JP2022071358A - 機械学習プログラム，情報処理装置および機械学習方法 - Google Patents

機械学習プログラム，情報処理装置および機械学習方法 Download PDF

Info

Publication number
JP2022071358A
JP2022071358A JP2020180264A JP2020180264A JP2022071358A JP 2022071358 A JP2022071358 A JP 2022071358A JP 2020180264 A JP2020180264 A JP 2020180264A JP 2020180264 A JP2020180264 A JP 2020180264A JP 2022071358 A JP2022071358 A JP 2022071358A
Authority
JP
Japan
Prior art keywords
shape
circuit
machine learning
processing unit
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2020180264A
Other languages
English (en)
Inventor
崇史 山▲崎▼
Takashi Yamazaki
昇平 山根
Shohei Yamane
広明 山田
Hiroaki Yamada
雅俊 小川
Masatoshi Ogawa
陽一 巨智部
Yoichi Kochibe
敏靖 大原
Toshiyasu Ohara
隆 小林
Takashi Kobayashi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2020180264A priority Critical patent/JP2022071358A/ja
Priority to EP21194561.3A priority patent/EP3992833A1/en
Priority to US17/468,810 priority patent/US20220129607A1/en
Publication of JP2022071358A publication Critical patent/JP2022071358A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Image Analysis (AREA)

Abstract

【課題】訓練データの生成コストを削減する。【解決手段】回路情報に基づいて、等価回路シミュレーションにより電流分布画像を取得し、回路情報に基づいて、回路の形状を示す形状画像を取得し、回路情報に基づいて、電磁場解析によりＥＭＩ値を取得し、電流分布画像と形状画像とＥＭＩ値とを含む訓練データに基づいた機械学習によって、ＥＭＩ予測モデルを生成する。【選択図】図１

