JP2019204490A - 自動電磁干渉フィルタ設計システム、その方法およびコンピュータ可読媒体 - Google Patents

Abstract

【課題】最適なフィルタ構成の決定に要する時間およびコンピューティング資源を大幅に節減するシステムを提供する。【解決手段】自動フィルタ設計プロセスであって、ノイズパラメータを含む、フィルタ設計に関する複数のパラメータを受信する。受信したパラメータの少なくとも１つに基づいて、複数のフィルタ構成候補を決定する。更に、複数のフィルタ構成候補の各フィルタ構成候補に関して、訓練済み機械学習モデルに基づいて、各フィルタ構成候補と関連付けられた推定ＥＭＩノイズを決定する。推定ＥＭＩノイズに基づいて、フィルタ構成候補の少なくとも１つを選択する。場合によっては、少なくとも１つの選択されたフィルタ構成候補を使用してシミュレーションを実施する。選択および／またはシミュレーションの結果に基づいて、少なくとも１つの選択されたフィルタ構成候補に関する情報をコンピューティングデバイスに送信する。【選択図】図１０

Description

本発明は、自動電磁干渉フィルタ設計システム、その方法およびコンピュータ可読媒体に関する。

車両の電動機駆動システムでは、電力インバータの高いスイッチング周波数によって、他の車上電子デバイスに対する電磁干渉（ＥＭＩ）が生じることがある。更に、近年、炭化ケイ素（ＳｉＣ）および窒化ガリウム（ＧａＮ）デバイスが益々利用可能になっていることで、電力インバータがより高いスイッチング周波数で動作させることができるようになり、それによってＥＭＩの量が増加する可能性がある。発生したＥＭＩノイズ電流は、伝導ＥＭＩノイズと呼ばれ、入力および出力電力線に沿って伝わり、他の電子系統と干渉することがある。異なるシステム間の干渉を回避するため、電力インバータおよび／または電力コンバータからのＥＭＩ放出ノイズは、自動車メーカー、国際標準化機構、および／または政府機関によって指定される、特定の電磁環境両立性（ＥＭＣ）規格に準拠するように制御されてもよい。

伝導ＥＭＩノイズを減衰するため、ＥＭＩフィルタが、電力コンバータおよび／または電力インバータに含まれるか、あるいは別の形でそれらと関連付けられてもよい。通常、ＥＭＩフィルタは、電力コンバータ／インバータの入力部に位置決めされるが、一部の適用例では、フィルタは入力位置および出力位置の両方に採用されることがある。ＥＭＩフィルタは、ＥＭＣ規格を満たすように伝導ＥＭＩノイズを減衰することができる。ＥＭＩフィルタは、電力コンバータ／インバータの重量および体積を付加するとともに、コストを増大させることがある。しかしながら、軽量、小型、低コストであって、それでもなおＥＭＣ要件を満たすのに十分なように望ましくないＥＭＩノイズを除去することができる、適切なＥＭＩフィルタを設計するのは困難な場合がある。従来の設計技術には多数の試行錯誤を伴うことがあり、フィルタ成分値を調整するのに複数の反復を要する場合が多く、それは非効率的で時間がかかる可能性がある。

そこで、本発明の目的は、高忠実度シミュレーションを行うフィルタ構成候補の数を前もって限定することによって、最適なフィルタ構成の決定に要する時間およびコンピューティング資源を大幅に節減することができる、システム、方法及びコンピュータ可読媒体を提供することにある。

いくつかの実現例としては、電磁干渉（ＥＭＩ）ノイズを低減するフィルタを設計する装置および技術が挙げられる。いくつかの例では、システムは、ノイズパラメータを含む、フィルタ設計に関する複数のパラメータを受信してもよい。システムは、受信したパラメータの少なくとも１つに基づいて、複数のフィルタ構成候補を決定してもよい。システムは更に、複数のフィルタ構成候補の各フィルタ構成候補に関して、訓練済み機械学習モデルに基づいて、各フィルタ構成候補と関連付けられた推定ＥＭＩノイズを決定してもよい。システムは、推定ＥＭＩノイズに基づいて、フィルタ構成候補の少なくとも１つを選択してもよい。場合によっては、システムは、少なくとも１つの選択されたフィルタ構成候補を使用してシミュレーションを実施してもよい。選択および／またはシミュレーションの結果に基づいて、システムは、少なくとも１つの選択されたフィルタ構成候補に関する情報をコンピューティングデバイスに送信してもよい。

本発明のシステムの好ましい一例は、１つ以上のプロセッサと、記１つ以上のプロセッサによって実行されると、動作を実施するように１つ以上のプロセッサをプログラミングする命令を格納する、１つ以上の非一時的コンピュータ可読媒体とを備える。プロセッサによる動作が、ノイズパラメータを含む、フィルタ設計に関する複数のパラメータを受信することと、パラメータのうち少なくとも１つに合致する複数のフィルタ構成候補を決定することと、複数のフィルタ構成候補の各フィルタ構成候補に関して、訓練済み機械学習モデルに基づいて、フィルタ構成候補と関連付けられた推定電磁干渉ノイズ量を決定することと、それぞれのフィルタ構成候補に関して決定された推定電磁干渉ノイズ量に基づいて、フィルタ構成候補をランキングすることと、ランキングに基づいて、フィルタ構成候補のうち少なくとも１つを選択することと、少なくとも１つの選択されたフィルタ構成候補を使用してシミュレーションを実行して、シミュレートされた電磁干渉ノイズを決定することと、少なくとも１つの選択されたフィルタ構成候補に関する情報をコンピューティングデバイスに送信することとを含む。

詳細な説明は添付図面を参照して記載される。図面中、参照番号の左端の桁は、その参照番号が最初に現れる図面を特定する。異なる図面で同じ参照番号を使用することで、類似もしくは同一の項目または特徴を示す。

忠実度シミュレーションを行うフィルタ構成候補の数を前もって限定することによって、最適なフィルタ構成の決定に要する時間およびコンピューティング資源を大幅に節減することができる。

いくつかの実現例による、自動フィルタ設計を実施する一例のシステムを示す図である。 いくつかの実現例による、車両システムおよびフィルタトポロジーの一例を示す図である。 いくつかの実現例による、フィルタ設計ツールの構成要素間における相互作用の一例を示す図である。 いくつかの実現例による、フィルタ設計プログラムのプログラム間における相互作用の一例を示す図である。 いくつかの実現例による、一例のプロセスを示すフロー図である。 いくつかの実現例による、一例のプロセスを示すフロー図である。 いくつかの実現例による、一例のプロセスを示すフロー図である。 いくつかの実現例による、機械学習モデルの訓練の一例を示す図である。 いくつかの実現例による、訓練データ構造の一例の構成を示す図である。 いくつかの実現例による、一例のプロセスを示すフロー図である。

本明細書の技術は、ＥＭＩフィルタの設計と生成に関する新規な装置および技術を含む。いくつかの例としては、従来のフィルタ設計方法と比べて、特定のシステムに対して最適なフィルタ設計を決定する時間を大幅に低減する、自動フィルタ設計ツールが挙げられる。本明細書のフィルタ設計技術は、フィルタ設計プロセス全体を合理化して、従来のフィルタ設計方法では一般的に必要とされる、再加工ステップおよびサイズ変更ステップを排除する。更に、本明細書のフィルタ設計技術は、ユーザのローカルコンピュータ、１つもしくは複数のリモートサーバ、それらの組み合わせなど、様々なハードウェアに対して実行されてもよい。

本明細書のいくつかの実現例は、機械学習モデルを使用することなどによって、フィルタ構成とＥＭＩノイズとの相関を決定し、決定された相関を使用して、指示されたコストおよびサイズのパラメータを満たす複数のフィルタ構成候補を評価する。システムは、最初に、サイズおよびコストのパラメータに基づいてなど、特定のシステムに対してフィルタを生成するために受信した仕様に基づいて、第１の複数のフィルタ構成候補を特定してもよい。第１の複数のフィルタ構成候補を特定した後、フィルタ設計ツールは、訓練データを使用して既に訓練済みである機械学習モデルを使用して、第１の複数のフィルタ構成候補に対する予測ＥＭＩノイズレベルを決定してもよい。

続いて、最低予測ＥＭＩノイズレベルを有するフィルタ構成候補のうち１つ以上の部分集合が、シミュレーション段階のために選択される。シミュレーション段階の間、システムは、詳細な高忠実度シミュレーションを実施して、部分集合の各フィルタ構成候補に対する模擬ＥＭＩノイズ結果を取得してもよい。いくつかの例では、関心ＥＭＩノイズは伝導放出ノイズであってもよい。高忠実度シミュレーションの実施には多量の時間および／またはコンピューティング資源が使われることがあるので、本明細書の実現例は、高忠実度シミュレーションを行うフィルタ構成候補の数を前もって限定することによって、最適なフィルタ構成の決定に要する時間およびコンピューティング資源を大幅に節減することができる。更に、いくつかの例では、高忠実度シミュレーション段階は飛ばしてもよく、プロセスは、一番に選択されたフィルタ設計のプロトタイプの製造および検証に直接進んでもよい。

場合によっては、シミュレーション段階に提供される部分集合におけるフィルタ構成候補の数は、ユーザによって指定される、管理者によって指定される、またはシステム初期設定によって指定される整数Ｋであってもよく、その数は、部分的には、利用可能なコンピューティング資源および／または所望の設計完成時間に応じて決まってもよい。高忠実度シミュレーションの後、シミュレーションの結果に基づいて、少なくとも１つの最適なフィルタ設計が特定されてもよい。場合によっては、特定された最適なフィルタ設計は、三次元（３Ｄ）プリンタ、１つ以上のロボットデバイス、コンピュータ自動製造システムなどを使用して、自動的に製造されてもよく、あるいは、シミュレーション結果および選択されたフィルタ設計を検証するのに、選択されたフィルタ設計の物理的な実世界試験を行うため、プロトタイプとして構築されてもよい。

