliche Zahl ist. Die Modulation gibt folglich eine Sequenz von Zuständen der Bauelemente und einen Zeitvektor (tl, t2, t3, ..., tk) vor, wobei der Zeitvektor angibt, wie lang die Bauelemente jeweils in dem entsprechenden Zustand bleiben. D.h., der Suchraum zum Optimieren der Modulation einer vorgegebenen Schaltungstopologie ist mehrdimensional und hat eine komplexe Struktur. Als Folge davon ist die Optimierung mehrerer Leistungsfähigkeits-Indikatoren sehr rechen- und dementsprechend zeit- und kostenintensiv.
Aufgrund der großen Anzahl von möglichen Schaltungstopologien und der Komplexität der durchzuführenden Berechnungen zum Finden der geeigneten Modulation für jede mögliche Schaltung ist es bekannt, nur eine kleine Anzahl von Schaltungstopologien für eine bestimmte Anwendung zu berücksichtigen. Dabei ist es üblich, dass ein Experte auf dem entsprechenden Gebiet beruhend auf seiner Erfahrung eine kleine Anzahl von möglichen Schaltungstopologien vorschlägt, für die dann jeweils die optimale Modulation gesucht wird. Problematisch dabei ist, dass ein geeigneter Experte gefunden werden muss und dass jeder Experte nur eine beschränkte Anzahl von Schaltungstopologien kennt. Alternativ oder zusätzlich kann eine bereits bekannte Schaltungstopologie aus der entsprechenden Fachliteratur ausgewählt werden. Insgesamt werden in einem Entwicklungsprozess für eine Anwendung beispielsweise bis zu zehn Schaltungstopologien vorgeschlagen bzw. ausgewählt und die entsprechenden Modulationen gesucht.
Das Verfahren mit den Merkmalen des unabhängigen Anspruchs 1, das Computerprogramm mit den Merkmalen des Anspruchs 12, das maschinenlesbare Speichermedium mit den Merkmalen des Anspruchs 13 und die Vorrichtung mit den Merkmalen des Anspruchs 14 ermöglichen jeweils, mithilfe eines neuronalen Graphen-Konvolutionsnetzwerks schnell je einen Indikatorwert eines, zweier oder mehrerer Leistungsfähigkeits-Indikatoren einer vorgegebenen Schaltungstopologie zu ermitteln. Dadurch ist es möglich, mit besonders geringem Aufwand, schnell und/oder kostengünstig eine Vielzahl von vorgegebenen Schaltungstopologien dahingehend auszuwerten, ob sie als Energiewandler für eine bestimmte Anwendung geeignet sind oder nicht. Somit kann eine besonders hohe Anzahl von möglichen Schaltungstopologien bezüglich ihrer Geeignetheit als Energiewandler für die bestimmte Anwendung untersucht werden. Dies erhöht insgesamt die Wahrscheinlichkeit, einen möglichst optimalen Energiewandler für die gewünschte Anwendung zu finden und auszubilden.
Bei dem Verfahren zum Ermitteln eines Indikatorwerts mindestens eines Leistungsfähigkeits-Indikators einer vorgegebenen Schaltungstopologie einer elektronischen Schaltung, beispielsweise eines Energiewandlers, mittels eines neuronalen Graphen-Konvolutionsnetzwerks wird: eine Matrizendarstellung ermittelt, die die Schaltungstopologie repräsentiert; die Matrizendarstellung wird als Eingabedaten in das neuronale Graphen-Konvolutionsnetzwerk eingegeben, wobei das neuronale Graphen-Konvolutionsnetzwerk so konfiguriert ist, dass es abhängig von der Matrizendarstellung den mindestens einen Indikatorwert des Leistungsfähigkeits-Indikators der Schaltungstopologie ausgibt. Die in diesem Absatz beschriebenen Merkmale bilden ein erstes Beispiel.
Bei einer Weiterbildung weist die Matrizendarstellung eine erste Matrix, die die Bauelemente der Schaltungstopologie repräsentiert, und mindestens eine zweite Matrix, die die Verbindungen zwischen den Bauelementen der Schaltungstopologie repräsentiert, auf oder wird abhängig von der ersten Matrix und der zweiten Matrix ermittelt. Dies ermöglicht auf besonders einfache Weise, alle benötigten Informationen der Schaltungstopologie, nämlich der Bauelemente und der Verbindungen der Schaltungstopologie, dem neuronalen Graphen-Konvolutionsnetzwerk als Eingabedaten bereitzustellen. Die in diesem Absatz beschriebenen Merkmale in Kombination mit dem ersten Beispiel bilden ein zweites Beispiel.
Bei einer Weiterbildung wird bei der vorgegebenen Schaltungstopologie zu zwei oder mehr Leistungsfähigkeits-Indikatoren, die den mindestens einen Leistungsfähigkeits-Indikator und mindestens einen weiteren Leistungsfähigkeits-Indikator umfassen, jeweils mindestens ein Indikatorwert ermittelt, wobei der bzw. die Leistungsfähigkeits-Indikatoren beispielsweise die Herstellungskosten der elektronischen Schaltung, die Effizienz der elektronischen Schaltung, das Volumen der elektronischen Schaltung und/oder das Gewicht der elektronischen Schaltung sind. Die in diesem Absatz beschriebenen Merkmale in Kombination mit dem ersten Beispiel oder dem zweiten Beispiel bilden ein drittes Beispiel.
Bei einer Weiterbildung wird, falls der Indikatorwert für den Leistungsfähigkeits-Indikator der Schaltungstopologie ein vorgegebenes Auswahlkriterium erfüllt, eine Modulation für die Schaltungstopologie ermittelt. Dies ermöglicht, die Modulation ausschließlich für aussichtsreiche Schaltungstopologien zu ermitteln. Das vorgegebene Auswahlkriterium kann beispielsweise das Überschreiten oder Unterschreiten eines vorgegebenen Schwellenwerts, der dem entsprechenden Leistungsfähigkeits-Indikator zugeordnet ist, derart sein, dass die Modulation nur für Schaltungstopologien ermittelt wird, deren Indikatorwert besser als der vorgegebene Schwellenwert ist. Die in diesem Absatz beschriebenen Merkmale in Kombination mit einem oder mehreren des ersten Beispiels bis dem dritten Beispiel bilden ein viertes Beispiel.