Description

本発明は、機械学習プログラム，情報処理装置および機械学習方法に関する。
近年、ディープラーニング（Deep Learning：ＤＬ）などの機械学習技術を利用して、回路から放射される電磁波放射干渉（Electromagnetic interference：ＥＭＩ）を推定することが行なわれている。ここでＥＭＩとは、電磁波がノイズとして遠方に伝わり他の電子機器に影響を与えること、あるいはその影響を与える電磁波のことである。例えば、ＤＬによる推定方法は、訓練用の電子回路と、当該電子回路に対する電磁波解析のシミュレーション結果とを対にした訓練用データから生成される機械学習モデルを用いて、解析対象の電子回路に基づくＥＭＩを推定する。
例えば、単純回路に流れる電流とＥＭＩとの関係を学習し、回路に流れる電流の分布からＥＭＩを予測する。また、回路に流れる電流は、電磁気解析の一種である等価回路解析を実行することで求めることができる。
また、一般に、電子回路には、ＧＮＤ層や電源層といった基板上に面状に広がるパタン（面パタン）が頻出する。等価回路解析を行なうために、回路内の面パタンの形状を忠実に再現するように、格子や三角メッシュで離散化して等価回路モデル化を行なう。
特表２００９－５３４８５４号公報
しかしながら、面パタンに発生する複雑な電流分布を正確に再現するためには，高い解像度の離散化が必要である。
例えば、スリットのような細かい面内の空隙を飛び越える電流を解析し得るモデル化や、スリットを含む面構造外縁部の電場の回り込みを表現するモデル化を行なう必要があるが、これらのモデル化を行なうことで、等価回路解析の計算コストが増大する。これにより、ＥＭＩの推定にかかる計算コストが増大し、訓練データの生成コストが増大する。
１つの側面では、本発明は、訓練データの生成コストを削減することを目的とする。
このため、この機械学習プログラムは、回路情報に基づいて、等価回路シミュレーションにより電流分布画像を取得し、前記回路情報に基づいて、回路の形状を示す形状画像を取得し、前記回路情報に基づいて、電磁場解析によりＥＭＩ値を取得し、前記電流分布画像と前記形状画像と前記ＥＭＩ値とを含む訓練データに基づいた機械学習によって、ＥＭＩ予測モデルを生成する、処理をコンピュータに実行させる。
一実施形態によれば、訓練データの生成コストを削減することができる。
実施形態の一例としての情報処理装置の構成を模式的に示す図である。 実施形態の一例としての情報処理装置の形状単純化処理部による処理を説明するための図である。 実施形態の一例としての情報処理装置の等価回路処理部により算出された電流分布を例示する図である。 実施形態の一例としての情報処理装置のＥＭＩシミュレータにより算出されるシミュレーション結果を説明するための図である。 実施形態の一例としての情報処理装置における入力データを例示する図である。 実施形態の一例としての情報処理装置における入力データを例示する図である。 実施形態の一例としての情報処理装置における処理を説明するためのフローチャートである。 実施形態の一例としての情報処理装置において機械学習された機械学習モデルによる予測結果をＦＤＴＤ法によるＥＭＩの計算結果と比較して示す図である。 実施形態の一例としての情報処理装置において機械学習された機械学習モデルによる予測結果をＦＤＴＤ法によるＥＭＩの計算結果と比較して示す図である。 実施形態の一例としての情報処理装置のハードウェア構成を例示する図である。
以下、図面を参照して本機械学習プログラム，情報処理装置および機械学習方法にかかる実施の形態を説明する。ただし、以下に示す実施形態はあくまでも例示に過ぎず、実施形態で明示しない種々の変形例や技術の適用を排除する意図はない。すなわち、本実施形態を、その趣旨を逸脱しない範囲で種々変形して実施することができる。また、各図は、図中に示す構成要素のみを備えるという趣旨ではなく、他の機能等を含むことができる。
（Ａ）構成
図１は実施形態の一例としての情報処理装置１の構成を模式的に示す図である。
本情報処理装置１は、図１に示すように、形状単純化処理部１０１，等価回路処理部１０２，形状イメージ化処理部１０３，形状離散化処理部１０４，ＥＭＩシミュレータ１０５，機械学習処理部１０６および予測処理部１０７を備える。
本情報処理装置１には、電気ＣＡＤ（Computer Aided Design）２０１から出力される回路形状データが入力される。回路形状データは、形状単純化処理部１０１，形状イメージ化処理部１０３および形状離散化処理部１０４のそれぞれに入力される。
電気ＣＡＤ２０１は、電気関連の設計に用いられるツールであり、電気回路の設計や図面作成に用いられる。なお、電気ＣＡＤ２０１としての機能は、本情報処理装置１に備えられてもよく、また、本情報処理装置１にＬＡＮ（Local Area Network）等の通信ネットワークで接続された他の情報処理装置で実行されてもよい。
本情報処理装置１において、電気ＣＡＤ２０１によって生成される電子回路は、複数の基板が積層されて構成される。また、これらの複数の基板の中には、ＧＮＤ層や電源層のように、基板表面に導体が面状に広がる面パタンが形成された基板が含まれる。以下、電子回路を構成する積層された複数の基板のそれぞれを層という場合がある。また、面パタンが生成された層（基板）を面パタン層という場合がある。
電気ＣＡＤ２０１は、電子回路の電気的構造および物理構造を表す回路形状データを生成し、出力する。電気ＣＡＤ２０１から出力される回路形状データは、形状単純化処理部１０１，形状イメージ化処理部１０３および形状離散化処理部１０４のそれぞれに入力される。回路形状データは、積層された複数層（基板）の並び順等の配置情報も含む。
形状単純化処理部１０１は、電気ＣＡＤ２０１によって生成された回路形状データに基づき、回路形状データを単純化した回路形状（回路モデル）を生成する。
以下、形状単純化処理部１０１が生成した単純化した回路モデルを単純化回路モデルという場合がある。
図２は実施形態の一例としての情報処理装置１の形状単純化処理部１０１による処理を説明するための図である。
この図２において、符号Ａは形状単純化処理部１０１による単純化前の回路形状を示し、符号Ｂは形状単純化処理部１０１による単純化処理後の回路形状（回路モデル）を示す。
形状単純化処理部１０１は、回路形状データに含まれる複数層（基板）のそれぞれに対して単純化回路モデルを生成する。
図２に示す例においては、スリットが形成された面パタン層と、当該面パタン層に隣接する線路パタンが形成された層とを示している。
形状単純化処理部１０１は、回路に含まれる面パタンのパタン形状（面形）を単純化する。面パタンにスリットや間隙等の電流分布シミュレーションの計算負荷を増大させる特定の形状が含まれている場合には、形状単純化処理部１０１は、単純化によりこれらの特定形状（スリットや間隙等）を削除する。特定形状は、穴や開口であってもよい。例えば、面パタンに所定サイズ以下の穴や開口が形成されている場合には、形状単純化処理部１０１は、これらの穴や開口が無いものとして面パタンを取り扱う。形状単純化処理部１０１は、面パタンに形成された穴や開口が、面パタンを構成する導体と同じ材質の物体で塗りつぶされているものとして扱ってもよい。
形状単純化処理部１０１は、例えば、凸包を算出し、面パタンの輪郭の概形を抽出することで面パタンの単純化形状を生成してもよい。