本明細書の例により、特定の用途に関するコストおよびサイズパラメータを満たす多数のフィルタ候補に対するシミュレーションの実行を回避することによって、最適なフィルタ設計を決定するための時間を有効に低減できるようになる。本明細書のフィルタ設計技術は、従来の設計方法で使用される手動の再設計および最適化ステップを排除する、コストおよびサイズパラメータを満たすフィルタ候補の自動選択を実施する。更に、本明細書のフィルタ設計技術は、複数のサーバを使用することなどによって、複数の異なるコンピューティングデバイスを使用して実行されてもよい。例えば、第１のサーバは、ユーザ仕様に応答するためのフィルタ設計プログラムのユーザインターフェースおよび他の機能を実行してもよく、第２のサーバは、高忠実度シミュレーションを行い、訓練データを訓練データデータベースまたは他のデータ構造に提供することによって、機械学習モデルを訓練し、データ生成プログラムを実行して訓練データを生成してもよい。

場合によっては、フィルタ設計プログラムは、フィルタ設計プログラムがシステムに対するＥＭＩフィルタの複数のフィルタパラメータを含む仕様をユーザから受信できるようにする、ユーザインターフェースを提供してもよい、ユーザインターフェース（ＵＩ）プログラムを含んでもよく、またはそれにアクセスしてもよい。例えば、ユーザインターフェースは、ユーザが、自身の仕様を、ならびに高忠実度シミュレーションに使用される最良の候補の数Ｋを入力できるようにする。フィルタ設計プログラムは、選択されたフィルタ設計の性能をユーザが理解するのを助ける、上位候補それぞれのＥＭＩノイズデータ、および／またはＥＭＩノイズレベル対異なる周波数帯を示す１つもしくは複数のグラフを出力してもよい。システムは更に、２つのデータベースまたは他のタイプのデータ構造、つまり多数のフィルタトポロジーおよび成分の情報を格納するトポロジーおよび成分データ構造と、フィルタ設計プログラムによって使用される機械学習モデルを訓練するのに使用されてもよい、訓練データを格納する訓練データのデータ構造とを含んでもよい。

ユーザ仕様を受信すると、フィルタ設計プログラムは、多数のフィルタ設計を含むトポロジーおよび成分データ構造を評価する、自動選択プログラムを実行してもよい。自動選択プログラムは、仕様のパラメータを満たすように決定されたトポロジーおよび成分を有する、複数のフィルタ設計を特定してもよい。フィルタ設計プログラムは、機械学習モデルを使用して、選択されたフィルタ設計のうちどれが、ユーザ仕様のノイズパラメータによって指定される許容可能なＥＭＩノイズレベルを下回る一方で、フィルタのサイズおよびコストに関する仕様の他のパラメータも満たす、ＥＭＩノイズレベルを有する見込みがあるか、を決定する。フィルタ設計プログラムは、機械学習モデルの出力に基づいてこれらのフィルタ構成候補をランキングしてもよく、高忠実度シミュレーションのためにＫ個の上位候補を選択してもよい。

本明細書の例では、フィルタ設計ツールは、単一の独立型フィルタではなく複数のフィルタを含んでもよいシステムの系統的モデルから得られる、実験データまたはシミュレーションデータを使用して訓練される、機械学習モデルを用いてもよい。したがって、本明細書のフィルタ設計ツールは、複数のフィルタ構成とＥＭＩノイズレベルとの間の相関を決定することができる。例えば、実世界の実現例では、複数のフィルタが、車両の複数の回路またはデバイスにインストールされてもよく、個々のフィルタのノイズ抑制または減衰性能は、これらの他の回路またはデバイスのインピーダンスによって実質的に影響されることがある。場合によっては、他の回路またはデバイスによって課せられるＥＭＩノイズの影響は非線形のことがあり、したがって、数学的もしくは理論的に正確に計算することは困難であるかまたは不可能なことがある。したがって、本明細書のフィルタ設計技術は、高忠実度シミュレーションに対するフィルタ設計候補を選択する従来の時間がかかるプロセスを回避するだけでなく、フィルタがインストールされるシステム全体またはサブシステムを考慮した、機械学習モデルを用いてもよい。

本明細書の実現例は、従来のフィルタ設計の方策に存在する、時間がかかるという問題を、機械学習およびシミュレーション生成訓練データを組み込んだ自動フィルタ設計ツールを提供することによって、有効に克服することができる。上述したように、従来のフィルタ設計の方策は、コスト／サイズ要件に基づいて、また機械学習モデルを使用し、次にノイズ制限を満たすものへとこれらの候補を絞り込むシミュレーションを行う、フィルタ候補の選択から始まる手動の作業に依存する。コストおよびサイズの要件を満たすフィルタ候補が多数あり、またシミュレーション時間が長く、通常数時間から数日に及ぶため、従来の技術を使用した最適なフィルタ設計の決定は、時間がかかるプロセスであることがあり、そのため、設計者が、迅速なフィードバックを提供するか、または顧客要件の変更に応答することが不可能になることがある。

いくつかの例は、低電圧（ＬＶ）および高電圧（ＨＶ）フィルタの両方を含むＥＭＩフィルタ設計に関し、したがって、例えば高速スイッチング動作などによって引き起こされる伝導放出（ＣＥ）ＥＭＩノイズを抑制する必要がある、インバータおよびコンバータなどのパワーエレクトロニクスデバイスに使用することができる。更に、本明細書の実現例は、フィルタのサイズならびにコストを管理するのに使用されてもよい。例えば、フィルタは、電力デバイスの総体積の有意な部分を形成してもよい。本明細書の装置および技術を用いて、フィルタ設計プロセス全体を合理化して、最適な設計を決定するのに使用される時間およびコンピューティング資源の有効な低減を可能にする、手動再加工ステップを排除することができる。

考察のため、一部の実現例は、車両用途におけるＥＭＩノイズを低減するフィルタ設計プログラムの環境で説明される。しかしながら、本明細書の実現例は、提供される特定の例に限定されず、本明細書の開示に照らして当業者には明白となるように、他のサービス環境、他の用途、他のタイプのノイズ低減フィルタなどに拡張されてもよい。

図１は、いくつかの実現例による、フィルタ設計を実施する一例のシステム１００を示している。システム１００は、少なくとも１つのサービスコンピューティングデバイス１０２を含み、そのデバイスは、１つ以上のネットワーク１０６などを通して、少なくとも１つのクライアントコンピューティングデバイス１０４と通信することができる。図示される例では、サービスコンピューティングデバイス１０２は、第１のサービスコンピューティングデバイス１０２（ａ）と第２のサービスコンピューティングデバイス１０２（ｂ）とを含むが、他の例では、より多数または少数のサービスコンピューティングデバイス１０２が使用されてもよく、サービスコンピューティングデバイス１０２の１つ以上のは仮想マシンとして具体化されてもよく、異なるタイプのハードウェアが異なるサービスコンピューティングデバイス１０２に使用されてもよく、その他の例もあり得る。

いくつかの例では、サービスコンピューティングデバイス１０２および／またはクライアントコンピューティングデバイス１０４は、１つ以上のサーバ、パーソナルコンピュータ、またはいかなる形で具体化されてもよい他のタイプのコンピューティングデバイスを含んでもよい。例えば、パーソナルコンピュータの場合、プログラム、他の機能的コンポーネント、およびデータ記憶装置の少なくとも一部分が、パーソナルコンピュータに実装されてもよく、ならびに／あるいはクラウドベースの記憶装置、クラウドベースの処理など、ネットワーク位置で部分的に実装されてもよい。あるいは、サーバの場合、プログラム、他の機能的コンポーネント、およびデータ記憶装置の少なくとも一部分が、独立型サーバ、またはサーバのクラスタ内のサーバ、サーバファームまたはデータセンタ、クラウドホスト型コンピューティングサービスなどに実装されてもよいが、他のコンピュータアーキテクチャおよびハードウェア構成が付加的または代替的に使用されてもよい。

図示される例では、各サービスコンピューティングデバイス１０２は、１つ以上のプロセッサ１１２、１つ以上の通信インターフェース（Ｉ／Ｆ）１１４、および１つ以上のコンピュータ可読媒体１１６を含むか、あるいはそれらと関連付けられていてもよい。各プロセッサ１１２は、単一の処理装置または多数の処理装置であってもよく、単一もしくは複数のコンピューティングユニット、または複数の処理コアを含んでもよい。プロセッサ１１２は、１つ以上の中央処理装置、マイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、状態マシン、論理回路構成、グラフィックス処理装置、システム・オン・チップ、および／または演算命令に基づいて信号を操作する任意のデバイスとして実装することができる。例えば、プロセッサ１１２は、１つ以上のハードウェアプロセッサ、および／または本明細書に記載するアルゴリズムおよびプロセスを実行するように具体的にプログラミングまたは構成された、任意の適切な論理回路であってもよい。プロセッサ１１２は、本明細書に記載する機能を実施するようにプロセッサ１１２をプログラミングすることができる、コンピュータ可読媒体１１６に格納されたコンピュータ可読命令を取り出し実行するように構成されてもよい。

コンピュータ可読記憶媒体１１６は、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータなど、任意のタイプの情報格納技術で実現される、揮発性および不揮発性メモリ、および／または取外し可能および取外し不能の媒体を含んでもよい。例えば、コンピュータ可読媒体１１６としては、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリもしくは他のメモリ技術、光学記憶装置、固体記憶装置、磁気テープ、磁気ディスクストレージ、ＲＡＩＤストレージシステム、ストレージアレイ、ネットワークアタッチトストレージ、ストレージエリアネットワーク、クラウドストレージ、または所望の情報を格納するのに使用することができ、コンピューティングデバイスがアクセスすることができる、他の任意の媒体を挙げることができるが、それらに限定されない。サービスコンピューティングデバイス１０２の構成に応じて、コンピュータ可読媒体１１６は、言及される場合、非一時的 コンピュータ可読媒体が、エネルギー、搬送信号、電磁波、および／または信号自体などの媒体を除外する範囲で、有形の非一時的媒体であってもよい。場合によっては、コンピュータ可読媒体１１６は、サービスコンピューティングデバイス１０２と同じ場所にあってもよいが、他の例では、コンピュータ可読媒体１１６はサービスコンピューティングデバイス１０２から部分的に遠隔にあってもよい。

