JP2022072307A - 訓練データ生成プログラム、訓練データ生成方法および情報処理装置 - Google Patents

Abstract

【課題】電磁波放射の推定の精度を向上させる。【解決手段】情報処理装置１０は、回路データ１３に含まれる第１の層を示すパターン１５を特定する。情報処理装置１０は、第１の層に隣接する第２の層を示すパターン１６に含まれる配線１６ａと、パターン１５に含まれるスリット１５ａとに基づいて、パターン１５が、配線１６ａに応じた配線１７ａを含むパターン１７に変更された回路データ１４を生成する。情報処理装置１０は、回路データ１４に基づいて、機械学習用の訓練データ１８を生成する。【選択図】図１

Description

本発明は訓練データ生成プログラム、訓練データ生成方法および情報処理装置に関する。

電子回路に電流が流れると、電子回路から電磁波が放射される。電子回路を有する製品は、放射される電磁波の強度が閾値未満であるという規制を受けることがある。そのため、電子回路は、電磁波の規制に抵触しないように設計される。電磁波の強度の指標として、例えば、ＥＭＩ（Electromagnetic Interference）が用いられる。

設計中に電磁波の強度を推定する方法として、コンピュータが、電磁波の放射態様を解析する物理シミュレーションを行うことがある。しかし、物理シミュレーションは計算負荷が高く、長時間を要することがあるという問題がある。そこで、他の方法として、コンピュータが、機械学習によって生成されたモデルを用いて、回路データから電磁波の強度を推定することがある。モデルは、例えば、深層学習（ＤＬ：Deep Learning）によって生成されるニューラルネットワークである。モデルによる推定は物理シミュレーションよりも計算負荷が低く、短時間で推定結果が得られる。

なお、プリント基板の設計の際に、配線に対応するリターン電流が流れる経路を検出するリターン経路チェックシステムが提案されている。また、プリント基板データから電流ループ経路を検出し、電流ループ経路の面積に基づいて、プリント基板から放射される電磁的ノイズを推定する基板設計装置が提案されている。

特開２００７－１１６２９号公報 特開２００９－１５１３６３号公報 特開２０２０－６０８７７号公報

電磁波放射を推定するためのモデルは、訓練データを用いた機械学習により生成される。モデルの精度は、モデルへの入力として使用されるデータの種類に依存する。そのため、機械学習では、訓練データとしてどの様なデータを使用するかが重要となる。

ここで、電子回路は、複数の層を含むことがある。ある層が、電流が流れる配線を含む配線層であることがある。配線層に隣接する層が、広い導体領域を含む層であることがある。広い導体領域を含む層は、例えば、ベタグラウンド（ＧＮＤ）層である。配線層の配線に電流が流れると、隣接する層の導体領域の一部にリターン電流が流れる。リターン電流は、電子回路が放射する電磁波に影響を与える。そのため、訓練データがリターン電流に関する情報を含まない場合、モデルの精度が低下する可能性がある。

１つの側面では、本発明は、電磁波放射の推定の精度を向上させることを目的とする。

１つの態様では、第１の回路データに含まれる第１の層を示す第１のパターンを特定し、第１の層に隣接する第２の層を示す第２のパターンに含まれる第１の配線と、第１のパターンに含まれるスリットとに基づいて、第１のパターンが、第１の配線に応じた第２の配線を含む第３のパターンに変更された第２の回路データを生成し、第２の回路データに基づいて、機械学習用の訓練データを生成する、処理をコンピュータに実行させることを特徴とする訓練データ生成プログラムが提供される。また、１つの態様では、訓練データ生成方法が提供される。また、１つの態様では、記憶部と制御部とを有することを特徴とする情報処理装置が提供される。

１つの側面では、電磁波放射の推定の精度が向上する。

第１の実施の形態の情報処理装置を説明するための図である。 第２の実施の形態の情報処理装置のハードウェア例を示す図である。 機械学習を利用した電磁波強度の推定例を示す図である。 ＧＮＤ層におけるリターン電流の第１の発生例を示す図である。 ＧＮＤ層におけるリターン電流の第２の発生例を示す図である。 リターン経路の計算例を示す図である。 ニューラルネットワークの入出力データの例を示す図である。 第２の実施の形態の情報処理装置の機能例を示すブロック図である。 モデル生成の手順例を示すフローチャートである。 電磁波推定の手順例を示すフローチャートである。