また、形状単純化処理部１０１は、線路パタンが形成された層については、当該線路パタンのみを抽出する。
さらに、形状単純化処理部１０１は、生成した単純化回路モデルに基づき、等価回路モデルを生成する（等価回路モデル化）。形状単純化処理部１０１は、回路形状データに含まれる複数層（基板）のそれぞれに対して等価回路モデルを生成する。なお、等価回路モデル化は既知の手法で実現することができ、その説明は省略する。
ただし、等価回路モデル化を実現するに際して、形状単純化処理部１０１は、面パタン層における外縁部（面構造外縁部）については、高度モデルを採用しない。すなわち、形状単純化処理部１０１は、外縁部で回り込む電場による層間の相互作用が無いものとして、外縁部の形状を等価回路モデル化する。
形状単純化処理部１０１が生成する複数の等価回路モデルは、元の回路形状データにおいて積層された複数層の並び順等の配置情報も含む。
等価回路処理部１０２は、形状単純化処理部１０１によって生成された等価回路モデルに基づき、電子回路における周波数毎の電流分布を計算する。
等価回路処理部１０２は、特定の周波数毎に電流分布を算出してもよい。例えば、等価回路処理部１０２は、９．０×１０８Ｈｚ，９．１×１０８Ｈｚ，９．２×１０８Ｈｚ，９．３×１０８Ｈｚ，９．４×１０８Ｈｚ，９．５×１０８Ｈｚ，９．６×１０８Ｈｚ，９．７×１０８Ｈｚ，９．８×１０８Ｈｚおよび９．９×１０８Ｈｚの１０種類の周波数のそれぞれについて電流分布を算出する。
等価回路処理部１０２は、等価回路シミュレータとしての機能を備え、等価回路モデルにおける電流分布を計算する。等価回路処理部１０２は、例えば、ＳＰＩＣＥ（Simulation Program with Integrated Circuit Emphasis）等の回路シミュレータとしての機能を用いて電流分布を求めてよい。
そして、等価回路処理部１０２は、計算した電流分布を表す画像を生成（画像化）する。
図３は実施形態の一例としての情報処理装置１の等価回路処理部１０２により算出された電流分布を例示する図である。
この図３においては、図２に例示した等価回路モデルに基づいて算出された電流分布を表す。
図３に示す例においては、電子回路上に発生する電流の分布を表示するために、電流分布の強度情報に応じて色が濃くなるような階調で色付け加工を線路上に施した画像である。すなわち、電流分布を表す画像は、電子回路の近傍界を近似した電流分布の強度を示す情報（画像情報）である。二次元的な回路上の電流分布は、三次元的な電磁界に比べて、計算量が少なく、遥かに短時間で計算できる。
以下、等価回路処理部１０２が生成した電流分布を表す画像を電流分布画像もしくは画像Ｑと表す場合がある。
等価回路処理部１０２は、実部および虚部の各電流分布画像を生成する。等価回路処理部１０２が生成した電流分布を表す画像（画像Ｑ）は、機械学習処理部１０６により、後述する形状イメージ化処理部１０３が生成する回路幾何形状図（画像Ｐ）と合わせて機械学習モデル２０２に入力（マルチチャネル入力）される。
なお、上述した等価回路処理部１０２としての機能は、既知の種々の手法を用いて、適宜、実施することができる。
形状イメージ化処理部１０３は、電気ＣＡＤ２０１によって生成された回路形状データの正確な幾何形状を表す回路形状図（回路幾何形状図）を生成する。
例えば、形状イメージ化処理部１０３は、回路形状を、所定のピクセルサイズを有するマトリクス（例えば、６４ピクセル×６４ピクセル）に投影し、回路形状と重なるピクセルを抽出することで、回路幾何形状図を作成する。回路幾何形状図は、回路形状を正確に表す幾何形状図であり、回路の形状を示す形状画像である。
形状イメージ化処理部１０３は、回路形状の形状抽出を行なうことで、回路形状図を生成してもよく、また、回路形状をピクセル化することで回路形状図を生成してもよく、適宜変更して実施することができる。
以下、形状イメージ化処理部１０３が生成した回路幾何形状図を画像Ｐと表す場合がある。
形状イメージ化処理部１０３が生成する回路幾何形状図においては、面パタンの回路形状に含まれているスリットや間隙，穴，開口等が省略されることなく表される。すなわち、回路幾何形状は、形状単純化処理部１０１が回路形状データから削除した特定形状（スリット等）を保持する。
また、形状イメージ化処理部１０３が生成する複数の回路幾何形状図は、元の回路形状データにおいて積層された複数層の並び順等の配置情報も含む。これにより、形状イメージ化処理部１０３が生成する複数の回路幾何形状図においては、面パタンの層と、当該面パタンの層に隣接する線路パタンが形成された層との相対的な配置情報が含まれることとなる。すなわち、形状イメージ化処理部１０３が生成する回路幾何形状図は、面パタンの層における面構造外縁部の構造情報を含むものとなる。
形状イメージ化処理部１０３が生成した回路幾何形状図（画像Ｐ）は、機械学習処理部１０６により、等価回路処理部１０２が生成する電流分布画像（画像Ｑ）と合わせて機械学習モデル２０２に入力（マルチチャネル入力）される。
形状離散化処理部１０４は、電気ＣＡＤ２０１によって生成された基盤回路形状及び周辺の空間を離散化して、格子（直方体）や三角柱、四面体メッシュ等の単純な形状をした要素に分割（離散化）する。すなわち、形状離散化処理部１０４は、回路の幾何形状を保持したまま数値データに変換する。
形状離散化処理部１０４は、例えば、差分法、有限要素法、有限体積法、境界要素法等を用いて離散化を実現してもよく、また、これらの手法以外の種々の手法を用いてもよい。
形状離散化処理部１０４が生成した離散化した回路形状データは、ＥＭＩシミュレータ１０５に入力される。
ＥＭＩシミュレータ１０５は、形状離散化処理部１０４によって生成された離散化した回路形状を含む空間のデータを用いて、電磁場解析によりＥＭＩのシミュレーションを実行する。ＥＭＩシミュレータ１０５は、例えば、ＦＤＴＤ（Finite Difference Time Domin：有限差分時間領域）法を用いて、回路から放射されるＥＭＩを予測する。
前述の如く、等価回路処理部１０２は、９．０×１０８Ｈｚ，９．１×１０８Ｈｚ，９．２×１０８Ｈｚ，９．３×１０８Ｈｚ，９．４×１０８Ｈｚ，９．５×１０８Ｈｚ，９．６×１０８Ｈｚ，９．７×１０８Ｈｚ，９．８×１０８Ｈｚおよび９．９×１０８Ｈｚの１０種類の周波数のそれぞれについて電流分布を算出する。ＥＭＩシミュレータ１０５は、これらの周波数毎にＥＭＩのシミュレーションを行ない、ＥＭＩ値を算出する。
なお、ＥＭＩシミュレータ１０５は、ＦＤＴＤ法に限定されるものではなく、例えば、スペクトル法を用いた電磁場解析を行なってもよく、適宜変更して実施することができる。
ＥＭＩシミュレータ１０５によって算出されたシミュレーション結果（ＥＭＩ値）は、正解ラベルとして機械学習モデル２０２に入力される。
図４は実施形態の一例としての情報処理装置１のＥＭＩシミュレータ１０５により算出されるＥＭＩ値（シミュレーション結果）を説明するための図である。
この図４においては、シミュレーション結果としてのＥＭＩ値（単位：V/m）を、横軸を周波数（単位：Hz）とし、縦軸をデシベル値（ｄｂ）とするグラフで示している。