コンピュータ可読媒体１１６は、プロセッサ１１２によって実行可能である任意の数の機能的コンポーネントを格納するのに使用されてもよい。多くの実現例では、これらの機能的コンポーネントは、プロセッサ１１２によって実行可能であって、実行されると、本明細書ではサービスコンピューティングデバイス１０２に帰するアクションを実施するようにプロセッサ１１２を具体的にプログラミングする、命令またはプログラムを含む。第１のサービスコンピューティングデバイス１０２（ａ）のコンピュータ可読媒体１１６に格納された機能的コンポーネントは、フィルタ設計プログラム１１８を含んでもよい。フィルタ設計プログラム１１８は、プロセッサ１１２に、クライアントコンピューティングデバイス１０４からフィルタパラメータを含む仕様１２０を受信させ、受信した仕様１２０に基づいて、クライアントコンピューティングデバイス１０４に提供されるかまたは別の形で実現されてもよい、最適化フィルタ設計１２２を決定させるように実行可能である、１つ以上のコンピュータプログラム、コンピュータ可読命令、実行可能コード、あるいはそれらの部分を含んでもよい。

図示される例では、フィルタ設計プログラム１１８は、自動選択プログラム１２４、高速ノイズ推定プログラム１２６、ランキングおよび選択プログラム１２８、ならびにユーザインターフェース（ＵＩ）プログラム１３０を含む、複数の追加プログラムを含んでもよく、またはそれらにアクセスしてもよい。例えば、以下で更に考察するように、自動選択プログラム１２４は、仕様１２０に基づいて複数の初期フィルタ構成候補を決定してもよい。高速ノイズ推定プログラム１２６は、機械学習モデル１３２を使用して、複数の初期候補に関するＥＭＩノイズレベルを予測してもよい。ランキングおよび選択プログラム１２８は、予測ノイズレベルに基づいて初期候補をランキングしてもよく、高忠実度シミュレーションを実施する上位候補を選択してもよい。加えて、ＵＩプログラム１３０は、更に後述するように、クライアントコンピューティングデバイス１０４に提供されて、クライアントコンピューティングデバイス１０４がＧＵＩ（図１には図示なし）を提示できるようにしてもよい、グラフィックユーザインターフェース（ＧＵＩ）情報１３４を生成してもよい。

更に、第２のサービスコンピューティングデバイス１０２（ｂ）のコンピュータ可読媒体１１６に格納された機能的コンポーネントは、１つ以上の高忠実度シミュレーションプログラム１３６、データ生成プログラム１３８、およびモデル構築プログラム１４０を含んでもよい。例えば、高忠実度シミュレーションプログラム１３６は、車両システムおよびそれらシステムに対する電磁干渉をシミュレートすることができる、様々な市販のシミュレーションプログラムのいずれかを含んでもよい。本明細書のいくつかの実現例に用いられてもよい、適切な高忠実度シミュレーションプログラムのいくつかの例としては、米国ペンシルバニア州キャノンズバーグのＡＮＳＹＳ ＩＮＣ．から入手可能なＨＦＳＳ／ＳＩＭＰＬＯＲＥＲ、米国マサチューセッツ州フレイミングハムのＣＳＴ ＯＦ ＡＭＥＲＩＣＡ ＬＬＣ．から入手可能なＣＳＴ ＳＴＵＤＩＯ ＳＵＩＴＥ、米国ミシガン州トロイのＡＬＴＡＩＲ ＥＮＧＩＮＥＥＲＩＮＧ ＩＮＣ．から入手可能なＦＥＫＯが挙げられる。

加えて、データ生成プログラム１３８は、トポロジーおよびコンポーネントデータ構造（ＤＳ）１４２にアクセスして、高忠実度シミュレーションプログラム１３６を使用してシミュレーションを実行して、訓練データデータ構造（ＤＳ）に格納される更なる訓練データを生成してもよい。更に、モデル構築プログラム１４０は、訓練データデータ構造１４４にアクセスして、機械学習モデル１３２を生成および／または更新し、機械学習モデル１３２の最新版をランキングおよび選択プログラム１２８に提供してもよい。

サービスコンピューティングデバイス１０２のコンピュータ可読媒体１１６で維持される更なる機能的コンポーネントは、サービスコンピューティングデバイス１０２の様々な機能を制御し管理してもよい、オペレーティングシステム（図１には図示なし）を含んでもよい。場合によっては、機能的コンポーネントは、コンピュータ可読媒体１１６のローカルメモリ部分にロードされたコンピュータ可読媒体１１６の記憶部分に格納され、１つ以上のプロセッサ１１２によって実行されてもよい。他の多数のソフトウェアおよび／またはハードウェア構成が、本開示の利益を有する分野の当業者には明白となるであろう。

加えて、コンピュータ可読媒体１１６は、本明細書に記載する機能およびサービスを実施するのに使用される、データおよびデータ構造を格納してもよい。例えば、コンピュータ可読媒体１１６は、機械学習モデル１３２、トポロジーおよびコンポーネントデータ構造１４２、ならびに訓練データデータ構造１４４を格納してもよい。いくつかの例では、トポロジーおよびコンポーネントデータ構造１４２ならびに／あるいは訓練データデータ構造１４４は、別個のデータストレージサーバなど（図１には図示なし）によって管理されるデータベースとして格納されてもよいが、他の例では、サービスコンピューティングデバイス１０２（ａ）または１０２（ｂ）の１つもしくは複数は、データ構造１４２および／または１４４を管理する記憶装置管理機能を含んでもよい。

サービスコンピューティングデバイス１０２はまた、プログラム、ドライバなどを含んでもよい、他の機能的コンポーネントおよびデータ、ならびに機能的コンポーネントによって使用または生成される他のデータを含んでもよい。更に、サービスコンピューティングデバイス１０２は、他の多くの論理コンポーネント、プログラマティックコンポーネント、および物理的コンポーネントを含んでもよく、上述したものは、本明細書の考察に関係する単なる例である。

加えて、いくつかの例では、本明細書に記載する動作の第１の部分は、サービスコンピューティングデバイス１０２の第１のものによって実施されてもよく、動作の別の部分は、サービスコンピューティングデバイス１０２の第２のものによって実施されてもよい。一例として、１つ以上の第１のサービスコンピューティングデバイス１０２（ａ）は、フィルタ設計プログラム１１８を実行して、上位フィルタ構成候補を決定してもよく、１つ以上の第２のサービスコンピューティングデバイス１０２（ｂ）は、高忠実度シミュレーションプログラム１３６を実行して、選択されたフィルタ設計が期待されるように働くか否か、また複数の設計のうちどれが最適であり得るかを決定してもよい。あるいは、更に別の例として、単一のサービスコンピューティングデバイス１０２が、本明細書に記載する全ての機能を実施してもよい。作業量の分配における他の多数の変形が、本開示の利益を有する分野の当業者には明白となるであろう。

通信インターフェース１１４は、サービスコンピューティングデバイス１０２間の通信、および１つ以上のネットワーク１０６を通じた通信など、他の様々なデバイスとの通信を可能にする、１つ以上のインターフェース、およびハードウェアコンポーネントを含んでもよい。したがって、通信インターフェース１１４は、クライアントコンピューティングデバイス１０４と通信するためにネットワーク１０６に対する接続をもたらす、１つ以上のポートを含んでもよく、あるいはそれに結合してもよい。例えば、通信インターフェース１１４は、更に以下で列挙されるような、ＬＡＮ（ローカルエリアネットワーク）、ＷＡＮ（広域ネットワーク）、インターネット、ケーブルネットワーク、セルラーネットワーク、無線ネットワーク（例えば、Ｗｉ−Ｆｉ）および有線ネットワーク（例えば、光ファイバー、イーサネット（登録商標）、ファイバーチャネル,）、直接接続、ならびにＢＬＵＥＴＯＯＴＨ（登録商標）などの短距離通信などのうち１つ以上のを通して、通信を可能にしてもよい。

１つ以上のネットワーク１０６は、イントラネットなどのＬＡＮ、インターネットなどのＷＡＮ、セルラーネットワークなどの無線ネットワーク、Ｗｉ−Ｆｉなどのローカル無線ネットワーク、ＢＬＵＥＴＯＯＴＨ（登録商標）などの短距離通信、光ファイバー、イーサネット（登録商標）、ファイバーチャネルを含む有線ネットワーク、または他の任意のかかるネットワーク、直接有線接続、またはそれらの任意の組み合わせを含む、任意のタイプのネットワークを含んでもよい。したがって、１つ以上のネットワーク１０６は、有線および／または無線両方の通信技術を含んでもよい。かかる通信に使用されるコンポーネントは、少なくとも部分的に、ネットワークのタイプ、選択される環境、または両方に依存する場合がある。かかるネットワークを通じて通信するためのプロトコルは良く知られており、本明細書では詳細に考察しない。したがって、サービスコンピューティングデバイス１０２およびクライアントコンピューティングデバイス１０４は、有線または無線通信、およびそれらの組み合わせを使用して、１つ以上のネットワーク１０６を通じて通信することができる。

クライアントコンピューティングデバイス１０４は、１つ以上のプロセッサ１５０、１つ以上の通信インターフェース１５２、および１つ以上のコンピュータ可読媒体１５４を含んでもよい。いくつかの例では、クライアントコンピューティングデバイス１０４は、上述のサービスコンピューティングデバイス１０２に類似したハードウェア構成を有してもよい。例えば、１つ以上のプロセッサ１５０は上述のプロセッサ１１２の例を含んでもよく、１つ以上の通信インターフェース１５２は上述の通信インターフェース１１４の例のいずれかを含んでもよく、１つ以上のコンピュータ可読媒体１５４は上述のコンピュータ可読媒体１１６の例のいずれかを含んでもよい。

クライアントコンピューティングデバイス１０４上のコンピュータ可読媒体１５４は、ユーザインターフェースプログラム１３０によって提供されるユーザインターフェースなどを通して、ユーザ１６０がフィルタ設計プログラム１１８と相互作用できるようにする、クライアントアプリケーション１５６を含んでもよい。例えば、クライアントアプリケーション１５６は、仕様１２０を提供するため、また最適なフィルタ設計情報１２２を受信するため、ユーザインターフェースプログラム１３０などを通して、フィルタ設計プログラムと通信してもよい。一例として、クライアントアプリケーション１５６はブラウザなどであってもよく、グラフィックユーザインターフェース情報１３４は、ＵＩプログラム１３０によって提供されるウェブベースのインターフェースであってもよい。別の例として、クライアントアプリケーション１５６は、フィルタ設計プログラム１１８と相互作用するように具体的に構成された専用アプリケーションであってもよく、ＵＩプログラム１３０から受信されるデューティ情報１３４に基づいて、グラフィックユーザインターフェースの少なくとも一部分を生成する能力を含んでもよい。他の多数の変形が、本開示の利益を有する分野の当業者には明白となるであろう。