以下、本実施の形態を、図面を参照して説明する。まず、第１の実施の形態を説明する。図１は、第１の実施の形態の情報処理装置を説明するための図である。第１の実施の形態の情報処理装置１０は、機械学習に用いられる訓練データを生成する。情報処理装置１０は、生成された訓練データを用いて機械学習を実行してもよい。また、情報処理装置１０は、他の情報処理装置に機械学習を実行させてもよい。情報処理装置１０は、クライアント装置でもよいしサーバ装置でもよい。情報処理装置１０が、コンピュータ、訓練データ生成装置または機械学習装置と呼ばれてもよい。

情報処理装置１０は、記憶部１１および制御部１２を有する。記憶部１１は、ＲＡＭ（Random Access Memory）などの揮発性半導体メモリでもよい。また、記憶部１１は、ＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの不揮発性ストレージでもよい。制御部１２は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）などのプロセッサでもよい。また、制御部１２は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの電子回路を含んでもよい。プロセッサは、メモリ（例えば、記憶部１１）に記憶されたプログラムを実行する。プロセッサの集合が、マルチプロセッサまたは単に「プロセッサ」と呼ばれてもよい。

記憶部１１は、電子回路の物理設計を示す回路データ１３を記憶する。回路データ１３は、複数の層それぞれのパターンを含む。パターンは、配線、ビア、スリット、導体領域、非導体領域などの面の構造を示す。層の集合は、配線層、グラウンド層（ＧＮＤ層）および電源層を含むことがある。配線層は、導体で形成された配線を含む。配線には電流が流れ得る。配線層の空き領域は、非導体で覆われている。ＧＮＤ層および電源層の空き領域は、導体で覆われている。広い導体領域をもつＧＮＤ層は、ベタＧＮＤ層と呼ばれることがある。ＧＮＤ層および電源層は、スリットを含むことがある。スリットは、導体で覆われていない。矩形のスリットは、３辺または４辺で導体と接する。

一例として、回路データ１３は、パターン１５，１６を含む。パターン１５は、広い導体領域をもつ。パターン１５は、例えば、ベタＧＮＤ層を示す。パターン１５は、スリット１５ａを含む。スリット１５ａは、３辺で導体と接している。パターン１６は、パターン１５が示す層と隣接する配線層を示す。例えば、パターン１６が第１層を示し、パターン１５が第２層を示す。パターン１６は、配線１６ａを含む。ここで、パターン１６の配線１６ａに電流が流れると、パターン１５の導体領域の一部にリターン電流が流れる。リターン電流が流れるリターン経路は、原則として、配線１６ａに対応する位置に形成される。ただし、スリット１５ａがリターン電流を阻害することがある。その場合、リターン経路は、スリット１５ａを迂回する迂回経路をとる。

制御部１２は、回路データ１３に基づいて、機械学習用の訓練データ１８を生成する。訓練データ１８は、モデルへの入力に相当する特徴データと、モデルの出力の正解に相当する教師データとを含む。特徴データが説明変数と呼ばれることがあり、教師データが目的変数と呼ばれることがある。訓練データ１８から生成されるモデルは、回路構造の特徴から、電子回路が放射する電磁波を推定する電磁波推定モデルである。モデルはニューラルネットワークであってもよい。機械学習は深層学習であってもよい。モデルの出力は、例えば、電子回路から所定の距離だけ離れた位置の電磁波の強度である。正解の電磁波の強度は、回路データ１３に基づいて実装された電子回路を用いて測定されてもよい。また、正解の電磁波の強度は、物理シミュレーションによって算出されてもよい。

訓練データ１８を生成するにあたり、制御部１２は、回路データ１３に含まれる１つの層を示すパターン１５を特定する。例えば、制御部１２は、ベタＧＮＤ層など、空き領域が導体で覆われた層のパターンを特定する。また、制御部１２は、上記１つの層に隣接する他の１つの層を示すパターン１６を特定する。制御部１２は、パターン１６に含まれる配線１６ａと、パターン１５に含まれるスリット１５ａとに基づいて、パターン１５がパターン１７に変更された回路データ１４を生成する。回路データ１４は、例えば、第１層に相当するパターン１６と、第２層に相当するパターン１７とを含む。