機械学習処理部１０６は、等価回路処理部１０２が生成した電流分布画像（画像Ｑ）と、形状イメージ化処理部１０３が生成した幾何形状図（画像Ｐ）と、ＥＭＩシミュレータ１０５によって算出されたシミュレーション結果とを合わせて、訓練用データ（訓練データ）として機械学習モデル２０２に入力する。
機械学習モデル２０２は、訓練データに基づいた機械学習によって生成される機械学習モデルである。機械学習モデル２０２は、入力データに基づいてＥＭＩの予測を行なうＥＭＩ予測モデルとして機能する。機械学習モデル２０２の出力を予測結果といってもよい。
なお、機械学習モデル２０２の作成は既知の手法を用いて実現することができ、本情報処理装置１における機械学習モデル２０２の作成手法の説明は省略する。
機械学習処理部１０６は、機械学習モデル２０２に対する訓練処理として、等価回路処理部１０２が生成した電流分布画像（画像Ｑ）と、形状イメージ化処理部１０３が生成した幾何形状図（画像Ｐ）とを合わせて、入力データとして機械学習モデル２０２に入力する。
機械学習処理部１０６は、形状単純化処理部１０１が面パタンの回路形状データから削除した特定形状の情報を、形状イメージ化処理部１０３が生成した回路幾何形状によって補完するものである。
また、機械学習処理部１０６は、機械学習モデル２０２に対する訓練処理として、ＥＭＩシミュレータ１０５によって算出されたシミュレーション結果（ＥＭＩ値）を正解ラベルとして機械学習モデル２０２に入力する。
これらの電流分布画像（画像Ｑ），幾何形状図（画像Ｐ）およびＥＭＩ値が訓練データに相当する。
機械学習処理部１０６は、電流分布画像（画像Ｑ）および幾何形状図（画像Ｐ）を入力データとし、ＥＭＩシミュレータ１０５によるシミュレーション結果を正解ラベルとして機械学習モデル２０２に機械学習を行なわせる。
従って、機械学習処理部１０６は、電流分布画像と幾何形状画像（形状画像）とＥＭＩ値とを含む訓練データに基づいた機械学習によって、ＥＭＩ予測モデル（機械学習モデル２０２）を生成する。
機械学習処理部１０６は、電流分布画像（画像Ｑ），回路幾何形状図（画像Ｐ）およびＥＭＩ値をマルチチャネル入力を用いて機械学習モデル２０２に入力してもよい。
図５および図６はそれぞれ実施形態の一例としての情報処理装置１における入力データを例示する図である。
図５および図６に示す例においては、４層基板として構成された回路形状データに基づいて生成された入力データを示す。
図５中において、例えば、符号ａは電流分布画像および幾何形状図に関するスケール情報である。スケール情報は、例えば、電流分布画像および幾何形状図の縮尺を表すスカラー値を示す。スカラー値としては、１ピクセルの辺に対応する長さスケールを用いることができる。
図５中において、符号ｂ～ｅは、回路形状データを構成する４層基板の各幾何形状図を表す。例えば、符号ｃに示す幾何形状図には、面パタンに形成されたスリットが縦線として示されている。また、符号ｆ～ｍは、各層の電流分布画像であって、層毎に実部の電流分布画像と虚部の電流分布画像とが形成されている。
電子回路を流れる電流は、周波数ごとに異なる。つまり、電流分布は、周波数上での分布を持つ。
回路設計では、ＥＭＩスペクトルのピークを小さくすることが重要視される。また、ＥＭＩスペクトルのピークは、電流分布の最大値が極大を取る周波数として求められる。このようなピークの周波数は、共振周波数と呼ばれる。
本情報処理装置１においては、電子回路の共振周波数の値と、この共振周波数における電子回路の電流分布とを特徴量とし、その特徴量に対するＥＭＩ強度の関係を機械学習して機械学習モデル２０２を生成してよい。
前述の如く、等価回路処理部１０２は、９．０×１０８Ｈｚ，９．１×１０８Ｈｚ，９．２×１０８Ｈｚ，９．３×１０８Ｈｚ，９．４×１０８Ｈｚ，９．５×１０８Ｈｚ，９．６×１０８Ｈｚ，９．７×１０８Ｈｚ，９．８×１０８Ｈｚおよび９．９×１０８Ｈｚの１０種類の周波数のそれぞれについて電流分布を算出する。
機械学習処理部１０６は、これらの周波数毎に入力データを生成する。
図６に例示する入力データにおいて、符号ａは電流分布画像および幾何形状図に関するスケール情報である。また、符号ｂ～ｅは、回路形状データを構成する４層基板の各幾何形状図を表す。また、符号ｎは、周波数９．０×１０８Ｈｚにおける、各層の電流分布画像であって、層毎の実部の電流分布画像と虚部の電流分布画像とを示す。
この図６に例示する入力データは、同様にして、他の周波数９．１×１０８Ｈｚ，９．２×１０８Ｈｚ，９．３×１０８Ｈｚ，９．４×１０８Ｈｚ，９．５×１０８Ｈｚ，９．６×１０８Ｈｚ，９．７×１０８Ｈｚ，９．８×１０８Ｈｚおよび９．９×１０８Ｈｚのそれぞれにおける、層毎の実部の電流分布画像と虚部の電流分布画像とを備える。
機械学習処理部１０６は、図６に例示したこれらの各周波数における各層の電流分布画像とスケール情報と各幾何形状図とを、それぞれ個別のチャネルとする複数チャネル（図６に示す例では８５チャネル）のマルチチャネルデータを機械学習モデル２０２に入力データとして入力する。
予測処理部１０７は、機械学習モデル２０２を用いて、予測対象データをこれらのモデルに入力した場合の出力の予測を行なう。予測対象データは、等価回路処理部１０２によって生成される電流分布画像（画像Ｑ）と、形状イメージ化処理部１０３が生成した幾何形状図（画像Ｐ）である。
予測処理部１０７は、予測対象データを機械学習モデル２０２に入力することで、予測結果を得る。なお、予測結果をＥＭＩシミュレータ１０５によるシミュレーション結果と比較することで、予測精度を算出し、機械学習モデル２０２の評価を行なってもよい。
（Ｂ）動作
上述の如く構成された実施形態の一例としての情報処理装置１における処理を、図７に示すフローチャート（ステップＳ１～Ｓ９）に従って説明する。
ステップＳ１において、形状単純化処理部１０１，形状イメージ化処理部１０３および形状離散化処理部１０４は、それぞれ電気ＣＡＤ２０１から面パタン層を含む複数の層を有する回路形状データを取得する。
ステップＳ２において、形状イメージ化処理部１０３は、電気ＣＡＤ２０１によって生成された回路形状データの各層の正確な幾何形状を表す回路形状図（回路幾何形状図：画像Ｐ）を生成する。
ステップＳ３において、形状離散化処理部１０４は、電気ＣＡＤ２０１によって生成された回路形状データを離散化する。ＥＭＩシミュレータ１０５は、離散化された回路形状データを用いて、ＥＭＩシミュレータ１０５は、形状離散化処理部１０４によって生成された離散化した回路形状データを用いて、ＦＤＴＤ法等のシミュレーションを実行し、回路形状データによるＥＭＩを評価する。
ステップＳ４において、形状単純化処理部１０１は、面パタンの層において、スリットや間隙，穴等の複雑な特定形状を含むかを確認する。確認の結果、面パタンの層においてスリット等の複雑な特定形状が含まれる場合に（ステップＳ４のＹＥＳルート参照）、ステップＳ９に移行する。
ステップＳ９において、形状単純化処理部１０１は、回路形状データに含まれる複数層（基板）のそれぞれに対して単純化回路モデルを生成する。特に、面パタンの層に対して、形状単純化処理部１０１は、回路に含まれる面パタンの形状（面形）を単純化する。形状単純化処理部１０１は、面パタンに含まれているスリット等を単純化により削除することで単純化回路モデルを生成する。その後、処理はステップＳ５に移行する。