図２は、いくつかの実現例による、車両システムおよびフィルタトポロジー２００の一例を示している。この図では、例示の車両システムは、インバータ２０４と、電池２０６と、モータ２０８とを含む。例えば、インバータ２０４は、高電圧ＤＣ（ＨＶＤＣ）ケーブル２１２を通して電池２０６からＤＣ電力を受信し、ＤＣ電力を、高電圧ＡＣ（ＨＶＡＣ）ケーブル２１４を通してモータ２０８に伝送されるＡＣ電力に変換する、スイッチング回路２１０を含んでもよい。様々なタイプのスイッチング回路が使用されてもよいが、一例として、スイッチング回路２１０は、高電圧ＤＣ電流を、多段階の正弦ＡＣ波形などの不完全なまたは修正された正弦波に変換する、三相ＩＧＢＴ(絶縁ゲートバイポーラトランジスタ）回路２１６を含んでもよい。他の例では、スイッチング回路２１０は、方形波、完全な正弦波、または他のＡＣ波形を生成してもよい。したがって、本明細書の実現例は、インバータ２０４に対する任意の特定のタイプのＡＣ出力に限定されない。インバータ２０４は更に、様々な娯楽を実施するためのゲート駆動回路およびモータ制御回路（この例では図示なし）など、他の様々なコンポーネントを含んでもよい。

インバータ２０４、電池２０６、およびモータ２０８は、車両本体、車両フレーム、車両シャーシなど、車両の主要面に対応してもよい、接地面１４０に接地されてもよい。例えば、インバータ２０４は、接地ストラップ、直接接続などの接地接続２２２によって、接地面２２０に電気的に接続されてもよい。例えば、インバータ２０４のインバータハウジング２２３は、接地接続２２２によって接地面２２０に接地されてもよい。同様に、電池２０６は、接地接続２２４によって接地面２２０に接地されてもよく、モータ２０８は、接地接続２２６によって接地面２２０に接地されてもよい。

上述したように、システム２００によって生成されるＥＭＩは、制御されなければ、他の車上電子デバイスと干渉することがある。したがって、インバータ２０６、およびシステム２００の残りの部分は、ＩＳＯ（国際標準化機構）のような国際機構および車両メーカーの両方によって規定されるＥＭＣ規格に準拠するように構成されてもよい。ＥＭＣ規格は、イミュニティ試験に関して、ＲＥ（放射性放出）およびＣＥ（伝導放出）、ならびに入出力信号の閾値に対する制限を指定してもよい。ＣＥ ＥＭＩノイズは、電源ラインに沿って伝導される電圧／電流外乱である。例えば、一般的に、パワーエレクトロニクスデバイスにおいて特定することができる、一方はＬＶ（低電圧)電源回路（図２には図示なし）、他方はＨＶ（高電圧）電源回路（ＨＶＤＣケーブル２１２、インバータ２０４、およびＨＶＡＣケーブル２１４を含む）である、２つのタイプの電源回路があってもよい。ＬＶ電源回路は、より低電圧のＤＣ電圧を電力制御回路などに提供してもよい。

他方で、ＨＶは、ＨＶ電池パック（即ち、電池２０６）によって、あるいは送電網（図２には図示なし）に接続する整流器回路から直接提供されてもよい。それに対応して、ＣＥ ＥＭＩノイズを更にＬＶＣＥおよびＨＶＣＥに分割することができ、ＬＶＣＥは、ＬＶ電源ラインにおけるＣＥ ＥＭＩノイズ伝導に関連し、ＨＶＣＥは、ＨＶケーブルにおけるＣＥ ＥＭＩノイズ伝導に関連する。ＬＶＣＥノイズ源は、スイッチモード電圧調整器、発振器回路、およびゲートドライブ集積回路（図２には図示なし）からのＥＭＩノイズを含んでもよい。不良ＥＭＣ設計の場合、上述した急速スイッチング動作は、深刻なＬＶＣＥの問題も引き起こす恐れがある。更に、ＨＶＣＥノイズは、一般的に、スイッチング回路２１０の上述した急速スイッチング動作によって引き起こされることがある。ＬＶＣＥおよびＨＶＣＥ両方の制限は、ＥＭＣ規則によって指定されてもよい。これらの制限の周波数範囲は、一般的に、０．１ｋＨｚ〜１０８ＭＨｚの範囲であってもよく、ＡＭ帯およびＦＭ帯の制限が最も厳密であり、したがってフィルタ設計者にとって一番の関心事である。

ＬＶＣＥおよびＨＶＣＥノイズを低減するため、フィルタ２３０などのＥＭＩフィルタが、スイッチング回路２１０と電池２０６、および／またはシステム２００の他のデバイス２３２との間に装填されてもよい。例えば、車両は、コンバータ、娯楽システム、電子制御ユニット、車上コンピュータ、パワートレイン制御モジュール、セルラー通信インターフェース、Ｗｉ−Ｆｉインターフェースなど、他の様々なデバイスを含んでもよい。更に、いくつかの例では、これらの他のデバイス２３２の１つ以上のは少なくとも１つの他のフィルタ２３４を含んでもよい。例えば、コンバータは、補助電池を提供するか、または１２ボルトの電力を特定の車両構成要素に提供するためなど、電池２０６からの電圧を逓減するために含まれてもよい。いくつかの例では、ＥＭＩフィルタは、コンバータによって生成されるＥＭＩノイズを逓減するフィルタ２３４などとして、コンバータに含まれてもよい。他の多数の変形が、本開示の利益を有する分野の当業者には明白となるであろう。

フィルタ２３０および他のフィルタ２３４は、優れたＥＭＩノイズ抑制性能を有するだけではなく、コストおよびサイズの制限など、顧客からの他の設計パラメータも満たすように設計されてもよい。例えば、フィルタは、インバータ２０４のハウジング内に収まるように設計されてもよく、フィルタ構成要素が著しい重量とならないことが望ましいことがある。本明細書の技術は、シミュレーションの間に消費されるコンピュータ資源を低減すると共に、最適なフィルタを設計することができる速度を大幅に増加させる効率的な形で、仕様で指定されてもよいものなど、顧客のパラメータ全てを満たすことができる最適化フィルタの自動設計を可能にする。

図示される例では、図２は更に、スイッチング回路２１０として使用されるＩＧＢＴ回路２１６の一例を示し、また更に、本明細書のフィルタ設計ツールによって生成されてもよい例示のフィルタ２３０の一例のトポロジー２４２を示す、インバータ２０４の拡大図２４０を含む。この例では、ＩＧＢＴ回路２１６は、ＨＶＤＣ入力から三相ＡＣ出力を生み出すのに少ない電圧を使用して電流／電圧の制御を可能にする、６つのＩＧＢＴ ２４４（即ち、各相に２つのＩＧＢＴ ２４４）を含む。更に、スイッチング回路１１０の安定した電圧を維持する大きい値のＤＣリンクコンデンサとして、正のラインと負のラインとの間に、また瞬間電圧スパイクまたはサージからスイッチング回路１１０を保護するのを助けるため、インバータハウジング２２３などに接地されてもよい接地コンデンサ２４８と共に、コンデンサ２４６が含まれてもよい。

いくつかの異なるタイプのアナログＥＭＩフィルタが、ＰｉフィルタおよびＴフィルタを含む本明細書のＥＭＩフィルタとして使用するのに適している。Ｐｉフィルタは、少なくとも第１および第２のコンデンサによって取り囲まれたインダクタを含んでもよい。入力コンデンサは、低いリアクタンスを呈し、大部分のＥＭＩノイズを退けるように選択される。他方で、Ｔフィルタは、２つのシャントインダクタおよび結合コンデンサを用いてもよい。様々なフィルタ構成要素（コンデンサ、インダクタ、抵抗器など.）のサイジングに応じて、かかる単段フィルタは、低域フィルタ、高域フィルタ、帯域フィルタ、および帯域消去フィルタとして役立ってもよい。

図示される例のトポロジー２４２では、フィルタ２３０は、インダクタコア２５０と、第１のコンデンサ・抵抗器対２５２と、正のラインと負のラインとの間に延在する第２のコンデンサ・抵抗器対２５４と、インバータハウジング２２３への接地を介して正のラインを接地２２０に接続する第３のコンデンサ・抵抗器対２５６と、インバータハウジング２２３への接地を介して負のラインを接地２２０に接続する第４のコンデンサ・抵抗器対２５８とを含む、一例のＰｉフィルタとして構成される。更に、例示のトポロジー２４２は、本明細書のシステムおよび技術にしたがって設計され実現されてもよい、多数の可能なフィルタトポロジーおよびフィルタコンポーネント構成の単なる一例である。本明細書の実現例は、任意の特定のフィルタトポロジーまたはフィルタタイプに限定されず、ノイズがあるシステムのＥＭＩを制御するのに使用されてもよい、全てのフィルタ設計を包含するものとする。同様に、本明細書に記載する例示のスイッチング回路２１０は、例示目的の、可能なＥＭＩノイズ源の単なる一例である。本明細書のフィルタ設計の実現例は、ノイズ源によって生成されるＥＭＩノイズの制御を受けることがある、他の多数のノイズ源に適用されてもよい。

図３は、いくつかの実現例による、フィルタ設計ツールの構成要素間における相互作用の一例３００を示している。この例では、フィルタ設計プログラム１１８の入出力情報３０２は、高忠実度シミュレーションのために選択する、クライアントコンピューティングデバイス１０４から受信される仕様１２０と、多数の候補３０６とを含んでもよい入力３０４を含むものとして示される。例えば、クライアントコンピューティングデバイス１０４は、ユーザインターフェース３１０をユーザ１６０に対して提示する、クライアントコンピューティングデバイス１０４に接続された、または別の形でそれと関連付けられた、ディスプレイ３０８を含んでもよい。ユーザ１６０は、ユーザインターフェース３１０を使用して、フィルタ設計プログラム１１８のＵＩプログラム１３０に対するシミュレーションのために選択する、仕様１２０および多数の候補３０６を提出してもよい。あるいは、いくつかの例では、多数の候補３０６は初期設定で指定されてもよい。