パターン１７は、配線１６ａに応じた配線１７ａを含む。配線１７ａは、配線１６ａに電流が流れることで発生するリターン電流のリターン経路を示してもよい。パターン１７内での配線１７ａの位置は、パターン１６内での配線１６ａの位置と同じでもよい。ただし、配線１６ａと同じ配線がスリット１５ａを跨ぐ場合、配線１７ａはスリット１５ａを迂回する。パターン１５の導体領域の電気特性（例えば、抵抗値）は、均一であることが多い。一方、リターン電流は、電気抵抗が最小になる経路を流れることが多い。そのため、スリット１５ａを迂回する区間は最短経路をとってもよい。

例えば、制御部１２は、配線１６ａと同じ形状および同じ位置の線をパターン１５に対して引く。引かれた線の一部区間がスリット１５ａと重なる場合、制御部１２は、引かれた線とスリット１５ａの辺との交点に相当する２つの端点を検出する。制御部１２は、２つの端点を結ぶ経路であって、スリット１５ａを迂回する迂回経路を探索する。ここで制御部１２が探索する迂回経路は、距離が最小の最短経路である。配線１７ａは、スリット１５ａと重ならない区間の線と迂回経路を示す線とから形成される。

制御部１２は、回路データ１４に基づいて訓練データ１８を生成する。例えば、制御部１２は、パターン１６，１７それぞれを二次元ビットマップ画像に変換する。例えば、制御部１２は、パターン１６に対応する二次元ビットマップ画像を、配線１６ａが通る位置の要素が「１」であり他の要素が「０」であるように生成する。また、例えば、制御部１２は、パターン１７に対応する二次元ビットマップ画像を、配線１７ａが通る位置の要素が「１」であり他の要素が「０」であるように生成する。

各パターンに対応する画像は、例えば、縦１００×横１００のサイズをもつ。訓練データ１８に含まれる入力データは、層数に相当するチャネル数をもつテンソルであってもよい。よって、訓練データ１８に含まれる入力データは、例えば、縦１００×横１００×２チャネルのテンソルである。なお、制御部１２は、モデルの精度が向上するように各パターンに対応する画像を編集してもよい。

例えば、制御部１２は、配線１６ａが通る位置の要素を、配線１６ａの長さを表す数値に変更してもよい。同様に、制御部１２は、配線１７ａが通る位置の要素を、配線１７ａの長さを表す数値に変更してもよい。このように加工された画像は、配線１６ａが長いほど近傍の電磁波の強度が大きいという物理特性を反映している。また、制御部１２は、配線１６ａの周辺の要素を、配線１６ａから遠ざかるにつれて段階的に減衰する数値に変更してもよい。同様に、制御部１２は、配線１７ａの周辺の要素を、配線１７ａから遠ざかるにつれて段階的に減衰する数値に変更してもよい。このように加工された画像は、配線１６ａの近傍の電磁波の放射態様を反映している。

このように、情報処理装置１０は、回路構造の特徴から電磁波放射を推定するモデルを生成するための訓練データ１８を生成する。これにより、情報処理システムは、機械学習によって生成されたモデルを用いて、設計中の電子回路の電磁波放射を推定することができる。このとき、電子回路の設計者は、設計中の電子回路を実装して電磁波強度を測定しなくてもよい。また、情報処理システムは、計算量の大きい電磁波シミュレーションを実行しなくてもよい。よって、設計者は、電磁波放射の情報を迅速に入手できる。

また、訓練データ１８は、配線層に隣接する層（例えば、ＧＮＤ層または電源層）に流れるリターン電流に関する情報を含む。リターン電流を表現するため、情報処理装置１０は、回路データ１３に対して仮想的な配線を追加する。よって、訓練データ１８から生成されるモデルの精度が向上する。また、隣接する層がスリットを含む場合、情報処理装置１０は、スリットを迂回するように仮想的な配線を決定する。よって、仮想的な配線が実際のリターン経路を精度よく表現することができる。

次に、第２の実施の形態を説明する。図２は、第２の実施の形態の情報処理装置のハードウェア例を示す図である。情報処理装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、ＨＤＤ１０３、画像インタフェース１０４、入力インタフェース１０５、媒体リーダ１０６および通信インタフェース１０７を有する。情報処理装置１００は、第１の実施の形態の情報処理装置１０に対応する。ＣＰＵ１０１は、第１の実施の形態の制御部１２に対応する。ＲＡＭ１０２またはＨＤＤ１０３は、第１の実施の形態の記憶部１１に対応する。