また、ステップＳ４における確認の結果、面パタン層においてスリット等の複雑な特定形状が含まれていない場合にも（ステップＳ４のＮＯルート参照）、ステップＳ５に移行する。
ステップＳ５において、形状単純化処理部１０１は、生成した単純化回路モデルや、複雑な特定形状が含まれていない回路形状データに基づき、面パタン層を含む各層の等価回路モデルを生成する。この際、面パタンの外縁部の高度モデルは採用しない。
ステップＳ６において、等価回路処理部１０２が、等価回路シミュレーションを実行することで、等価回路モデルに基づき、電子回路における周波数毎の電流分布を計算する。
ステップＳ７において、等価回路処理部１０２は、算出された電流分布を画像化することで電流分布画像（画像Ｑ）を生成する。
ステップＳ８において、機械学習処理部１０６は、画像Ｐ，Ｑを入力データとし、ＥＭＩを正解ラベルとする機械学習モデル２０２を構築する。その後、処理を終了する。
なお、上述したフローチャートにおいて、面パタンの層の回路形状が複雑な特定形状を含んでおらず、面パタンの構造をそのまま用いた等価回路モデルを利用できるならば、本ステップＳ５の処理は省略してもよい。その場合、回路幾何形状図をサポート情報として用いてもよく、これにより、より正確なＡＩの構築を実現することができる。
（Ｃ）効果
このように、実施形態の一例としての情報処理装置１によれば、形状単純化処理部１０１が面パタンの回路形状データを単純化することで、スリット等の特定形状を省略した単純化回路モデルを生成する。そして、等価回路処理部１０２が、形状単純化処理部１０１によって生成された等価回路モデルに基づいて等価回路解析を行ない、電子回路における周波数毎の電流分布を計算することで電流分布画像を生成する。これにより、等価回路解析にかかる計算コストを削減することができる。
形状単純化処理部１０１が、スリット等を有する面パタンの構造（面構造）を単純幾何形状（単純化回路モデル）にすることで、離散化の人的手間を削減することができる。また、単純幾何形状化により空間の解像度を上げることが出るので、等価回路処理部１０２による等価回路シミュレーションの計算コストを低減することができる。
例えば、スリットをまたぐ電流や面構造外縁部の層をまたぐ電気的な結合をモデル化しないので、等価回路処理部１０２による等価回路シミュレーションの計算コストを低減することができる。
また、形状イメージ化処理部１０３が、回路形状データの正確な幾何形状を表す回路形状図（回路幾何形状図）を生成し、機械学習処理部１０６が、電流分布画像（画像Ｑ）とともに幾何形状図（画像Ｐ）を入力データとして機械学習モデル２０２に機械学習を行なわせる。
幾何形状図においては、単純化回路モデルにおいて削除されている特定形状（例えば、スリットや面構造外縁部の層をまたぐ電気的な結合）の情報を保持している。これにより、形状単純化処理部１０１が単純化することで失われる回路モデルの構造の情報を機械学習モデル２０２に反映させることができる。従って、形状単純化処理部１０１が回路モデルの単純化を行なっても、これによる機械学習の精度低下を抑止することができる。
図８および図９は、スリットを含む、訓練データに含まれない回路に対して、実施形態の一例としての情報処理装置１において機械学習された機械学習モデル２０２による予測結果を、それぞれＦＤＴＤ法によるＥＭＩの計算結果と比較して示す図であり、いずれにおいても良い一致を示していることがわかる。
これらの図８および図９において、白丸（〇）はＦＤＴＤ法によるＥＭＩの計算結果を示し、黒丸（●）は本情報処理装置１において予測処理部１０７が機械学習モデル２０２を用いて行なった予測結果を示す。これらの図８および図９に示すように、本情報処理装置１において機械学習処理部１０６が機械学習を行なった機械学習モデル２０２は、ＦＤＴＤ法によるＥＭＩシミュレーション結果と同等の予測を得られた。
（Ｄ）その他
図１０は実施形態の一例としての情報処理装置１のハードウェア構成を例示する図である。
情報処理装置１は、コンピュータであって、例えば、プロセッサ１１，メモリ１２，記憶装置１３，グラフィック処理装置１４，入力インタフェース１５，光学ドライブ装置１６，機器接続インタフェース１７およびネットワークインタフェース１８を構成要素として有する。これらの構成要素１１～１８は、バス１９を介して相互に通信可能に構成される。
プロセッサ（制御部）１１は、情報処理装置１全体を制御する。プロセッサ１１は、マルチプロセッサであってもよい。プロセッサ１１は、例えばＣＰＵ，ＭＰＵ（Micro Processing Unit），ＤＳＰ（Digital Signal Processor），ＡＳＩＣ（Application Specific Integrated Circuit），ＰＬＤ（Programmable Logic Device），ＦＰＧＡ（Field Programmable Gate Array）のいずれか一つであってもよい。また、プロセッサ１１は、ＣＰＵ，ＭＰＵ，ＤＳＰ，ＡＳＩＣ，ＰＬＤ，ＦＰＧＡのうちの２種類以上の要素の組み合わせであってもよい。
そして、プロセッサ１１が情報処理装置１用の制御プログラム（機械学習プログラム，：図示省略）を実行することにより、図１に例示した、形状単純化処理部１０１，等価回路処理部１０２，形状イメージ化処理部１０３，形状離散化処理部１０４，ＥＭＩシミュレータ１０５，機械学習処理部１０６および予測処理部１０７としての機能が実現される。
なお、情報処理装置１は、例えばコンピュータ読み取り可能な非一時的な記録媒体に記録されたプログラム（機械学習プログラム，ＯＳプログラム）を実行することにより、形状単純化処理部１０１，等価回路処理部１０２，形状イメージ化処理部１０３，形状離散化処理部１０４，ＥＭＩシミュレータ１０５，機械学習処理部１０６および予測処理部１０７としての機能を実現する。
また、情報処理装置１は、コンピュータ読み取り可能な非一時的な記録媒体に記録されたプログラム（電気ＣＡＤプログラム）を実行することにより、電気ＣＡＤ２０１としての機能を実現してもよい。
情報処理装置１に実行させる処理内容を記述したプログラムは、様々な記録媒体に記録しておくことができる。例えば、情報処理装置１に実行させるプログラムを記憶装置１３に格納しておくことができる。プロセッサ１１は、記憶装置１３内のプログラムの少なくとも一部をメモリ１２にロードし、ロードしたプログラムを実行する。
また、情報処理装置１（プロセッサ１１）に実行させるプログラムを、光ディスク１６ａ，メモリ装置１７ａ，メモリカード１７ｃ等の非一時的な可搬型記録媒体に記録しておくこともできる。可搬型記録媒体に格納されたプログラムは、例えばプロセッサ１１からの制御により、記憶装置１３にインストールされた後、実行可能になる。また、プロセッサ１１が、可搬型記録媒体から直接プログラムを読み出して実行することもできる。
メモリ１２は、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）を含む記憶メモリである。メモリ１２のＲＡＭは情報処理装置１の主記憶装置として使用される。ＲＡＭには、プロセッサ１１に実行させるプログラムの少なくとも一部が一時的に格納される。また、メモリ１２には、プロセッサ１１による処理に必要な各種データが格納される。