上述したように、仕様１２０は、フィルタに関して指定されたＥＭＩノイズ制限、ならびにフィルタに関する所望のコストおよびサイズの制限を含んでもよい。いくつかの例では、仕様１２０は更に、フィルタが設計される対象であるシステムに関する情報を含んでもよい。例えば、システムに関する情報は、高忠実度シミュレーションプログラム１３６に提供されてもよく、それにより、高忠実度シミュレーションプログラム１３６は、フィルタを使用するのに用いられる特定のコンポーネントに対してのみではなく、システム全体に対してシミュレーションを実施してもよい。したがって、仕様１２０は、図２に関して上述した他のデバイス２３２および他のフィルタ２３４など、システムの他のデバイスおよびフィルタに関する情報を含んでもよい。

入力３０４を受信すると、フィルタ設計プログラムは、図５に関して更に後述するように、最適化フィルタ設計を決定する処理を実施してもよい。例えば、自動選択プログラム１２４は、トポロジーおよびコンポーネントデータ構造にアクセスして、複数のフィルタトポロジーおよびコンポーネント候補を決定してもよく、それが高速ノイズ推定プログラム１２６に提供されてもよい。高速ノイズ推定プログラム１２６は、機械学習モデル１３２を使用して、フィルタトポロジーおよびコンポーネント候補それぞれに関するノイズ推定値を決定してもよい。ランキングおよび選択プログラム１２８は、ノイズ推定値を受信してもよく、それらを最高推定ノイズから最低推定ノイズまでランキングして、最低推定ノイズを有するフィルタ構成候補を最上位候補としてもよい。ランキングおよび選択プログラム１２８は、入力３０４で指定された多数の候補３０６にしたがって、最低推定ノイズを有する多数の上位候補３１２を選択してもよく、選択された候補に対するシミュレーションを実施するため、これらの上位候補３１２を高忠実度シミュレーションプログラム１３６に提出してもよい。例えば、高忠実度シミュレーションプログラムは、システムの他のフィルタおよびＥＭＩノイズ源を考慮に入れた全体シミュレーションを実施してもよく、上位候補３１２それぞれに関するシミュレーション結果３１４を返してもよい。いくつかの例では、シミュレーション結果３１４は、仕様１２０で指定された特定の関心周波数におけるノイズを指定する、ＥＭＩノイズレベル対異なる周波数帯および／またはノイズデータ３２０を表す関連グラフ３１８を含んでもよい。

シミュレーション結果３１４に応答して、ランキングおよび選択プログラムは、シミュレーション結果３１４が、ＥＭＩノイズレベルがクライアントコンピューティングデバイス１０４から受信した仕様１２０で指定されたＥＭＩノイズレベルを下回っていることを示すか否かを判定してもよい。更に、指定されたノイズレベルを下回るノイズレベルを有するフィルタ設計候補それぞれに関して、ランキングおよび選択プログラム１２８は、フィルタ構成候補の推定コストおよびサイズを仕様１２０のコストおよびサイズと比較してもよく、仕様１２０と最も緊密に相関するフィルタ構成候補のうち１つ以上のを選択してもよい。選択に基づいて、ＵＩプログラム１３０は、選択された候補のトポロジーおよびコンポーネントを含む最適化フィルタ設計情報１２２を、対応するグラフ３１８およびノイズデータ３２０と共に送信してもよい。加えて、上述したように、代替例では、高忠実度シミュレーションステップは飛ばされてもよく、ランキングおよび選択プログラム１２８は単に、上位候補３１２のうち１つ以上を、最適化フィルタ設計情報１２２としてクライアントコンピューティングデバイス１０４に送信してもよい。

いくつかの例では、最適化フィルタ設計情報１２２の受信に応答して、クライアントコンピューティングデバイス１０４は、最適化フィルタ設計情報１２２を３Ｄプリンタ３２２に、またはコンピュータ支援製造システム、ロボットシステムなど、他の自動製造システムもしくはデバイスに送信してもよい。自動製造システムは、プロトタイプの最適化フィルタ３２４を生成してもよい。その後、プロトタイプの最適化フィルタ３２４は、３２６で示されるようにプロトタイプ検証にかけられてもよい。

加えて、図３はまた、データ生成プログラム１３８およびモデル構築プログラム１４０の動作を示している。例えば、機械学習モデル１３２は、オフラインで、ならびに／あるいはフィルタ設計プログラム１１８の実行とは別に、生成および／または改良されてもよい。例えば、モデル構築プログラム１４０は、機械学習モデル１３２を訓練するとき、訓練データデータ構造１４４にアクセスしてもよい。いくつかの例では、機械学習モデル１３２は、人工ニューラルネットワークまたは他の適切な機械学習モデルであってもよい。いくつかの非限定例として、機械学習モデル１３２は、再帰型ニューラルネットワーク、長期短期記憶（ＬＳＴＭ）ニューラルネットワーク、あるいは他の様々なニューラルネットワークまたは深層学習モデル、マルコフモデルおよび隠れマルコフモデルなどの確率モデル、回帰モデルなどのいずれかを含んでもよい。機械学習モデル１３２の訓練に関する更なる詳細については、図８に関して以下で考察する。

加えて、データ生成プログラム１３８は、訓練データデータ構造１４４に追加されてもよい、新しい訓練データ３３０を生成するように実行されてもよい。例えば、データ生成プログラムは、トポロジーおよびコンポーネントデータ構造１４２から様々なフィルタ設計を選択してもよく、これらの設計を、図２に関して上述したアシスタントなど、様々な異なるシステム設計を用いたシミュレーションのため、高忠実度シミュレーションプログラム１３６に提出してもよい。したがって、高忠実度シミュレーションプログラム１３６の出力は、例えば、選択されたフィルタ設計トポロジーおよびコンポーネントに関する推定ノイズデータを含んでもよい、新しい訓練データ３３０を含んでもよい。周期的に、モデル構築プログラム１４０は、訓練データデータ構造１４４にアクセスして、新たに受信された訓練データに基づいて機械学習モデル１３２を再訓練してもよく、更新された機械学習モデル１３２を高速ノイズ推定プログラム１２６に提供してもよい。

図４は、いくつかの実現例による、プログラムフィルタ設計プログラムのプログラム間における相互作用の一例４００を示している。この例では、フィルタ設計プログラム１１８は、自動選択プログラム１２４、高速ノイズ推定プログラム１２６、ランキングおよび選択プログラム１２８、ならびにＵＩプログラム１３０を含む、４つのプログラム、サブプログラム、サブルーチンなど（以下、「プログラム」と呼ぶ）を含むかまたはそれらにアクセスする。

自動選択プログラム１２４は、トポロジーおよびコンポーネントデータ構造１４２に格納された全てのフィルタ構成を、ユーザインターフェース３１０を介してクライアントコンピューティングデバイス１０４から受信した仕様１２０に指定されている、設計パラメータと比較するように実行されてもよい。例えば、仕様１２０に含まれる設計パラメータは、ユーザインターフェース３１０を介してユーザ１６０によって入力され、ユーザインターフェースプログラム１３０から自動選択プログラム１２４によって受信されてもよい。自動選択プログラム１２４は、トポロジーおよびコンポーネントデータ構造１４２から、コストおよびサイズの仕様を満たす全てのフィルタ設計構成を決定してもよい。自動選択プログラム１２４によって実行されるプロセスおよびアルゴリズムの更なる詳細については、図５に関して後述する。自動選択プログラム１２４は、複数のフィルタ構成候補４０２を高速ノイズ推定プログラム１２６に提供してもよい。

高速ノイズ推定プログラム１２６は、自動選択プログラム１２４によって選択された複数のフィルタ構成候補４０２を受信してもよく、フィルタ構成候補１２０の特徴を訓練済み機械学習モデル１３２に入力してもよい。上述したように、機械学習モデル１３２の出力は、ＡＭおよびＦＭ帯範囲または他の指定周波数などの、複数の異なる関心周波数に関するノイズ推定値４０４など、各フィルタ構成候補３１２に関する推定ＥＭＩノイズレベルである。いくつかの例では、ノイズ推定値は、ＣＥ ＥＭＩノイズ推定値に制限されてもよく、またはそれらを含んでもよい。高速ノイズ推定プログラム１２６は、フィルタ構成候補４０２および対応するノイズ推定値４０４を、ランキングおよび選択プログラム１２８に提供してもよい。

ランキングおよび選択プログラム１２８は、ノイズ推定値４０４および対応するフィルタ構成候補４０２を受信し、対応するノイズ推定値４０４に基づいてフィルタ構成候補４０２をランキングしてもよい。例えば、ランキングおよび選択プログラム１２８は、低ノイズレベルから高ノイズレベルへの順序でフィルタ構成候補４０２をランキングしてもよい。次に、ランキングおよび選択プログラム１２８は、ランキングした順序情報を使用して、高忠実度シミュレーションを通して更に詳細に解析されることがある、Ｋ個の上位フィルタ設計候補３１２を選択してもよい。

ランキングおよび選択プログラム１２８は、最低ノイズレベル推定値に基づいてＫ個の上位フィルタ候補を選択し、フィルタが使用されることが意図されるシステムのシミュレーションを含んでもよい、１つ以上のシミュレーションプログラムを実行することによって更に詳細に解析するため、選択された上位候補３１２を高忠実度シミュレーションプログラム１３６に送信してもよい。例えば、シミュレーションプログラム１３６は、インバータシミュレーション、モータのシミュレーション、電池のシミュレーション、および他のデバイスと他のフィルタのシミュレーション、ならびに選択された上位フィルタ設計候補のシミュレーションなど、図２に関して上述した、システム２００のコンポーネントのシミュレーションを含んでもよい。

高忠実度シミュレーションによる解析のために送信されるＫ個の上位候補３１２は、１つ以上の候補であるように設定されてもよく、ユーザ１６０によって、またはシステム管理者によってカスタマイズされてもよい。一例として、ユーザ１６０は、シミュレーション解析のため、Ｋ個の最低ＣＥノイズレベルを有する上位フィルタ設計候補を選択するように決め手もよく、Ｋ個はサービス契約において予め定義されてもよく、初期設定によって予め定義されてもよく、またはユーザ１６０によって自由に変更されてもよい。例えば図３に関して上述したように、シミュレーション結果３１４を受信した後、最適化フィルタ設計情報１２２はＵＩプログラム１３０に送信されてもよく、そのプログラムは、最適化フィルタ設計情報１２２を、ユーザインターフェース３１０における提示および／またはプロトタイプフィルタの生成などのため、クライアントコンピューティングデバイスに送信する。