ＣＰＵ１０１は、プログラムの命令を実行するプロセッサである。ＣＰＵ１０１は、ＨＤＤ１０３に記憶されたプログラムおよびデータの少なくとも一部をＲＡＭ１０２にロードし、プログラムを実行する。情報処理装置１００は、複数のプロセッサを有してもよい。プロセッサの集合が、マルチプロセッサまたは単に「プロセッサ」と呼ばれてもよい。

ＲＡＭ１０２は、ＣＰＵ１０１で実行されるプログラムおよびＣＰＵ１０１で演算に使用されるデータを一時的に記憶する揮発性半導体メモリである。情報処理装置１００は、ＲＡＭ以外の種類のメモリを有してもよく、複数のメモリを有してもよい。

ＨＤＤ１０３は、ＯＳ（Operating System）、ミドルウェア、アプリケーションソフトウェアなどのソフトウェアのプログラム、および、データを記憶する不揮発性ストレージである。情報処理装置１００は、フラッシュメモリやＳＳＤ（Solid State Drive）など他の種類のストレージを有してもよく、複数のストレージを有してもよい。

画像インタフェース１０４は、ＣＰＵ１０１からの命令に従って、情報処理装置１００に接続された表示装置１１１に画像を出力する。表示装置１１１は、例えば、ＣＲＴ（Cathode Ray Tube）ディスプレイ、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、有機ＥＬ（Electro-Luminescence）ディスプレイまたはプロジェクタである。情報処理装置１００に、プリンタなど他の種類の出力デバイスが接続されてもよい。

入力インタフェース１０５は、情報処理装置１００に接続された入力デバイス１１２から入力信号を受け付ける。入力デバイス１１２は、例えば、マウス、タッチパネル、またはキーボードである。情報処理装置１００に複数の入力デバイスが接続されてもよい。

媒体リーダ１０６は、記録媒体１１３に記録されたプログラムおよびデータを読み取る読み取り装置である。記録媒体１１３は、例えば、磁気ディスク、光ディスクまたは半導体メモリである。磁気ディスクには、フレキシブルディスク（ＦＤ：Flexible Disk）およびＨＤＤが含まれる。光ディスクには、ＣＤ（Compact Disc）およびＤＶＤ（Digital Versatile Disc）が含まれる。媒体リーダ１０６は、記録媒体１１３から読み取られたプログラムおよびデータを、ＲＡＭ１０２やＨＤＤ１０３などの他の記録媒体にコピーする。読み取られたプログラムは、ＣＰＵ１０１によって実行されることがある。

なお、記録媒体１１３は可搬型記録媒体であってもよく、プログラムおよびデータの配布に用いられることがある。また、記録媒体１１３およびＨＤＤ１０３が、コンピュータ読み取り可能な記録媒体と呼ばれてもよい。

通信インタフェース１０７は、ネットワーク１１４に接続される。通信インタフェース１０７は、ネットワーク１１４を介して他の情報処理装置と通信する。通信インタフェース１０７は、スイッチやルータなどの有線通信装置に接続される有線通信インタフェースでもよい。また、通信インタフェース１０７は、基地局やアクセスポイントなどの無線通信装置に接続される無線通信インタフェースでもよい。

情報処理装置１００は、電子回路の設計を支援する。情報処理装置１００は、クライアント装置でもよいしサーバ装置でもよい。情報処理装置１００は、機械学習によってモデルを生成する。モデルは、電子回路から所定の距離（例えば、１０メートル）だけ離れた位置における電磁波の強度を、その電子回路の回路データから推定する。距離は、例えば、電磁波放射に関する各国の規制に応じて設定される。情報処理装置１００は、モデルを用いて、設計中の電子回路が放射する電磁波の強度を推定する。

第２の実施の形態では、情報処理装置１００が、訓練データの生成、モデルの生成および電磁波強度の推定の３つを全て行っている。ただし、複数の情報処理装置が、訓練データの生成、モデルの生成および電磁波強度の推定を分散して実行してもよい。以下、機械学習を利用した電磁波強度の推定の流れを説明する。