記憶装置１３は、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）、ＳＳＤ（Solid State Drive）、ストレージクラスメモリ（Storage Class Memory：ＳＣＭ）等の記憶装置であって、種々のデータを格納するものである。記憶装置１３は、類似化合物提示装置１０の補助記憶装置として使用される。
記憶装置１３には、ＯＳプログラム，制御プログラムおよび各種データが格納される。制御プログラムには機械学習プログラムが含まれる。
なお、補助記憶装置としては、ＳＣＭやフラッシュメモリ等の半導体記憶装置を使用することもできる。また、複数の記憶装置１３を用いてＲＡＩＤ（Redundant Arrays of Inexpensive Disks）を構成してもよい。
記憶装置１３には、電気ＣＡＤ２０１が生成した回路形状データや、等価回路処理部１０２が生成した電流分布画像（画像Ｑ）、形状イメージ化処理部１０３が生成した幾何形状図（画像Ｐ）を格納してもよい。
グラフィック処理装置１４には、モニタ１４ａが接続されている。グラフィック処理装置１４は、プロセッサ１１からの命令に従って、画像をモニタ１４ａの画面に表示させる。モニタ１４ａとしては、ＣＲＴ（Cathode Ray Tube）を用いた表示装置や液晶表示装置等が挙げられる。
入力インタフェース１５には、キーボード１５ａおよびマウス１５ｂが接続されている。入力インタフェース１５は、キーボード１５ａやマウス１５ｂから送られてくる信号をプロセッサ１１に送信する。なお、マウス１５ｂは、ポインティングデバイスの一例であり、他のポインティングデバイスを使用することもできる。他のポインティングデバイスとしては、タッチパネル，タブレット，タッチパッド，トラックボール等が挙げられる。
光学ドライブ装置１６は、レーザ光等を利用して、光ディスク１６ａに記録されたデータの読み取りを行なう。光ディスク１６ａは、光の反射によって読み取り可能にデータを記録された可搬型の非一時的な記録媒体である。光ディスク１６ａには、ＤＶＤ（Digital Versatile Disc），ＤＶＤ－ＲＡＭ，ＣＤ－ＲＯＭ（Compact Disc Read Only Memory），ＣＤ－Ｒ（Recordable）／ＲＷ（ReWritable）等が挙げられる。
機器接続インタフェース１７は、情報処理装置１に周辺機器を接続するための通信インタフェースである。例えば、機器接続インタフェース１７には、メモリ装置１７ａやメモリリーダライタ１７ｂを接続することができる。メモリ装置１７ａは、機器接続インタフェース１７との通信機能を搭載した非一時的な記録媒体、例えばＵＳＢ（Universal Serial Bus）メモリである。メモリリーダライタ１７ｂは、メモリカード１７ｃへのデータの書き込み、またはメモリカード１７ｃからのデータの読み出しを行なう。メモリカード１７ｃは、カード型の非一時的な記録媒体である。
ネットワークインタフェース１８は、ネットワークに接続される。ネットワークインタフェース１８は、ネットワークを介してデータの送受信を行なう。ネットワークには他の情報処理装置や通信機器等が接続されてもよい。例えば、電気ＣＡＤ２０１を実行する他の情報処理装置や、電気ＣＡＤ２０１によって生成された回路形状データを記憶するストレージシステムに接続されてもよい。
そして、開示の技術は上述した実施形態に限定されるものではなく、本実施形態の趣旨を逸脱しない範囲で種々変形して実施することができる。本実施形態の各構成および各処理は、必要に応じて取捨選択することができ、あるいは適宜組み合わせてもよい。
また、上述した開示により本実施形態を当業者によって実施・製造することが可能である。
（Ｅ）付記
以上の実施形態に関し、さらに以下の付記を開示する。
（付記１）
回路情報に基づいて、等価回路シミュレーションにより電流分布画像を取得し、
前記回路情報に基づいて、回路の形状を示す形状画像を取得し、
前記回路情報に基づいて、電磁場解析によりＥＭＩ値を取得し、
前記電流分布画像と前記形状画像と前記ＥＭＩ値とを含む訓練データに基づいた機械学習によって、ＥＭＩ予測モデルを生成する、
処理をコンピュータに実行させる機械学習プログラム。
（付記２）
前記電流分布画像を取得する処理は、
前記回路情報から取得した面パタンのパタン形状を単純化することで単純化回路モデルを生成し、
前記単純化回路モデルに基づく前記等価回路シミュレーションにより前記電流分布画像を取得する、
処理を含む、付記１記載の機械学習プログラム。
（付記３）
前記電流分布画像を取得する処理は、前記回路情報から取得した面パタンの形状抽出を行なうことによって、前記形状画像を生成することを含む、
付記１または２に記載の機械学習プログラム。
（付記４）
回路情報に基づいて、等価回路シミュレーションにより電流分布画像を取得し、
前記回路情報に基づいて、回路の形状を示す形状画像を取得し、
前記回路情報に基づいて、電磁場解析によりＥＭＩ値を取得し、
前記電流分布画像と前記形状画像と前記ＥＭＩ値とを含む訓練データに基づいた機械学習によって、ＥＭＩ予測モデルを生成する、
制御部を含むことを特徴とする、情報処理装置。
（付記５）
前記制御部が、
前記回路情報から取得した面パタンのパタン形状を単純化することで単純化回路モデルを生成し、
前記単純化回路モデルに基づく前記等価回路シミュレーションにより前記電流分布画像を取得する
ことを特徴とする、付記４記載の情報処理装置。
（付記６）
前記制御部が、
前記回路情報から取得した面パタンの形状抽出を行なうことによって、前記形状画像を生成する
ことを特徴とする、付記４または５に記載の情報処理装置。
（付記７）
回路情報に基づいて、等価回路シミュレーションにより電流分布画像を取得する処理と、
前記回路情報に基づいて、回路の形状を示す形状画像を取得する処理と、
前記回路情報に基づいて、電磁場解析によりＥＭＩ値を取得する処理と、
前記電流分布画像と前記形状画像と前記ＥＭＩ値とを含む訓練データに基づいた機械学習によって、ＥＭＩ予測モデルを生成する処理と
を行なうことを特徴とする機械学習方法。
（付記８）
前記電流分布画像を取得する処理は、
前記回路情報から取得した面パタンのパタン形状を単純化することで単純化回路モデルを生成する処理と、
前記単純化回路モデルに基づく前記等価回路シミュレーションにより前記電流分布画像を取得する処理と
を含むことを特徴とする、付記７記載の機械学習方法。
（付記９）
前記電流分布画像を取得する処理は、前記回路情報から取得した面パタンの形状抽出を行なうことによって、前記形状画像を生成する処理
を含むことを特徴とする、付記７または８に記載の機械学習方法。
１ 情報処理装置
１１ プロセッサ（制御部）
１２ メモリ
１３ 記憶装置
１４ グラフィック処理装置
１４ａ モニタ
１５ 入力インタフェース
１５ａ キーボード
１５ｂ マウス
１６ 光学ドライブ装置
１６ａ 光ディスク
１７ 機器接続インタフェース
１７ａ メモリ装置
１７ｂ メモリリーダライタ
１７ｃ メモリカード
１８ ネットワークインタフェース
１９ バス
１０１ 形状単純化処理部
１０２ 等価回路処理部
１０３ 形状イメージ化処理部
１０４ 形状離散化処理部
１０５ ＥＭＩシミュレータ
１０６ 機械学習処理部
１０７ 予測処理部
２０１ 電気ＣＡＤ
２０２ 機械学習モデル