Bei einer Weiterbildung wird die Modulation ermittelt, indem eine Sequenz von Zuständen der Bauelemente und ein Zeitvektor, der repräsentativ dafür ist, wie lange die Bauelemente in den jeweiligen Zuständen bleiben, ermittelt werden. Dies ermöglicht auf einfache Weise, eine optimale Ansteuerung der elektronischen Schaltung zu ermitteln. Die in diesem Absatz beschriebenen Merkmale in Kombination mit dem vierten Beispiel bilden ein fünftes Beispiel.
Bei einer Weiterbildung werden die Schaltungstopologie mit der Modulation und der entsprechende Indikatorwert für den Leistungsfähigkeits-Indikator der Schaltungstopologie zum Trainieren des neuronalen Graphen-Konvolutionsnetzwerks verwendet. Dies trägt dazu bei, dass mit fortschreitender Verwendung des Verfahrens die Größe des Trainingssatzes zum Trainieren des neuronalen Graphen-Konvolutionsnetzwerk wächst. Die in diesem Absatz beschriebenen Merkmale in Kombination mit dem vierten Beispiel oder dem fünften Beispiel bilden ein sechstes Beispiel.
Bei einer Weiterbildung wird die elektronische Schaltung mit der Schaltungstopologie ausgebildet und korrespondierend zu der Modulation konfiguriert. Dies ermöglicht auf einfache Weise, eine besonders geeignete elektronische Schaltung für die gewünschte Anwendung auszubilden. Die in diesem Absatz beschriebenen Merkmale in Kombination mit einem oder mehreren des vierten bis sechsten Beispiels bilden ein siebtes Beispiel.
Bei einer Weiterbildung wird, falls der Indikatorwert für den Leistungsfähigkeits-Indikator der Schaltungstopologie das Auswahlkriterium nicht erfüllt, eine andere Schaltungstopologie einer elektronischen Schaltung ermittelt, und für die ermittelte andere Schaltungstopologie wird das Verfahren nach einem oder mehreren des ersten bis siebten Beispiels erneut durchgeführt, wobei die andere Schaltungstopologie vorzugsweise so ermittelt wird, dass eine andere Matrizendarstellung, die die andere Schaltungstopologie repräsentiert, mindestens ein anderes Matrixelement hat als die eine Matrizendarstellung der einen Schaltungstopologie. Dies trägt dazu bei, dass die aufwändige Ermittlung der Modulation ausschließlich für aussichtsreiche Schaltungstopologien durchgeführt wird. Die in diesem Absatz beschriebenen Merkmale in Kombination mit einem oder mehreren des vierten Beispiels bis dem siebten Beispiel bilden ein achtes Beispiel.
Das Computerprogramm kann Programminstruktionen aufweisen, die eingerichtet sind, wenn sie von einem oder von mehreren Prozessoren ausgeführt werden, das Verfahren nach einem oder mehreren des ersten Beispiels bis dem achten Beispiel auszuführen. Das in diesem Absatz beschriebene Merkmal in Kombination mit einem oder mehreren des ersten bis achten Beispiels bilden ein neuntes Beispiel.
Das Computerprogramm kann in einem maschinenlesbaren Speichermedium gespeichert sein. Das in diesem Absatz beschriebene Merkmal in Kombination mit dem neunten Beispiel bilden ein zehntes Beispiel.
Zumindest ein Teil des neuronalen Graphen-Konvolutionsnetzwerks kann durch eine Vorrichtung, die beispielsweise einen oder mehrere Prozessoren aufweist, implementiert sein. Das in diesem Absatz beschriebene Merkmal in Kombination mit einem oder mehreren des ersten bis achten Beispiels bildet ein elftes Beispiel.
Ausführungsbeispiele der Erfindung sind in den Figuren dargestellt und werden im Folgenden näher erläutert. In den Zeichnungen beziehen sich in den mehreren Ansichten gleiche Bezugszeichen allgemein auf gleiche Teile. Die Zeichnungen sind nicht notwendig maßstabsgerecht, wobei der Schwerpunkt stattdessen auf der Darstellung der Prinzipien der Erfindung liegt.
Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und in der nachfolgenden Beschreibung näher erläutert.
Es zeigen:

1 ein Ausführungsbeispiel einer Schaltungstopologie einer elektronischen Schaltung;
2 eine schematische Darstellung von Bauelementen und Verbindungen der Schaltungstopologie gemäß 1;
3 ein Ausführungsbeispiel einer Inzidenzmatrix der Schaltungstopologie gemäß Figurl;
4 ein Ausführungsbeispiel einer Nachbarschaftsmatrix der Schaltungstopologie gemäß Figurl;
5 ein Ausführungsbeispiel einer Attributmatrix der Schaltungstopologie gemäß Figurl;
6 eine schematische Darstellung eines Ausführungsbeispiels eines neuronalen Graphen-Konvolutionsnetzwerks;
7 ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum Ermitteln eines Indikatorwerts mindestens eines Leistungsfähigkeits-Indikators einer vorgegebenen Schaltungstopologie einer elektronischen Schaltung;
8 ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum Ausbilden einer elektronischen Schaltung.