図３は、機械学習を利用した電磁波強度の推定例を示す図である。情報処理装置１００は、機械学習のために回路データ１３１を生成する。回路データ１３１は、配線の位置および形状を示すパターンを含む。回路データ１３１が示す配線は、比較的単純な配線でもよい。情報処理装置１００は、回路データ１３１に対して電磁波シミュレーション１３２を実行し、電磁波データ１３３を生成する。電磁波シミュレーション１３２は、回路データ１３１が示す電子回路に電流が流れた場合に、電子回路から放射される電磁波の強度を算出する物理シミュレーションである。電磁波シミュレーション１３２の計算量は大きく、実行時間が長くなることがある。

電磁波シミュレーション１３２は、三次元有限要素法シミュレーションであってもよい。例えば、情報処理装置１００は、電子回路が配置された空間を三次元小領域である要素に細分化し、要素の節点に変数を割り当てる。情報処理装置１００は、電磁波の物理法則を示す基礎方程式に基づいて、変数間の関係を示す係数行列を生成する。情報処理装置１００は、係数行列を用いた行列演算を反復することで、変数の解を求める。

電磁波データ１３３は、電子回路から所定の距離だけ離れた位置における電磁波強度を示す。電磁波データ１３３は、異なる周波数に対する電磁波強度を示す。例えば、０ＧＨｚから１ＧＨｚまでの周波数区間から、０．０１ＧＨｚ間隔で１００個の周波数が抽出される。電磁波データ１３３は、例えば、１００個の周波数に対応する１００個の電磁波強度の数値を列挙したベクトルデータである。

情報処理装置１００は、回路データ１３１に応じた入力データと、電磁波データ１３３に応じた教師データとを含む訓練データを生成する。入力データはモデルの説明変数に相当し、教師データはモデルの目的変数に相当する。入力データは、電子回路の配線の特徴を表す特徴データである。情報処理装置１００は、電子回路の配線を変更することで、回路データ１３１と電磁波データ１３３のペアを複数通り生成する。これにより、情報処理装置１００は、十分な量のレコードを含む訓練データを生成する。

情報処理装置１００は、生成された訓練データを用いて機械学習１３４を実行する。機械学習１３４は、モデル１３５を生成する深層学習（ディープラーニング）である。モデル１３５は、ニューラルネットワークであり、例えば、畳み込み演算を含む畳み込みニューラルネットワークである。機械学習１３４は、誤差逆伝播法を含む。

例えば、情報処理装置１００は、訓練データからレコードを選択し、レコードに含まれる入力データをモデル１３５に入力し、モデル１３５の出力とレコードに含まれる教師データとの間の誤差を算出する。誤差は、例えば、１００個の電磁波強度をそれぞれ列挙したベクトル２つの間の平均二乗誤差である。情報処理装置１００は、誤差が小さくなるように、モデル１３５に含まれるパラメータを更新する。パラメータは、ニューラルネットワークのエッジの重みを含む。情報処理装置１００は、モデル１３５の出力層から入力層に向かって順にエッジの重みの誤差勾配を算出し、誤差勾配に基づいて重みを更新する。これにより、モデル１３５が生成される。

情報処理装置１００は、設計中の電子回路を示す回路データ１３６をユーザから受け付ける。回路データ１３６は、配線の位置および形状を示すパターンを含む。回路データ１３６が示す配線は、回路データ１３１より複雑な配線でもよい。情報処理装置１００は、回路データ１３６に応じた入力データを生成し、生成された入力データをモデル１３５に入力して電磁波データ１３７を生成する。

回路データ１３６に対応する入力データは、設計中の電子回路の配線の特徴を表す特徴データである。電磁波データ１３７は、設計中の電子回路が放射する電磁波であって、その電子回路から所定の距離だけ離れた位置における電磁波の強度の推定値を示す。電磁波データ１３７は、例えば、０ＧＨｚから１ＧＨｚまでの間の１００個の周波数に対応する１００個の電磁波強度の数値を列挙したベクトルデータである。

これにより、電子回路の設計者は、電磁波強度を測定するためだけに回路データ１３６に基づいて電子回路を実装しなくてもよい。また、情報処理装置１００は、回路データ１３６に対して、計算量の大きい電磁波シミュレーション１３２を実行しなくてもよい。よって、設計者は、様々な設計候補に対して電磁波データを迅速に入手できる。次に、モデル１３５の精度を向上させるための訓練データの加工について説明する。