図５〜７および１０は、いくつかの実現例による例示のプロセスを示すフロー図である。プロセスは、一連の動作を表す、論理フロー図におけるブロックの集合体として例示され、動作のいくつかまたは全ては、ハードウェア、ソフトウェア、またはそれらの組み合わせで実現することができる。ソフトウェアの文脈では、ブロックは、１つ以上のプロセッサによって実行されると、列挙された動作を実施するようにプロセッサをプログラミングする、１つ以上のコンピュータ可読媒体に格納されたコンピュータ実行可能命令を表してもよい。一般に、コンピュータ実行可能命令は、特定の機能を実施するかまたは特定のデータタイプを実現する、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。ブロックについて説明する順序は、制限として解釈されるべきではない。記載するブロックの任意の数を、任意の順序で、ならびに／または並列に組み合わせて、プロセスまたは代替プロセスを実現することができ、全てのブロックが必ずしも実行されなくてもよい。考察のため、本明細書の例に記載される環境、システム、およびデバイスを参照してプロセスについて記載するが、プロセスは、多種多様な他の環境、システム、およびデバイスで実現されてもよい。

図５は、いくつかの実現例による、一例のプロセス５００を示すフロー図である。いくつかの例では、プロセス５００は、自動選択プログラム１２４を実行する１つ以上のプロセッサによって実行される。したがって、プロセス５００は、上述したようなサービスコンピューティングデバイス１０２、または他の適切なコンピューティングデバイスによって実行されてもよい。

５０２で、コンピューティングデバイスは、フィルタ設計パラメータを含む仕様を受信してもよい。例えば、コンピューティングデバイスは、ユーザインターフェースを介して仕様を受信してもよく、自動選択プログラム１２４は、受信した仕様に基づいて選択プロセスを実施してもよい。本明細書のいくつかの例では、トポロジーおよびコンポーネントデータ構造１４２において、各フィルタ設計構成は、フィルタトポロジーＩＤ（トポロジーＩＤ）にしたがって、またコンポーネント組み合わせＩＤ（コンポーネントＩＤ）にしたがってグループ化されてもよい。トポロジーＩＤは、Ｐｉタイプフィルタ、Ｔタイプフィルタなど、フィルタトポロジーのタイプを指示してもよい。更に、コンポーネントＩＤは、トポロジーＩＤに対応してもよく、様々な異なるコンポーネント組み合わせを指示してもよい。例えば、Ｐｉタイプのフィルタトポロジーの場合、フィルタは、３つのコンポーネント、即ち２つのコンデンサ（Ｃ１およびＣ２）と１つのインダクタまたは鉄芯（Ｌ１）とを含んでもよい。Ｃ１、Ｃ２、およびＬ１が合わさってコンポーネント組み合わせを構成する。３０の異なる可能なコンデンサＣ１と、２０の異なる可能なコンデンサＣ２と、１０の可能なインダクタＬ１とがある場合、６０００の異なる可能なコンポーネント組み合わせがあり、異なる可能な組み合わせはそれぞれ固有の、または別の形で個々に区別可能なコンポーネントＩＤに割当てられる。自動選択プログラムが始まってからいつでも、トポロジーＩＤおよびコンポーネントＩＤがゼロに設定されてもよく、トポロジーＩＤが少しずつ増加するにつれて、そのトポロジー下にある全ての組み合わせが検索され、受信した仕様のコストおよびサイズの制限と比較される。

５０４で、コンピューティングデバイスは、トポロジーＩＤをゼロに等しく設定し、コンポーネントＩＤをゼロに等しく設定してもよい。

５０６で、コンピューティングデバイスはトポロジーＩＤをトポロジーＩＤ＋１に等しく設定し、コンピューティングデバイスは、トポロジーおよびコンポーネントデータ構造にアクセスして、現在のトポロジーＩＤのトポロジーを読み出す。
５０８で、コンピューティングデバイスはコンポーネントＩＤをコンポーネントＩＤ＋１に等しく設定し、コンピューティングデバイスは、トポロジーおよびコンポーネントデータ構造にアクセスして、現在のコンポーネントＩＤのコンポーネント組み合わせを読み出す。

５１０で、コンピューティングデバイスは、選択されたコンポーネント組み合わせが受信した仕様のコストおよびサイズのパラメータを満たすか否かを判定する。満たしている場合、プロセスは５１２に進み、満たしていない場合、プロセスは５１４に進む。例えば、ＥＭＩフィルタは通常、コンデンサおよびインダクタなどの受動コンポーネントから成る。サイズ／寸法情報およびコスト／価格情報を含む、これらのコンポーネントに関するデータは、コンポーネント供給業者から直接、インバータ設計チームから、または他の様々なソースから利用可能である。このデータは、データベースまたは他のデータ構造に格納されてもよく、このデータは、トポロジーおよびコンポーネントデータ構造１４２に含まれてもよい。例えば図４に関して上述したように、自動選択プログラム１２４の実行中、自動選択プログラムは、様々な異なるフィルタトポロジーに関する合計の量およびコストを計算するかまたは別の形で推定してもよく、次に、計算したものを、ユーザ仕様に説明されているユーザのコストおよびサイズ要件と比較して、ユーザ仕様を満たすフィルタトポロジーを決定してもよい。場合によっては、価格、サイズ、および３Ｄ構造の情報が、可能なコンポーネントそれぞれに関して提供されてもよく、コンポーネントデータ構造１４２からのサイズおよびコスト情報を組み合わせることによって、任意のトポロジーに関して合計のサイズおよびコストを推定することができる。一例として、コンポーネントデータ構造１４２が、２つのタイプのコンデンサおよび３つのタイプのインダクタに関する情報を含むと仮定すると、２つのコンデンサおよび１つのインダクタを有するＰｉタイプのフィルタ設計構造の場合、自動選択プログラムは、２×３×２＝１２の変形例を計算してもよく、各変形例の体積／コストを推定してもよい。

５１２で、選択されたコンポーネント組み合わせがコストおよびサイズのパラメータを満たす場合、コンピューティングデバイスは、トポロジーＩＤおよびコンポーネントＩＤをフィルタ設計候補リストに記録する。

５１４で、コンピューティングデバイスは、現在のコンポーネントＩＤが現在のトポロジーＩＤ下における最後のコンポーネント組み合わせか否かを判定する。最後である場合、プロセスは５１６に進み、最後でない場合、プロセスは５０８に戻って、現在のトポロジーＩＤ下の次のコンポーネント組み合わせにアクセスする。

５１６で、コンピューティングデバイスは、現在のトポロジーがトポロジーおよびコンポーネントデータ構造における最後のトポロジーであるか否かを判定する。最後である場合、プロセスはブロック５１８に進み、最後でない場合、プロセスはブロック５０６に戻って、トポロジーおよびコンポーネントデータ構造における次のトポロジーにアクセスする。

５１８で、コンピューティングデバイスが、受信した仕様のコストおよびサイズのパラメータを満たすコンポーネント組み合わせを検索するのに、トポロジーおよびコンポーネントデータ構造を横断し終えている場合、コンピューティングデバイスは、例えば図４に関して上述したように、高速ノイズ推定プログラムに候補リストを提供してもよい。

図６は、いくつかの実現例による、一例のプロセス６００を示すフロー図である。いくつかの例では、プロセス６００は、高速ノイズ推定プログラム１２６を実行する１つ以上のプロセッサによって実行される。したがって、プロセス５００は、上述したようなサービスコンピューティングデバイス１０２、または他の適切なコンピューティングデバイスによって実行されてもよい。

６０２で、コンピューティングデバイスは、フィルタ構成候補のリストを自動選択プログラムから受信してもよい。

６０４で、リスト内の受信したフィルタ構成候補それぞれに関して、コンピューティングデバイスは、機械学習モデルへの入力に関する特徴を決定してもよい。

６０６で、リスト内の受信したフィルタ構成候補それぞれに関して、コンピューティングデバイスは、入力として決定された特徴を用いて機械学習モデルを実行してもよい。

６０８で、コンピューティングデバイスは、機械学習モデルの出力をそれぞれのフィルタ構成候補と相関させてもよい。例えば、機械学習モデルの出力を、図５に関して上述したような、それぞれのフィルタ構成候補のトポロジーＩＤおよびコンポーネントＩＤと相関させてもよい。

６１０で、コンピューティングデバイスは、機械学習モデルの出力および対応するフィルタ構成候補を、例えば図４に関して上述したような、ランキングおよび選択プログラムに提供してもよい。

図７は、いくつかの実現例による、一例のプロセス７００を示すフロー図である。いくつかの例では、プロセス５００は、ランキングおよび選択プログラム１２８を実行する１つ以上のプロセッサによって実行される。したがって、プロセス５００は、上述したようなサービスコンピューティングデバイス１０２、または他の適切なコンピューティングデバイスによって実行されてもよい。

７０２で、コンピューティングデバイスは、機械学習モデルの出力および対応するフィルタ構成候補を高速ノイズ推定プログラムから受信してもよい。

７０４で、コンピューティングデバイスは、選択する上位候補の数Ｋを決定してもよい。上述したように、数Ｋは、ユーザによって、システム管理者によって、初期設定で、などで指定されてもよい。

７０６で、コンピューティングデバイスは、低ノイズレベルから最高ノイズレベルまでの順序で、対応する推定ＥＭＩノイズレベルに基づいて、フィルタ構成候補をランキングしてもよい。