In einer Ausführungsform kann eine „elektronische Schaltung“ als jede Art von Logikimplementierender Entität verstanden werden, welche Hardware, Software, Firmware oder eine Kombination davon sein kann. Daher kann in einer Ausführungsform eine „elektronische Schaltung“ eine hartverdrahtete Logikschaltung oder eine programmierbare Logikschaltung, wie beispielsweise ein programmierbarer Prozessor, zum Beispiel ein Mikroprozessor (z.B. ein CISC (Prozessor mit großem Befehlsvorrat) oder ein RISC (Prozessor mit reduziertem Befehlsvorrat)), sein. Eine „elektronische Schaltung“ kann auch Software enthalten (beispielsweise Steuerungssoftware in einem Energiewandler), die von einem Prozessor implementiert bzw. ausgeführt wird, zum Beispiel jede Art von Computerprogramm, zum Beispiel ein Computerprogramm das einen virtuellen Maschinencode, wie beispielsweise Java, verwendet. Eine elektronische Schaltung kann durch eine entsprechende Schaltungstopologie repräsentiert sein.
1 zeigt ein Ausführungsbeispiel einer Schaltungstopologie 20 einer elektronischen Schaltung, beispielsweise eines Energiewandlers 22, beispielsweise eines Aufwärtswandlers (engl.: boost-converter). Die Schaltungstopologie 20 weist auf den Energiewandler 22, eine Spule 24, eine Diode 26, einen Schalter 28, einen ersten Knoten 30, einen zweiten Knoten 32, einen dritten Knoten 34, einen vierten Knoten 36, eine erste Spannungsquelle VS1, und eine zweite Spannungsquelle VS2.
Die Spule 24 ist einerseits mit dem ersten Knoten 30 und andererseits mit dem zweiten Knoten 32 verbunden. Die Diode 26 ist einerseits mit dem zweiten Knoten 32 und andererseits mit dem dritten Knoten 34 verbunden. Der Schalter 28 ist einerseits mit dem zweiten Knoten 32 und andererseits mit dem vierten Knoten 36 verbunden. Die erste Spannungsquelle VS1 ist einerseits mit dem ersten Knoten 30 und andererseits mit dem vierten Knoten 36 verbunden. Zwischen den dritten Knoten 34 und den vierten Knoten 36 ist ein in der 1 nicht dargestellter Kondensator geschaltet (symbolisiert durch die zweite Spannungsquelle VS2). Über der ersten Spannungsquelle VS1 fällt eine erste Spannung U1 ab. Ein erster Strom 11 fließt von der ersten Spannungsquelle VS1 als Eingangsstrom des Energiewandlers 22 zu der Spule 24. Eine zweite Spannung U2 fällt über der zweiten Spannungsquelle VS2 ab. Ein zweiter Strom 12 fließt als Ausgangsstrom aus dem Energiewandler 22 hin zu der zweiten Spannungsquelle VS2. An der Spule 24 fällt die Eingangsspannung U1 ab, der Strom durch die Spule 24 und damit die im Magnetfeld gespeicherte Energie steigen an. Wird der Schalter 28 geöffnet, versucht die Spule den Stromfluss aufrechtzuerhalten. Die Spannung an ihrem sekundären Ende steigt sehr schnell an, bis sie die an dem Kondensator anliegende Spannung übersteigt und die Diode öffnet. Der Strom fließt im ersten Moment unverändert weiter und lädt den Kondensator weiter auf. Das Magnetfeld wird dabei abgebaut und gibt seine Energie ab, indem es den Strom über die Diode 26 in den Kondensator und zur gegebenenfalls angeschlossenen Last treibt. Die Ausgangsspannung U2 des Aufwärtswandlers 22 ist stets größer als die Eingangsspannung U1.
Es ist anzumerken, dass die in 1 gezeigte Schaltungstopologie 20 lediglich ein Beispiel aus einer Vielzahl von möglichen Schaltungstopologien ist. Das Beispiel wurde gewählt, um zu veranschaulichen, wie ein Fachmann auf diesem technischen Gebiet ausgehend von einer vorgegebenen Schaltungstopologie, beispielsweise der Schaltungstopologie 20, zu einer Matrizendarstellung gelangt, die repräsentativ für die vorgegebene Schaltungstopologie ist. Das Prinzip, das in den folgenden Figuren veranschaulicht ist und mithilfe dessen der zuständige Fachmann ausgehend von der Schaltungstopologie 20 zu der entsprechenden Matrizendarstellung gelangt, kann ohne weiteres auf beliebige andere Schaltungstopologien übertragen werden.
Jede Schaltungstopologie, beispielsweise die Schaltungstopologie 20 kann durch einen Graphen repräsentiert werden, der n Vertices hat, wobei jeder Vertex für ein Bauelement oder einen Knoten steht. Wenn ein Bauelement oder Knoten der Schaltungstopologie mit einem anderen Bauelement oder Knoten der Schaltungstopologie verbunden ist, dann existiert eine Verbindung zwischen den entsprechenden Vertices.
2 zeigt eine schematische Darstellung von Bauelementen und Verbindungen der Schaltungstopologie 20 gemäß 1 als derartigen Graphen. In 2 sind die Bauelemente und Knoten der elektronischen Schaltung als Vertices und die Leitungen zwischen den Bauelementen als gerichtete Verbindungen dargestellt.
Eine erste Verbindung E1 führt in diesem Beispiel von der Spule 24 hin zu dem zweiten Knoten 32. Eine zweite Verbindung E2 führt von dem zweiten Knoten 32 zu der Diode 26. Eine dritte Verbindung E3 führt von dem ersten Knoten 30 hin zu der Spule 24. Eine vierte Verbindung E4 führt von dem zweiten Knoten 32 zu dem Schalter 28. Eine fünfte Verbindung E5 führt von der Diode 26 zu der zweiten Spannungsquelle VS dem dritten Knoten 34. Eine sechste Verbindung E6 führt von der ersten Spannungsquelle VS1 zu dem ersten Knoten 30. Eine siebte Verbindung E7 führt von dem Schalter 28 zu dem vierten Knoten 36. Eine achte Verbindung E8 führt von dem dritten Knoten 34 zu der zweiten Spannungsquelle VS2. Eine neunte Verbindung E9 führt von dem vierten Knoten 36 zu der ersten Spannungsquelle VS1. Eine zehnte Verbindung E10 führt von der zweiten Spannungsquelle VS2 zu dem vierten Knoten 36.