Claims (5)

  1. 回路情報に基づいて、等価回路シミュレーションにより電流分布画像を取得し、
    前記回路情報に基づいて、回路の形状を示す形状画像を取得し、
    前記回路情報に基づいて、電磁場解析によりＥＭＩ値を取得し、
    前記電流分布画像と形状画像とＥＭＩ値とを含む訓練データに基づいた機械学習によって、ＥＭＩ予測モデルを生成する、
    処理をコンピュータに実行させる機械学習プログラム。
  2. 前記電流分布画像を取得する処理は、
    前記回路情報から取得した面パタンのパタン形状を単純化することで単純化回路モデルを生成し、
    前記単純化回路モデルに基づく前記等価回路シミュレーションにより前記電流分布画像を取得する、
    処理を含む、請求項１記載の機械学習プログラム。
  3. 前記形状画像を取得する処理は、前記回路情報から取得した面パタンの形状抽出を行なうことによって、前記形状画像を生成することを含む、
    請求項１または２に記載の機械学習プログラム。
  4. 回路情報に基づいて、等価回路シミュレーションにより電流分布画像を取得し、
    前記回路情報に基づいて、回路の形状を示す形状画像を取得し、
    前記回路情報に基づいて、電磁場解析によりＥＭＩ値を取得し、
    前記電流分布画像と形状画像とＥＭＩ値とを含む訓練データに基づいた機械学習によって、ＥＭＩ予測モデルを生成する、
    制御部を含むことを特徴とする、情報処理装置。
  5. 回路情報に基づいて、等価回路シミュレーションにより電流分布画像を取得する処理と、
    前記回路情報に基づいて、回路の形状を示す形状画像を取得する処理と、
    前記回路情報に基づいて、電磁場解析によりＥＭＩ値を取得する処理と、
    前記電流分布画像と形状画像とＥＭＩ値とを含む訓練データに基づいた機械学習によって、ＥＭＩ予測モデルを生成する処理と
    を行なうことを特徴とする機械学習方法。
JP2020180264A 2020-10-28 2020-10-28 機械学習プログラム，情報処理装置および機械学習方法 Pending JP2022071358A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2020180264A JP2022071358A (ja) 2020-10-28 2020-10-28 機械学習プログラム，情報処理装置および機械学習方法
EP21194561.3A EP3992833A1 (en) 2020-10-28 2021-09-02 Machine learning program, information processing apparatus, and machine learning method
US17/468,810 US20220129607A1 (en) 2020-10-28 2021-09-08 Computer-readable recording medium storing machine learning program, information processing apparatus, and machine learning method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020180264A JP2022071358A (ja) 2020-10-28 2020-10-28 機械学習プログラム，情報処理装置および機械学習方法