図４は、ＧＮＤ層におけるリターン電流の第１の発生例を示す図である。電子回路の物理構造は、複数の層を含むことがある。配線を含む配線層に隣接する層が、空き領域が導体で覆われたＧＮＤ層であるベタＧＮＤ層であることがある。例えば、第１層が配線層であり、第２層がベタＧＮＤ層であることがある。

パターン１４１は、配線層を示す。パターン１４１は、配線１４２を含む。パターン１４３は、配線層に隣接するベタＧＮＤ層を示す。パターン１４３は、配線を含まない。配線１４２に電流が流れた場合、配線層に隣接するベタＧＮＤ層にリターン電流が流れる。よって、パターン１４３の上にリターン経路１４４が形成される。リターン経路１４４の位置および形状は、原則として配線１４２と同一である。すなわち、原則として、配線１４２の真下または真上にリターン電流が流れる。

図５は、ＧＮＤ層におけるリターン電流の第２の発生例を示す図である。ここでは、パターン１４３のベタＧＮＤ層に代えて、パターン１４５のベタＧＮＤ層がパターン１４１の配線層に隣接している。パターン１４５は、スリット１４６を含む。スリット１４６は、導体で覆われていない領域である。スリット１４６が矩形である場合、通常、スリット１４６の３辺または４辺が導体領域と接している。

配線１４２に電流が流れた場合、パターン１４５の上にリターン経路１４７が形成される。前述のように、リターン経路の位置および形状は、原則として配線１４２と同一である。ただし、パターン１４５では、配線１４２と同じ線はスリット１４６を跨ぐ。スリット１４６には電流が流れないため、リターン経路１４７はスリット１４６を迂回する。このように、リターン経路の位置および形状が、配線１４２と同一でないことがある。

障害物を迂回する場合、リターン電流は抵抗が小さい経路を流れようとする。これに対し、パターン１４５におけるスリット１４６の周辺は、抵抗値などの電気特性が均一な導体で覆われている。よって、リターン経路１４７は、最小距離でスリット１４６を迂回する。具体的には、配線１４２と同一の線とスリット１４６の辺とが交差する２つの端点を、最小距離で結ぶように、迂回経路が形成される。図５の例では、スリット１４６の北側を通る迂回経路と、スリット１４６の南側を通る迂回経路が存在する。この２つの迂回経路のうち、距離が短い後者の迂回経路が選択される。

ここで、情報処理装置１００は、電子回路の層毎に配線を示す画像データを生成し、画像データの集合をモデルへの入力データとして定義する方法が考えられる。しかし、リターン経路は、隣接する配線層の配線に電流が流れたときに出現する動的な電流経路であり、回路データの中に配線として記載されていない。また、リターン経路の位置および形状は、隣接する配線層の配線と同一であるとは限らない。このため、配線を示す画像データの集合のみでは、リターン電流に関する情報が欠落する。一方、リターン電流は、電子回路から放射される電磁波の強度に影響を与える。その結果、モデルの精度が低下するおそれがある。そこで、情報処理装置１００は、ベタＧＮＤ層の画像データを編集する。

図６は、リターン経路の計算例を示す図である。画像データ１５１は、配線を含む配線層のパターンから生成される。画像データ１５２は、配線層に隣接するベタＧＮＤ層のパターンから生成される。情報処理装置１００は、パターンを直交格子状の小領域に分割する。例えば、情報処理装置１００は、パターンを縦１００×横１００の小領域に分割する。情報処理装置１００は、導体を含む小領域に対して、導体を示す値を要素として割り当てる。また、情報処理装置１００は、導体を含まない小領域に対して、非導体を示す値を要素として割り当てる。

画像データ１５１，１５２は、このようにして割り当てられた要素を二次元平面に並べた行列データである。画像データ１５１では、配線が存在する位置の要素が導体を示し、それ以外の要素が非導体を示す。画像データ１５２では、スリットが存在する位置の要素が非導体を示し、それ以外の要素が導体を示す。