Die Information, um welches Bauelement es sich an einem bestimmten Vertex handelt, ist in dieser grafischen Darstellung nicht enthalten. Anhand des Graphen kann die Inzidenzmatrix der Schaltungstopologie 20 ermittelt werden.
3 zeigt ein Ausführungsbeispiel der Inzidenzmatrix der Schaltungstopologie 20 gemäß Figurl. Die Inzidenzmatrix ist eine mögliche Darstellung, aus der die relative räumliche Anordnung der Bauelemente der elektronischen Schaltung zueinander und die gerichteten Verbindungen zwischen den Bauelementen hervorgehen. Die Zeilen der Inzidenzmatrix stehen für die Bauelemente oder Knoten, also die Vertices, und die Spalten für die Verbindungen, auch Kanten genannt. Führt eine Verbindung von einem Bauelement weg, so steht in dem entsprechenden Feld eine 1. Führt eine Verbindung zu einem Bauelement hin, so steht in dem entsprechenden Feld eine -1.
Beispielsweise führt die erste Verbindung E1 hin zu dem zweiten Knoten 32 und die zweite Verbindung E2 und die vierte Verbindung E4 führen weg von dem zweiten Knoten 32. Dementsprechend finden sich in der zweiten Zeile der Inzidenzmatrix, die für den zweiten Knoten 32 steht, in der ersten Spalte, die für die erste Verbindung E1 steht, eine „-1“, und in der zweiten Spalte, die für die zweite Verbindung E2 steht, und in der vierten Spalte, die für die vierte Verbindung E4 steht, finden sich jeweils eine „1“.
Analog führt die dritte Verbindung E3 hin zu der Spule 24 und die erste Verbindung E1 führt weg von der Spule 24. Dementsprechend finden sich in der ersten Zeile der Inzidenzmatrix, die für die Spule 24 steht, in der ersten Spalte, die für die erste Verbindung E1 steht, eine „1“, und in der dritten Spalte, die für die dritte Verbindung E3 steht, eine „-1“. Die weiteren Einträge in der Inzidenzmatrix können auf gleiche Weise anhand von 2 ermittelt werden.
Die Inzidenzmatrix kann als Eingabedaten für das neuronale Graphen-Konvolutionsnetzwerk dienen. Alternativ dazu kann eine Schaltungstopologie auch als Nachbarschaftsmatrix ausgedrückt werden, wobei dann die Nachbarschaftsmatrix als Eingabedaten für das neuronale Graphen-Konvolutionsnetzwerk dien. Jede Inzidenzmatrix kann in eine Nachbarschaftsmatrix der entsprechenden Schaltungstopologie überführt werden. Wenn beispielsweise in der m-ten Spalte der Inzidenzmatrix der i-te Eintrag eine „1“ ist und der j-te Eintrag eine „-1“ ist, dann führt dies zu einer „1“ in dem Feld in der i-ten Spalte und der j-ten Zeile der Nachbarschaftsmatrix. Somit weist die Nachbarschaftsmatrix in dem Feld in der i-ten Zeile und der j-ten Spalte eine 1 auf, wenn es in der Schaltungstopologie eine gerichtete Verbindung von dem i-ten Bauelement zu dem j-ten Bauelement gibt in allen anderen Feldern der Nachbarschaftsmatrix steht eine 0.
4 zeigt ein Ausführungsbeispiel einer Nachbarschaftsmatrix der Schaltungstopologie 20 gemäß Figurl. In der Nachbarschaftsmatrix repräsentieren sowohl die Zeilen als auch die Spalten die Bauelemente der elektronischen Schaltung, wobei in einem Feld der Matrix eine „1“ steht, wenn von dem Bauelement der entsprechenden Zeile eine gerichtete Verbindung zu dem Bauelement in der entsprechenden Spalte verläuft.
Beispielsweise verläuft die erste Verbindung E1 von der Spule 24 zu dem zweiten Knoten 32, weswegen in dem Feld in der ersten Zeile, die für die Spule 24 steht, und in der zweiten Spalte, die für den zweiten Knoten 32 steht, eine „1“ steht. Ferner verläuft die zweite Verbindung E2 von dem zweiten Knoten 32 zu der Diode 26, weswegen in dem Feld in der zweiten Zeile, die für den zweiten Knoten 32 steht, und in der dritten Spalte, die für die Diode 26 steht, eine „1“ steht. In der zweiten Zeile steht auch noch in dem Feld in der fünften Spalte, die für den Schalter 28 steht, eine „1“, was repräsentativ dafür ist, dass eine gerichtete Verbindung, insbesondere die vierte Verbindung E4, von dem zweiten Knoten 32 zu dem Schalter 28 verläuft. Die anderen Einträge der Nachbarschaftsmatrix können analog anhand von 2 ermittelt werden.
Die Nachbarschaftsmatrix wird nachfolgend mit A bezeichnet. Es ist bekannt, die Einheitsmatrix I zu der Nachbarschaftsmatrix A zu addieren, damit die eigenen Eigenschaften eines Vertex nicht verloren gehen, wenn die Eigenschaften von Schicht zu Schicht zusammengeführt werden. Die Einheitsmatrix, auch bezeichnet als Identitätsmatrix, weist entlang ihrer Hauptdiagonalen ausschließlich Einträge einer „1“ und ansonsten ausschließlich Einträge einer „0“ auf, wobei die Einheitsmatrix nachfolgend mit I bezeichnet wird und n die Dimension der Einheitsmatrix I angibt. $I = \underset{n Zeilen und Spalten}{\underset{︸}{(\begin{matrix} 1 \\ ⋱ \\ 1 \end{matrix})}}$
Â bezeichnet im Folgenden die resultierende Matrix mit Â=A+I. Dieses Vorgehen kann auch als Hinzufügen von Eigen-Schleifen (engl.: self-loops) bezeichnet werden.