Publications (1)

Publication Number Publication Date
JP2022071358A true JP2022071358A (ja) 2022-05-16

Family

ID=77627018

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020180264A Pending JP2022071358A (ja) 2020-10-28 2020-10-28 機械学習プログラム，情報処理装置および機械学習方法

Country Status (3)

Country Link
US (1) US20220129607A1 (ja)
EP (1) EP3992833A1 (ja)
JP (1) JP2022071358A (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115372928B (zh) * 2022-10-21 2023-02-28 成都信息工程大学 一种基于i/q数据的dcnn电磁干扰识别方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4460808B2 (ja) * 2001-09-07 2010-05-12 親良 炭 電流密度ベクトル推定装置および電気導電率推定装置
US20070249071A1 (en) 2006-04-21 2007-10-25 Lei Lian Neural Network Methods and Apparatuses for Monitoring Substrate Processing
US10706197B2 (en) * 2018-05-24 2020-07-07 Hitachi, Ltd. Automated electromagnetic interference filter design
CN111339695B (zh) * 2018-12-18 2023-07-25 富士通株式会社 用于电磁场仿真的装置和方法

Also Published As

Publication number Publication date
EP3992833A1 (en) 2022-05-04
US20220129607A1 (en) 2022-04-28

Similar Documents

Publication Publication Date Title
US8412506B2 (en) Electromagnetic field simulation apparatus and computer readable storage medium storing electromagnetic field simulation program
JP2009098891A (ja) シミュレーション装置、シミュレーションプログラム、シミュレーションプログラムが格納された記録媒体およびシミュレーション方法
US11669662B2 (en) Machine learning method and computing system
JP2022071358A (ja) 機械学習プログラム，情報処理装置および機械学習方法
US11853661B2 (en) Systems and methods for machine learning based fast static thermal solver
EP2287757A1 (en) Multilevel-Multigrid simulation techniques
Olivares et al. Applications of information channels to physics-informed neural networks for WiFi signal propagation simulation at the edge of the industrial internet of things
JPH11161690A (ja) 電磁界強度算出装置、電磁界強度算出方法、及び電磁界強度算出手段を有するプログラムを格納した記録媒体
JP2008171385A (ja) 電磁界解析プログラム
WO2023276771A1 (ja) 電波伝搬シミュレーションシステム及び電波伝搬モデルの作成方法
CN109614732B (zh) 一种对象的电磁兼容建模方法及装置
JP2006004259A (ja) 電子機器の設計支援システム及び多層プリント回路基板の設計支援システム
US20210357811A1 (en) Machine learning estimation method and information processing device
US20170046472A1 (en) Computer-readable storage medium having electro-static discharge verification program stored therein, information processing apparatus, and method of verifying electro-static discharge
JP4684188B2 (ja) 回路モデル作成プログラム、回路モデル作成プログラムを格納したコンピュータ読み取り可能な記録媒体および回路モデル作成装置
CN110837707B (zh) 一种有限元分析系统、方法、计算机设备及存储介质
JP7042433B2 (ja) 電磁界シミュレータ及び電磁界シミュレータの動作方法
US20060036421A1 (en) Electromagnetic field simulator, medium for storing electromagnetic field simulation program, and electromagnetic field simulation method
US7757192B2 (en) Integrated circuit designing device, integrated circuit designing method, and integrated circuit designing program
US20170098018A1 (en) Information processing method, information processing apparatus, and non-transitory recording medium storing information processing program
Skidmore et al. Towards integrated PSEs for wireless communications: Experiences with the S4W and SitePlanner® projects
US20230252356A1 (en) Non-transitory computer-readable recording medium storing training data generation program, training data generation method, and training data generation device
EP4345678A1 (en) Machine learning tool for layout design of printed circuit board
US20240111937A1 (en) Machine learning tool for layout design of printed circuit board
JP2007206943A (ja) 電磁界回路連携解析プログラム、記録媒体、解析方法、および解析装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230707

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240416

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240430