７０８で、コンピューティングデバイスは、Ｋ個の上位候補をランキングから選択してもよい。

７１０で、コンピューティングデバイスは、１つ以上の高忠実度シミュレーションプログラムを使用してシミュレーションを実施する、Ｋ個の上位候補を送信してもよい。

７１２で、コンピューティングデバイスは、シミュレーション結果を高忠実度シミュレーションプログラムから受信してもよい。

７１４で、コンピューティングデバイスは、シミュレーション結果によって指示されたＥＭＩノイズレベルに基づいてなど、シミュレーション結果に基づいて、１つ以上の最適なフィルタ設計を決定してもよい。場合によっては、コンピューティングデバイスは、シミュレーション結果で指示されるＥＭＩノイズレベルに基づいて、Ｋ個の候補をランキングして、一番良いフィルタ設計を決定してもよい。いくつかの例では、高忠実度シミュレーション後、最良フィルタ構成候補全ての予測ノイズレベルが決定されている。これらの結果に基づいて、システムは、フィルタ設計者に、ＥＭＩノイズ減衰に関する最良フィル他候補の性能の直接イメージを提供してもよい。フィルタ候補の中にＥＭＩノイズ限界の仕様を満たすものがない場合、処理の結果は、最良設計候補をフィルタ設計者に対してまだ指示していることがあるので、フィルタ設計者は、それらが設計候補のＥＭＣ要件ならびに相対コストおよびサイズを満たすのにどの程度近いかを知ることができる。

７１６で、コンピューティングデバイスは、１つ以上の最適なフィルタ設計および対応するシミュレーション結果を、クライアントコンピューティングデバイスに送達するためにＵＩプログラムに送信してもよい。場合によっては、コンピューティングデバイスは、一番良いフィルタ設計のみをクライアントコンピューティングデバイスに送信してもよいが、他の場合では、コンピューティングデバイスは、上位Ｋ個のフィルタ設計全てを、対応するシミュレーション結果と共にクライアントコンピューティングデバイスに送信してもよい。

図８は、いくつかの実現例による、機械学習モデル１３２の訓練の一例を示している。いくつかの例では、訓練は、モデル構築プログラム１４０を実行する１つ以上のプロセッサによって実施されてもよい。したがって、訓練は、上述したようなサービスコンピューティングデバイス１０２、または他の適切なコンピューティングデバイスによって実行されてもよい。

図８の例は、入力層８０２、隠れ層８０４、および出力層８０６を含む、ノイズ推定のための多層ニューラルネットワークアーキテクチャを表す。この例では、モデル構築プログラム１４０は、例えば図１に関して上述したような、また図９に関して後述するような、訓練データデータ構造１４４の訓練データを使用して、ニューラルネットワークフィルタ設計データを訓練するように実行されてもよい。例えば、訓練データは、実験的に取得したデータを含んでもよく、また、例えば図３に関して上述したような、高忠実度シミュレーションプログラムとトポロジーおよびコンポーネントデータ構造１４２とを使用して、データ生成プログラム１３８によって生成される、新しく生成されたデータを含んでもよい。モデル構築プログラムは、最初は、訓練データデータ構造に格納された設計仕様およびフィルタトポロジーおよびパラメータに基づいて、生データへのアクセスのみを有することがある。初期の生データは、様々なフィルタ設計の試験を通して得られる実験データであってもよく、いくつかの例では手動で入力されてもよい。データ生成プログラムは、製品ＩＤ、製品タイプ、動作条件、フィルタトポロジーＩＤ、およびコンポーネント値、ならびにＣＥノイズおよび周波数帯などのラベリングデータを含んでもよい、訓練データデータ構造に対する追加の訓練データを自動的に生成するように構成されてもよい。訓練データ構造の構成の一例については、図９に関して下記に例示し記載する。

機械学習モデル１３２を訓練する場合、モデル構築プログラムは、形式的特徴およびラベルを生データから抽出してもよい。例えば、入力データの場合、異なるフィルタトポロジーは、例えば図５に関して上述したような、インダクタおよびコンデンサなど、コンポーネントの異なる組み合わせを含んでもよい。更に、モデル構築プログラムは、様々な組み合わせに対して適合性であるようにデータを正規化してもよい。したがって、入力層８０２に対する入力は、８０８に示されるような入力Ｉ_１（製品タイプおよびＩＤ）、８１０に示されるような入力Ｉ_２（動作条件）、８１２に示されるような入力Ｉ_３（フィルタトポロジーＩＤ）、８１４に示されるような入力Ｉ_４（フィルタコンポーネントパラメータ１）、および８１６に示されるような入力Ｉ_５（フィルタコンポーネントパラメータ２）など、各フィルタ設計に関して決定された複数の特徴を含んでもよい。訓練を通して、様々な重みＷ_１ｌ、Ｗ_２ｌ、・・・Ｗ_ｎｌが決定されてもよい。

加えて、この例では、出力ラベリングは、ＡＭ周波数帯のＣＥノイズ範囲に対する第１の出力８１８、およびＦＭ周波数帯のＣＥノイズ範囲に対する第２の出力８２０を含んでもよいが、他の出力が同様に決定されてもよい。確認のため、抽出されたモデル構築プログラムは、抽出された特徴を訓練データ（例えば、８０％）と試験データ（例えば、２０％）とに分割してもよい。訓練データは、機械学習モデル１３２の訓練に関して上述したように、多層ニューラルネットワーク１３２に供給されてもよい。ニューラルネットワークを訓練した後、試験データは、ＥＭＩノイズレベルを推定する訓練済みニューラルネットワークの精度を確認するのに使用されてもよい。一例として、試験精度が、例えば８０％精度、８５％精度など、閾値レベルを上回る場合、訓練済み機械学習モデル１３２は、上述したフィルタ設計機能を実施するためのＡＭ帯およびＦＭ帯範囲におけるＣＥノイズ範囲を予測するフィルタ設計プログラムと併用して、高速推定プログラムによって使用されるように展開されてもよい。そうでなければ、精度が閾値を下回る場合、機械学習モデルは、追加の実験データを用いて、または、例えば図３に関して上述したような、高忠実度シミュレーションを介してデータ生成プログラムから得られるシミュレーションデータを使用してなど、更に訓練されてもよい。したがって、モデル構築プログラムは、ニューラルネットワークの訓練を続けて、精度が指定の閾値を達成するまで制度を改善してもよい。

図９は、いくつかの実現例による、訓練データデータ構造１４４の一例の構成を示している。上述したように、訓練データデータ構造１４４は、機械学習モデル１３２を訓練する訓練データを格納するのに使用されてもよい。訓練データデータ構造１４４のデータ形式は予め定義されるかまたはカスタマイズされてもよい。訓練データデータ構造１４４のデータ形式の一例は、図９に示されているが、データ構造は図示される例に限定されない。いくつかの例では、例えば図１および３に関して上述したデータ生成プログラムは、実験データ、および／またはシミュレーションプログラムによって決定されるシミュレートされたデータと共に、訓練データデータ構造１４４を取り込むように構成されてもよい。例えば、各フィルタ設計に関して含まれる情報は、製品情報（例えば、フィルタがインストールされるデバイスに関する）、ならびに動作条件、およびトポロジーとコンポーネントの組み合わせを含むフィルタ構成を含んでもよい。

この例では、訓練データデータ構造１４４は、訓練プロセスを容易にするように分離された、入力情報９０２および出力情報９０４を含む。入力情報９０２は、製品情報９０６と、動作条件９０８と、フィルタ構成９１０とを含んでもよい。製品情報９０６は、製品タイプ９１２および製品ＩＤ ９１４とを含んでもよい。動作条件９０８は、電圧９１６と、電流９１８と、周波数９２０とを含んでもよい。フィルタ構成９１０は、例えば図５に関して上述したような、トポロジー９２２およびコンポーネント９２４を含んでもよい。更に、出力情報９０４は、ｄＢ単位のＣＥノイズ９２６と、ＡＭ帯およびＦＭ帯など、対応する周波数帯９２８とを含む。

図１０は、いくつかの実現例による、一例のプロセス１０００を示すフロー図である。いくつかの例では、プロセス１０００は、フィルタ設計プログラム１１８を実行する１つ以上のプロセッサによって実施されてもよく、それには、自動選択プログラム１２４、高速ノイズ推定プログラム１２６、ランキングおよび選択プログラム１２８、および／またはＵＩプログラム１３０の実行を含んでもよい。したがって、プロセス１０００は、上述したようなサービスコンピューティングデバイス１０２、または他の適切なコンピューティングデバイスによって実行されてもよい。

１００２で、コンピューティングデバイスは、ノイズパラメータを含む、フィルタ設計に関する複数のパラメータを含む仕様を受信してもよい。

１００４で、コンピューティングデバイスは、データ構造から、パラメータのうち少なくとも１つに適合する複数のフィルタ構成候補を決定してもよい。

１００６で、コンピューティングデバイスは、複数のフィルタ構成候補のうち各フィルタ構成候補に関して、訓練済み機械学習モデルに基づいて、各フィルタ構成候補と関連付けられた推定電磁ノイズ量を決定してもよい。

１００８で、コンピューティングデバイスは、それぞれのフィルタ構成候補に関して決定された推定ＥＭＩノイズ量に基づいて、フィルタ構成候補をランキングしてもよい。例えば、フィルタ構成候補は、最低ノイズから最高ノイズの順序でランキングしてもよい。

１０１０は、コンピューティングデバイスは、ランキングに基づいて、上位フィルタ構成候補のうち少なくとも１つを選択してもよい。場合によっては、コンピューティングデバイスは、最低ノイズ（即ち、選択されない残りの候補よりも低い）を有するＫ個の候補を選択してもよい。

１０１２で、コンピューティングデバイスは、少なくとも１つの上位フィルタ構成候補を使用してシミュレーションを実行して、シミュレートされたＥＭＩノイズを決定してもよい。

１０１４で、コンピューティングデバイスは、シミュレートされたＥＭＩノイズがノイズパラメータに適合することを決定してもよい。

１０１６で、コンピューティングデバイスは、少なくとも１つの選択されたフィルタ構成候補に関する情報をコンピューティングデバイスに送信してもよい。

本明細書に記載する例示のプロセスは、考察のために提供されるプロセスの単なる例である。他の多数の変形が、本開示の観点から見た分野の当業者には明白となるであろう。加えて、本開示は、プロセスを実行するのに適切なフレームワーク、アーキテクチャ、および環境のいくつかの例を説明しているが、本明細書の実現例は、図示され考察される特定の例に限定されない。更に、本開示は、記載され図面に例示されるような、様々な例示の実現例を提供する。しかしながら、本開示は、本明細書に記載され例示される実現例に限定されず、当業者には知られているような、または知られるようになるであろう、他の実現例に拡張することができる。