Angenommen, es gibt q verschiedene Arten von Bauelementen und i = 1, ..., n Bauelemente in der Schaltungstopologie. Dann kann die Art der i-ten Komponente c(i) bezeichnet werden. Ferner gilt: $\hat{D} = {(D_{i, j})}_{i, j = 1,..., n} m i t D_{i, j} = 0, w e n n i \neq j und D_{i, j} = \sum_{l = 1}^{n} {\hat{A}}_{i, l}$
Das heißt, D̂ ist eine Diagonalmatrix mit einer Anzahl von Einträgen, die gleich der Anzahl von Nachbarn sind, die ein Bauelement in der Schaltungstopologie hat, plus 1, um die künstlich hinzugefügten Eigenschleifen zu berücksichtigen.
Weder in der Inzidenzmatrix noch in der Nachbarschaftsmatrix sind Informationen über Eigenschaften der Vertices enthalten. Diese Informationen können in einer Attributmatrix codiert werden. Die Attributmatrix wird nachfolgend mit C bezeichnet und ist wie folgt definiert:

Verschiedene Bauelemente der Schaltungstopologie sind mittels one-hot-encoding codiert. Jede Zeile der Attributmatrix C entspricht der one-hot-encoding Bauelementart eines Vertex in dem Graph. D.h., die i-te Zeile der Attributmatrix C=(C₁, ..., Cn)^T ist gleich

C_{i} = \underset{= 1 an r - ter Stelle}{\underset{︸}{(0,...,1,...0)}} .

5 zeigt ein Ausführungsbeispiel einer Attributmatrix der Schaltungstopologie 20 gemäß Figurl. In der Attributmatrix, die auch als Merkmalsmatrix oder Feature-Matrix bezeichnet werden kann, sind die Eigenschaften der Vertices der Schaltungstopologie 20 codiert. Beispielsweise sind die Zeilen repräsentativ für die in 2 gezeigten Bauelemente bzw. Knoten und die Spalten sind repräsentativ für die Art der entsprechenden Bauelemente.
Beispielsweise ist das Bauelement mit dem Bezugszeichen 28 ein Schalter, weswegen in dem Feld in der Zeile, die repräsentativ für den Schalter 28 ist, und in der zweiten Spalte, die repräsentativ für Schalter ist, eine „1“ steht. Ferner gibt es bei der Schaltungstopologie 20 mehrere Knoten 30, 32, 34, 36, weswegen in den Feldern in den entsprechenden Zeilen und in der ersten Spalte, die repräsentativ für Knoten ist, jeweils eine „1“ steht.
Die Inzidenzmatrix und/oder die Nachbarschaftsmatrix können zusammen mit der Attributmatrix als Eingabedaten für ein neuronales Graphen-Konvolutionsnetzwerk verwendet werden, das so trainiert werden kann, dass es anhand der Eingabedaten Indikatorwerte KPI von Leistungsfähigkeits-Indikatoren der entsprechenden elektronischen Schaltung ermitteln kann. Derartige Leistungsfähigkeits-Indikatoren sind beispielsweise die Herstellungskosten der elektronischen Schaltung, die Effizienz der elektronischen Schaltung, das Volumen der elektronischen Schaltung und/oder das Gewicht der elektronischen Schaltung. Die Leistungsfähigkeits-Indikatoren können auch als Schlüssel-Leistungsfähigkeits-Indikatoren bezeichnet werden.
Ferner wird darauf abgezielt, K verschiedene Leistungsfähigkeits-Indikatoren KPI₁, ..., KPI_K jeder Schaltungstopologie auszuwerten, wobei KPI(A,C) der Vektor ist, der diese spezifischen KPIs für die Schaltungstopologie aufweist, die durch die Nachbarschaftsmatrix A und die Attributmatrix C definiert ist. $KPI (A, C) = (\begin{matrix} {KPI}_{1} (A, C) \\ ⋮ \\ {KPI}_{k} (A, C) \\ ⋮ \\ {KPI}_{K} (A, C) \end{matrix})} {KPI}_{k} k \ddot{o} nnen die Kosten sein$
6 zeigt eine schematische Darstellung eines Ausführungsbeispiels eines neuronalen Graphen-Konvolutionsnetzwerks. Bei dem neuronalen Graphen-Konvolutionsnetzwerk wird eine Anzahl L von Konvolutionsschichten 40, 44, 48 verwendet, auf die - bis auf die letzte - jeweils eine Poolbildungsschicht (engl.: pooling layer) 42, 46 folgt, gefolgt von einer Ausleseschicht 50 und einem mehrlagigen Perzeptron (engl.: multi-layer perceptron (MLP)) 52, da das Lernen der Leistungsfähigkeits-Indikatoren eine Regressionsaufgabe ist. Die Konvolutionsschichten und Poolbildungsschichten erzeugen eine Sequenz $\hat{A} = {\hat{A}}^{0}, C = H^{0}, \hat{D} = {\hat{D}}_{0}, {\hat{A}}^{1}, H^{1}, {\hat{D}}_{1},..., {\hat{A}}^{L}, H^{L}, {\hat{D}}_{L}$
von L+1 Attribut- und Nachbarschaftsmatrizen, die mit der ursprünglichen Attribut- bzw. Nachbarschaftsmatrix initialisiert sind. Konvolutionsoperationen in den Konvolutionsschichten 40, 44, 48 verändern die Dimensionen von H^L, das heißt die Anzahl von Eigenschaften pro Knoten. Poolbildungsoperationen in den Poolbildungsschichten 42, 46 reduzieren die Dimensionen von A^L, d.h. die Dimensionen des in die nächste Schicht einzugebenden Graphen, analog der Poolbildung bei Bilddaten.
Jede Konvolutionsschicht l = 1, ..., L transformiert eine Eingabematrix H^l-1 der Größe n_l-1*m_l-1 in eine Ausgabematrix n_l-1*m_l mittels Anwendens eines gewichteten Matrixprodukts und einer Aktivierungsfunktion auf die Eingabematrix.
Bei der Anfangsschicht ist die Gewichtsmatrix W₁ ∈ ℝ^q*m1, die Eingabedaten sind C und $H^{1} = σ_{1} ({\hat{D}}^{- \frac{1}{2}} \hat{A} {\hat{D}}^{- \frac{1}{2}} C W_{1}) \in ℝ^{n * m 1} .$
Hierbei ist C∈ℝ^n*q.
Bei nachfolgenden Schichten ist die Gewichtsmatrix W₁∈ℝ^ml-1*ml, die Eingabedaten sind H^l-1∈ℝ^nl-1*ml-1und die Ausgabe ist $H^{l} = σ_{l} ({\hat{D}}_{l - 1}^{- 1 / 2} {\hat{A}}^{l - 1} {\hat{D}}_{l - 1}^{- 1 / 2} H^{l - 1} W_{l}) \in ℝ^{n l - 1 * m l} .$
Hierbei sind ${\hat{A}}^{l - 1}, {\hat{D}}_{l - 1} \in ℝ^{n l - 1 * n l - 1} .$
Mögliche Aktivierungsfunktionen, die eintragweise auf eine Matrix angewendet werden, können Standard-Aktivierungsfunktionen für neuronale Netzwerke sein, beispielsweise die tanh-Aktivierung σ_l = tanh(x) oder die ReLu-Aktivierung σ_l = max{x, 0}.
Lernbare Parameter dieser Konvolutionsschichten sind die Einträge der Gewichtsmatrix W_l. Eingaben sind die vorhergehende Nachbarschaftsmatrix und Gradmatrix ${\hat{A}}^{l - 1}, {\hat{D}}_{l - 1} \in ℝ^{n l - 1 * n l - 1} .$
und die Attributmatrix H^l-1∈ℝ^nl-1*ml der vorhergehenden Konvolutionsschicht. Die Ausgabe dieser Konvolutionsschicht ist die Attributmatrix H^l nach obiger Formel.
Zusätzlich können optional Poolbildungsschichten nach jeder Konvolutionsschicht verwendet werden: Eingaben sind die Attributmatrix H_l der vorangegangnen Konvolutionsschicht und die vorhergehende Nachbarschaftsmatrix und Gradmatrix ${\hat{A}}^{l - 1},$
${\hat{D}}_{l - 1} \in ℝ^{n l - 1 * n l - 1},$
Lernbare Parameter sind die Einträge eines n_l-1 dimensionalen Vektors b. Ausgabe sind die Nachbarschaftsmatrix und Gradmatrix ${\hat{A}}^{l}, {\hat{D}}_{l} \in ℝ^{n l * n l}$
von reduzierter Dimension n_l, die wie folgt berechnet wird: Angenommen y = $y = \frac{H^{l} b}{{‖ b ‖}_{2}} \in$
R^nl-1 und angenommen I ∈ 1, ..., n_l-1 ist der Satz von Indizes der n_l größten Werte in y. Dann ist Â^l die Untermatrix von Â^l-1, die in alle Zeilen und Spalten in I eingeführt ist. Analog ist D̂_l die Untermatrix von D̂_l-1 die in alle Zeilen und Spalten in I eingeführt ist. Falls beispielsweise die zwei größten Einträge in y der erste und der dritte Eintrag dieses Vektors sind, dann ist Â_l die Untermatrix von Â_l-1, die nur die Einträge aus der ersten und dritten Zeile und Spalte enthält. D.h. Â_l enthält dann 4 Einträge.
Nach dem Anwenden von insgesamt L Konvolutionsschichten und Poolbildungsschichten wird eine Attributmatrix H^L∈ℝ^nL*mL erhalten, wobei $H_{1}^{L},..., H_{n L}^{L}$
die Zeilen dieser Matrix sind (die Eigenschaften der Vertices in dem reduzierten Graph). Die Eigenschaften der Vertices in H^L werden in Eigenschaften des Graphen verdichtet mittels Anwendens einer Auslesefunktion $f_{i}^{L} = σ_{r e a d o u t} (H_{i}^{L}) \in ℝ$
auf die Zeilen von H^L. Die Ausgabe $f^{L} = (f_{1}^{L},..., f_{n L}^{L})$
wird in das MLP 52 eingegeben, um eine Regression mit dem Regressionsziel KPI(A, C) durchzuführen. Mögliche Auslösefunktionen sind eine Summenbildung über die Einträge in der entsprechenden Zeile, eine Durchschnittswertbildung der Einträge der entsprechenden Zeile oder ein Maximum der Einträge der entsprechenden Zeile. Erlernbare Parameter des Modells sind alle Einträge der Gewichtsmatrizen W₁, ..., W_L, alle Vektoren b₁, ..., b_L der Poolbildungsschichten und die Parameter des MLP 52.
Alternativ können auch andere Poolbildungsfunktionen verwendet werden, die aus der Fachliteratur für neuronale Graphen-Konvolutionsnetzwerken bekannt sind, wie zum Beispiel „EigenPooling“ von Ma et al. aus „Graph Convolutional Networks with EigenPooling“, „ChebNet“ von Deerrard et al. aus „Convolutional neural networks on graphs with fast localized spectral filtering“, „SortPooling“ von Zhang et al. aus „An endto-end deep learning architecture for graph classification“, „DiPool“ von Ying et al. „Hierarchical graph representation learning with differentiable pooling“, oder „SAGPool“ von Lee et al. aus „Self-attention graph pooling“.
Ferner können weitere Konvolutionsschichten integriert werden und/oder ein spektraler Ansatz kann verfolgt werden, wie zum Beispiel in „Spectral networks and locally connected networks on graph“ von Bruna et al.