本明細書に記載の様々な命令、方法、および技術は、コンピュータ可読媒体に格納され、本明細書のプロセッサによって実行されるコンピュータプログラムおよびアプリケーションなど、コンピュータ実行可能命令の一般的文脈において考察されてもよい。一般に、プログラムおよびアプリケーションという用語は互換可能に使用されてもよいが、特定のタスクを実施するかまたは特定のデータタイプを実現する、命令、ルーチン、モジュール、オブジェクト、コンポーネント、データ構造、実行可能コードなどを含んでもよい。これらのプログラム、アプリケーションなどは、ネイティブコードとして実行されてもよく、または仮想マシンもしくは他のジャストインタイムコンパイル実行環境などで、ダウンロードされ実行されてもよい。一般的に、プログラムおよびアプリケーションの機能性は、様々な実現例において所望されるように、組み合わされるかまたは分配されてもよい。これらのプログラム、アプリケーション、および技術の実現例は、コンピュータ記憶媒体に格納されるか、または何らかの形態の通信媒体を通じて伝送されてもよい。

構造的特徴および／または方法論的作用に特異的な文言で主題について記載してきたが、添付の特許請求の範囲で定義される主題は、記載した特定の特徴または作用に必ずしも限定されないことを理解されたい。むしろ、特定の特徴および作用は、特許請求の範囲を実現する例示の形態として開示される。

Claims (20)

1. １つ以上のプロセッサと、
   前記１つ以上のプロセッサによって実行されると、動作を実施するように前記１つ以上のプロセッサをプログラミングする命令を格納する、１つ以上の非一時的コンピュータ可読媒体とを備え、前記動作が、
   ノイズパラメータを含む、フィルタ設計に関する複数のパラメータを受信することと、
   前記パラメータのうち少なくとも１つに合致する複数のフィルタ構成候補を決定することと、
   前記複数のフィルタ構成候補の各フィルタ構成候補に関して、訓練済み機械学習モデルに基づいて、前記フィルタ構成候補と関連付けられた推定電磁干渉ノイズ量を決定することと、
   それぞれのフィルタ構成候補に関して決定された前記推定電磁干渉ノイズ量に基づいて、前記フィルタ構成候補をランキングすることと、
   前記ランキングに基づいて、前記フィルタ構成候補のうち少なくとも１つを選択することと、
   前記少なくとも１つの選択されたフィルタ構成候補を使用してシミュレーションを実行して、シミュレートされた電磁干渉ノイズを決定することと、
   前記少なくとも１つの選択されたフィルタ構成候補に関する情報をコンピューティングデバイスに送信することとを含む、システム。
2. 前記複数のパラメータが、フィルタのサイズまたは前記フィルタのコストのうち少なくとも１つを含む、請求項１に記載のシステム。
3. 前記パラメータのうち少なくとも１つに合致する複数のフィルタ構成候補を決定する前記動作が、
   フィルタトポロジー情報およびフィルタコンポーネント情報を含む、フィルタ構成を含むデータ構造を横断することと、
   前記フィルタ構成候補の１つとして、前記複数のパラメータで指定されたサイズおよびコスト未満のサイズおよびコストを有する、前記フィルタ構成のそれぞれ１つを特定することとを更に含む、請求項２に記載のシステム。
4. 前記フィルタ構成候補をランキングする前記動作が、最低推定電磁干渉ノイズ量から最高推定電磁干渉ノイズ量への順序で前記フィルタ構成候補をランキングすることを含む、請求項１に記載のシステム。
5. 前記ランキングに基づいて、前記フィルタ構成候補のうち少なくとも１つを選択する前記動作が、最低推定電磁干渉ノイズ量を有するＫ個の前記フィルタ構成候補を選択することを更に含み、Ｋが、
   前記パラメータを提出したユーザ、
   管理者、または、
   システム設定のうち少なくとも１つによって指定される数である、請求項１に記載のシステム。
6. 前記動作が、
   それぞれの複数のフィルタ構成を使用して複数のシミュレーションを実行して、前記機械学習モデルに関するシミュレーション訓練データを生成することと、
   少なくとも部分的に前記シミュレーション訓練データを用いて、前記機械学習モデルを訓練することとを更に含む、請求項１に記載のシステム。
7. 前記少なくとも１つの選択されたフィルタ構成候補に関する前記情報を前記コンピューティングデバイスに送信することによって、少なくとも部分的に、前記コンピューティングデバイスに、前記少なくとも１つの選択されたフィルタ構成候補を自動製造システムに送信させて、前記少なくとも１つの選択された構成候補のプロトタイプを生成させる、請求項１に記載のシステム。
8. １つ以上のプロセッサによって、ノイズパラメータを含む、フィルタ設計に関する複数のパラメータを受信するステップと、
   前記パラメータのうち少なくとも１つに基づいて、複数のフィルタ構成候補を決定するステップと、
   前記複数のフィルタ構成候補のうち各フィルタ構成候補に関して、訓練済み機械学習モデルに基づいて、前記フィルタ構成候補と関連付けられた推定電磁干渉ノイズを決定するステップと、
   前記推定電磁干渉ノイズに基づいて、前記フィルタ構成候補のうち少なくとも１つを選択するステップと、
   前記少なくとも１つの選択されたフィルタ構成候補に関する情報をコンピューティングデバイスに送信するステップとを含む、方法。
9. 前記少なくとも１つの選択されたフィルタ構成候補を使用してシミュレーションを実行して、シミュレートされた電磁干渉ノイズを決定するステップを更に含み、前記少なくとも１つの選択されたフィルタ構成候補に関連する前記情報を送信するステップが、前記シミュレートされた電磁干渉ノイズが前記ノイズパラメータ未満であると判定することを含む、請求項８に記載の方法。
10. 前記推定電磁干渉ノイズに基づいて前記フィルタ構成候補のうち少なくとも１つを選択するステップが、最低推定電磁干渉ノイズと関連付けられた前記フィルタ構成候補のうち少なくとも１つを選択することを含む、請求項８に記載の方法。
11. 前記複数のパラメータが、フィルタのサイズまたは前記フィルタのコストのうち少なくとも１つを含む、請求項８に記載の方法。
12. 前記パラメータのうち少なくとも１つに基づいて複数のフィルタ構成候補を決定するステップが、
    フィルタトポロジー情報およびフィルタコンポーネント情報を含む、フィルタ構成を含むデータ構造を横断することと、
    前記フィルタ構成候補の１つとして、前記複数のパラメータで指定されたサイズおよびコスト未満のサイズおよびコストを有する、前記フィルタ構成のそれぞれ１つを特定することとを更に含む、請求項１１に記載の方法。
13. 前記推定電磁干渉ノイズに基づいて前記フィルタ構成候補のうち少なくとも１つを選択するステップが、残りのフィルタ構成候補よりも低い推定電磁干渉ノイズレベルを有するＫ個の前記フィルタ構成候補を選択することを更に含み、Ｋが、
    前記パラメータを提出したユーザ、
    管理者、または、
    システム設定のうち少なくとも１つによって指定される整数である、請求項８に記載の方法。
14. それぞれの複数のフィルタ構成を使用して複数のシミュレーションを実行して、前記機械学習モデルに関するシミュレーション訓練データを生成するステップと、
    少なくとも部分的に前記シミュレーション訓練データを用いて、前記機械学習モデルを訓練するステップとを更に含む、請求項８に記載の方法。
15. １つ以上のプロセッサによって実行されると、動作を実施するように前記１つ以上のプロセッサをプログラミングする命令を格納する、１つ以上のコンピュータ可読媒体であって、前記動作が、
    コンピューティングデバイスから、ノイズパラメータを含む、フィルタ設計に関する複数のパラメータを受信することと、
    前記パラメータのうち少なくとも１つに基づいて、複数のフィルタ構成候補を決定することと、
    前記複数のフィルタ構成候補のうち各フィルタ構成候補に関して、訓練済み機械学習モデルに基づいて、前記フィルタ構成候補と関連付けられた推定電磁干渉ノイズを決定することと、
    前記ノイズパラメータよりも低い前記推定電磁干渉ノイズに基づいて、前記フィルタ構成候補のうち少なくとも１つを選択することと、
    前記少なくとも１つの選択されたフィルタ構成候補に関する情報を前記コンピューティングデバイスに送信することとを含む、１つ以上のコンピュータ可読媒体。
16. 前記動作が、前記少なくとも１つの選択されたフィルタ構成候補を使用してシミュレーションを実行して、シミュレートされた電磁干渉ノイズを決定することを更に含み、前記少なくとも１つの選択されたフィルタ構成候補に関連する前記情報を送信することが、前記シミュレートされた電磁干渉ノイズが前記ノイズパラメータ未満であると判定することを含む、請求項１５に記載の１つ以上のコンピュータ可読媒体。
17. 前記複数のパラメータが、フィルタのサイズまたは前記フィルタのコストのうち少なくとも１つを含む、請求項１５に記載の１つ以上のコンピュータ可読媒体。
18. 前記パラメータのうち少なくとも１つに基づいて複数のフィルタ構成候補を決定する前記動作が、
    フィルタトポロジー情報およびフィルタコンポーネント情報を含む、フィルタ構成を含むデータ構造を横断することと、
    前記フィルタ構成候補の１つとして、前記複数のパラメータで指定されたサイズおよびコスト未満のサイズおよびコストを有する、前記フィルタ構成のそれぞれ１つを特定することとを更に含む、請求項１７に記載の１つ以上のコンピュータ可読媒体。
19. 前記少なくとも１つの選択されたフィルタ構成候補に関する前記情報を前記コンピューティングデバイスに送信することによって、少なくとも部分的に、前記コンピューティングデバイスに、前記少なくとも１つの選択されたフィルタ構成候補を自動製造システムに送信させて、前記少なくとも１つの選択された構成候補のプロトタイプを生成させる、請求項１５に記載の１つ以上のコンピュータ可読媒体。
20. 前記動作が、
    それぞれの複数のフィルタ構成を使用して複数のシミュレーションを実行して、前記機械学習モデルに関するシミュレーション訓練データを生成することと、
    少なくとも部分的に前記シミュレーション訓練データを用いて、前記機械学習モデルを訓練することとを更に含む、請求項１５に記載の１つ以上のコンピュータ可読媒体。

Images