Alternativ oder zusätzlich kann ein Bayers den Konvolutionsschichten hinzugefügt werden mittels Einführens einer lernbaren Matrix $W_{l}^{'}$
und Vorgebens von $H^{l} = σ_{l} ({\hat{D}}^{- 1 / 2} {\hat{A}}^{l - 1} {\hat{D}}^{- 1 / 2} H^{l - 1} W_{l} + H^{l - 1} W_{l}^{'}) \in ℝ^{n l - 1 * m l} .$
7 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum Ermitteln eines Indikatorwerts mindestens eines Leistungsfähigkeits-Indikators einer vorgegebenen Schaltungstopologie einer elektronischen Schaltung. Bei dem Verfahren wird ein neuronales Graphen-Konvolutionsnetzwerk zum Ermitteln des Indikatorwerts verwendet, beispielsweise das im Vorhergehenden erläuterte neuronale Graphen-Konvolutionsnetzwerk.
Das neuronale Graphen-Konvolutionsnetzwerk wird im Vorfeld beispielsweise anhand bekannter Schaltungstopologien, deren Indikatorwerte der entsprechenden Leistungsfähigkeits-Indikatoren bekannt sind, und/oder anhand einfacher Schaltungstopologien, deren Indikatorwerte KPIs der entsprechenden Leistungsfähigkeits-Indikatoren schnell und/oder einfach ermittelt werden können, trainiert. Hierbei handelt es sich um überwachtes („supervised“) Lernen, wobei die Indikatorwerte KPIk die Label der entsprechenden Schaltungstopologien sind.
In einem Schritt S2 wird eine Schaltungstopologie vorgeschlagen, beispielsweise die im Vorhergehenden erläuterte Schaltungstopologie 20.
In einem Schritt S4 wird eine Matrizendarstellung der Schaltungstopologie ermittelt. Beispielsweise werden die im Vorhergehenden erläuterten Inzidenzmatrix, Nachbarschaftsmatrix und/oder Attributmatrix ermittelt, beispielsweise zu der Schaltungstopologie 20.
In einem Schritt S6 wird die Matrizendarstellung als Eingabedaten in ein neuronales Graphen-Konvolutionsnetzwerk eingegeben, beispielsweise in das in 6 gezeigte neuronale Graphen-Konvolutionsnetzwerk.
In einem Schritt S8 ermittelt das neuronale Graphen-Konvolutionsnetzwerk mindestens einen Indikatorwert mindestens eines Leistungsfähigkeits-Indikators der Schaltungstopologie, beispielsweise einen Indikatorwert KPIk eines der Leistungsfähigkeits-Indikatoren der Schaltungstopologie 20.
Falls das neuronale Graphen-Konvolutionsnetzwerk bezüglich mehr als einem Leistungsfähigkeits-Indikator ausgewertet werden soll, so können die Indikatorwerte der entsprechenden Leistungsfähigkeits-Indikatoren beispielsweise wie im Vorhergehenden erläutert als Vektor dargestellt werden, wobei das neuronale Graphen-Konvolutionsnetzwerk jedes Element des Vektors einzeln schätzen kann. Alternativ dazu können die Indikatorwerte mehrerer Leistungsfähigkeits-Indikatoren zu einer gemeinsamen Größe zusammengefasst werden, wobei es sein kann, dass das neuronale Graphen-Konvolutionsnetzwerk dann nur die gemeinsame Größe schätzt. Beispielsweise können mehrere Indikatorwerte addiert werden und das neuronale Graphen-Konvolutionsnetzwerk schätzt lediglich die Summe der Indikatorwerte. Dieses Vorgehen kann weiter verfeinert werden, indem die zu addierenden Indikatorwerte vor dem Addieren jeweils mit einem Gewichtsfaktor multipliziert werden, wobei der Gewichtsfaktor die Wichtigkeit des entsprechenden Leistungsfähigkeits-Indikators für die gewünschte Anwendung der elektronischen Schaltungen widerspiegeln kann.
8 zeigt ein Ablaufdiagramm eines Ausführungsbeispiels eines Verfahrens zum Ausbilden einer elektronischen Schaltung, beispielsweise eines Energiewandlers.
In einem Schritt S10 wird ein Indikatorwert mindestens eines Leistungsfähigkeits-Indikators einer vorgegebenen Schaltungstopologie eines möglichen Kandidaten für die elektronische Schaltung ermittelt, beispielsweise mithilfe des in 7 veranschaulichten Verfahrens.
In einem Schritt S12 wird überprüft, ob der Indikatorwert KPIk für den Leistungsfähigkeits-Indikator ein vorgegebenes Auswahlkriterium erfüllt, beispielsweise größer oder kleiner als ein vorgegebener Schwellenwert THD ist. Vorzugsweise gilt das vorgegebene Auswahlkriterium als erfüllt, wenn der ermittelte Indikatorwert KPIk „besser“ als der vorgegebene Schwellenwert THD ist. Falls beispielsweise der entsprechende Leistungsfähigkeits-Indikator das Gewicht, das Volumen oder die Kosten für die elektronische Schaltung sind, so kann das Auswahlkriterium erfüllt sein, wenn der ermittelte Indikatorwerte KPIk kleiner als der vorgegebene Schwellenwert THD ist. Falls beispielsweise der entsprechende Leistungsfähigkeits-Indikator die Effizienz der elektronischen Schaltung ist, so kann das Auswahlkriterium erfüllt sein, wenn der ermittelte Indikatorwerte KPIk größer als der vorgegebene Schwellenwert THD ist.
Falls in dem Schritt S12 ermittelt wird, dass der ermittelte Indikatorwert KPIk das vorgegebene Auswahlkriterium nicht erfüllt, so wird das Verfahren erneut in dem Schritt S10 fortgesetzt, wobei eine andere Schaltungstopologie, deren Matrizendarstellung mindestens einen anderen Eintrag hat, als die der zuvor verwendeten Schaltungstopologie, mittels des neuronalen Graphen-Konvolutionsnetzwerks bezüglich seiner Indikatorwerte KPIk der Leistungsfähigkeits-Indikatoren ausgewertet wird. Falls in dem Schritt S12 ermittelt wird, dass der ermittelte Indikatorwerte KPIk das vorgegebene Auswahlkriterium erfüllt, so wird das Verfahren in einem Schritt S14 fortgesetzt.
In dem Schritt S14 wird eine Modulation für die Schaltungstopologie, beispielsweise für die Schaltungstopologie 20, ermittelt. Die Modulation kann beispielsweise ermittelt werden, indem eine Sequenz von Zuständen der Bauelemente der Schaltungstopologie und ein Zeitvektor, der repräsentativ dafür ist, wie lange die Bauelemente in den jeweiligen Zuständen bleiben, ermittelt werden. Die Modulation wird vorzugsweise so ermittelt, dass zumindest ein Indikatorwert eines Leistungsfähigkeits-Indikators optimal ist.
In einem Schritt S16 wird die elektronische Schaltung mit der Schaltungstopologie ausgebildet und korrespondierend zu der ermittelten Modulation konfiguriert.
Optional können zu der gefundenen Schaltungstopologie mit der in Schritt S14 ermittelten Modulation die tatsächlichen Indikatorwerte der Leistungsfähigkeits-Indikatoren ermittelt werden und die Schaltungstopologie mit den entsprechenden Indikatorwerten kann zum fortgesetzten Trainieren des neuronalen Graphen-Konvolutionsnetzwerks oder eines anderen neuronalen Graphen-Konvolutionsnetzwerks verwendet werden.

Claims

Verfahren zum Ermitteln eines Indikatorwerts (KPIk) mindestens eines Leistungsfähigkeits-Indikators einer vorgegebenen Schaltungstopologie (20) einer elektronischen Schaltung mittels eines neuronalen Graphen-Konvolutionsnetzwerks, bei dem eine Matrizendarstellung (Â, C) ermittelt wird, die die Schaltungstopologie (20) repräsentiert, die Matrizendarstellung (Â, C) als Eingabedaten in das neuronale Graphen-Konvolutionsnetzwerk eingegeben wird, wobei das neuronale Graphen-Konvolutionsnetzwerk so konfiguriert ist, dass es abhängig von der Matrizendarstellung (Â, C) den mindestens einen Indikatorwert (KPIk) des Leistungsfähigkeits-Indikators der Schaltungstopologie (20) ausgibt.
Verfahren nach Anspruch 1, bei dem, falls der Indikatorwert (KPIk) für den Leistungsfähigkeits-Indikator der Schaltungstopologie (20) ein vorgegebenes Auswahlkriterium erfüllt, eine Modulation für die Schaltungstopologie (20) ermittelt wird.
Verfahren nach einem der Ansprüche 1 oder 2, bei dem, falls der Indikatorwert (KPIk) für den Leistungsfähigkeits-Indikator der Schaltungstopologie (20) das Auswahlkriterium nicht erfüllt, eine andere Schaltungstopologie (20) einer elektronischen Schaltung ermittelt wird, und für die ermittelte andere Schaltungstopologie (20) das Verfahren nach einem der Ansprüche 1 oder 2 erneut durchgeführt wird.
Verfahren nach Anspruch 3, bei dem die anderen Schaltungstopologien so ermittelt wird, dass eine andere Matrizendarstellung (Â, C), die die andere Schaltungstopologie (20) repräsentiert, mindestens ein anderes Matrixelement hat als die eine Matrizendarstellung (Â, C) der einen Schaltungstopologie (20).
Verfahren nach einem der vorstehenden Ansprüche, bei dem die Matrizendarstellung (Â, C) eine erste Matrix (C), die die Bauelemente der Schaltungstopologie (20) repräsentiert, und mindestens eine zweite Matrix (Â), die die Verbindungen (E1, ..., E10) zwischen den Bauelementen der Schaltungstopologie (20) repräsentiert, aufweist oder abhängig von der ersten Matrix (C) und der zweiten Matrix (Â) ermittelt wird.
Verfahren nach einem der vorstehenden Ansprüche, bei dem bei der vorgegebenen Schaltungstopologie (20) zu zwei oder mehr Leistungsfähigkeits-Indikatoren, die den mindestens einen Leistungsfähigkeits-Indikator und mindestens einen weiteren Leistungsfähigkeits-Indikator umfassen, jeweils mindestens ein Indikatorwert (KPI1, ..., KPIk) ermittelt wird.
Verfahren nach einem der vorstehenden Ansprüche, bei dem der mindestens eine Leistungsfähigkeits-Indikator ausgewählt ist aus einer Gruppe bestehend aus: Herstellungskosten der elektronischen Schaltung; Effizienz der elektronischen Schaltung; Volumen der elektronischen Schaltung; und/oder Gewicht der elektronischen Schaltung.
Verfahren nach einem der vorstehenden Ansprüche, bei dem die elektronische Schaltung einen Energiewandler aufweist.
Verfahren nach einem der Ansprüche 2 bis 8, bei dem die Modulation ermittelt wird, indem eine Sequenz von Zuständen der Bauelemente und ein Zeitvektor, der repräsentativ dafür ist, wie lange die Bauelemente in den jeweiligen Zuständen bleiben, ermittelt werden.
Verfahren nach einem der Ansprüche 2 bis 9, bei dem die Schaltungstopologie (20) mit der Modulation und der entsprechende Indikatorwert (KPIk) für den Leistungsfähigkeits-Indikator der Schaltungstopologie (20) zum Trainieren des neuronalen Graphen-Konvolutionsnetzwerks verwendet werden.
Verfahren nach einem der Ansprüche 2 bis 10, bei dem die elektronische Schaltung mit der Schaltungstopologie (20) ausgebildet wird und korrespondierend zu der ermittelten Modulation konfiguriert wird.
Computerprogramm, welches eingerichtet ist, das Verfahren nach einem der Ansprüche 1 bis 11 auszuführen.
Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 12 gespeichert ist.
Vorrichtung, die eingerichtet ist, das Verfahren nach einem der Ansprüche 1 bis 11 auszuführen.