次に、情報処理装置１００は、ベタＧＮＤ層に対応する画像データ１５２を加工する。情報処理装置１００は、画像データ１５１から導体を示す要素を検出し、画像データ１５２から同じ位置の要素を抽出する。抽出した要素が導体を示す場合、情報処理装置１００は、抽出した要素の値をリターン経路を示す値に書き換える。抽出した要素が非導体を示す場合、情報処理装置１００は、抽出した要素の値を書き換えない。また、情報処理装置１００は、リターン経路を示す要素のうち非導体を示す要素に隣接する要素の値を、端点を示す値に書き換える。これにより、画像データ１５２が画像データ１５３に変換される。画像データ１５３は、導体を示す要素および非導体を示す要素に加えて、リターン経路を示す要素および端点を示す要素を含む。

次に、情報処理装置１００は、画像データ１５３において、端点を示す２つの要素を結ぶ最短経路であって、導体を示す要素のみを通る迂回経路を探索する。最短経路の探索には、例えば、ダイクストラ法などの経路探索アルゴリズムが使用される。情報処理装置１００は、探索された最短経路に属する要素の値を、リターン経路を示す値に書き換える。これにより、画像データ１５３が画像データ１５４に変換される。画像データ１５４は、導体を示す要素と非導体を示す要素とリターン経路を示す要素とを含む。

そして、情報処理装置１００は、画像データ１５４に含まれる導体を示す要素の値を、非導体を示す値に書き換える。また、情報処理装置１００は、画像データ１５４に含まれるリターン経路を示す要素の値を、導体を示す値に書き換える。これにより、画像データ１５４が画像データ１５５に変換される。画像データ１５５は、導体を示す要素と非導体を示す要素とを含む。導体を示す要素は、電流が流れ得る小領域を示し、リターン経路を形成する。非導体を示す要素は、電流が流れない小領域を示す。この点で、画像データ１５５の要素の意味は、画像データ１５１と整合する。

情報処理装置１００は、例えば、導体を示す要素を「１」で表現し、非導体を示す要素を「０」で表現する。情報処理装置１００は、画像データ１５１，１５５を含む入力データを生成する。例えば、情報処理装置１００は、縦１００×横１００×２チャネルのテンソルを、モデルへの入力データとして生成する。

図７は、ニューラルネットワークの入出力データの例を示す図である。ニューラルネットワーク１６０は、前述のモデル１３５の一例である。ニューラルネットワーク１６０は、入力層と出力層と１以上の中間層とを含む多層ニューラルネットワークである。各層は複数のノードを含む。入力層のノードは、１つ後ろの中間層のノードとの間にエッジをもつ。出力層のノードは、１つ前の中間層のノードとの間にエッジをもつ。中間層は、前後の層のノードとの間にエッジをもつ。エッジには、重みを示すパラメータが割り当てられる。重みは、機械学習を通じて決定される。また、ニューラルネットワーク１６０は、畳み込み演算を実装した畳み込みニューラルネットワークである。畳み込み演算は、入力テンソルの上でカーネルと呼ばれるフィルタ行列をスライドさせながら積和演算を繰り返し、特徴マップと呼ばれるテンソルを生成する。

ニューラルネットワーク１６０には、テンソル１６１が入力される。テンソル１６１のサイズは、縦１００×横１００×２チャネルである。テンソル１６１は、前述の画像データ１５１，１５５を含む。また、ニューラルネットワーク１６０からは、テンソル１６２が出力される。テンソル１６２のサイズは、縦１００×横１×１チャネルである。よって、テンソル１６２は列ベクトルに相当する。テンソル１６２は、１００個の周波数に対応する１００個の電磁波強度を示す数値を含む。

ニューラルネットワーク１６０のエッジの重みを決定する機械学習は、誤差逆伝播法によって行われる。誤差逆伝播法は、フォワードフェーズ、バックワードフェーズおよびアップデートフェーズを含む。フォワードフェーズは、訓練データに含まれる入力データを入力層に入力し、入力値に重みを乗じて出力値を算出する計算を入力層から出力層に向かう順方向に行い、出力データを生成する。バックワードフェーズは、出力データと訓練データに含まれる教師データとの間の誤差を算出し、誤差情報を出力層から入力層に向かう逆方向に伝播して、各エッジの重みの誤差勾配を算出する。アップデートフェーズは、誤差勾配と所定の学習率に基づいて重みを更新する。上記のフォワードフェーズ、バックワードフェーズおよびアップデートフェーズが繰り返し実行される。

なお、情報処理装置１００は、要素の値が０または１である二値画像データを更に編集してもよい。例えば、情報処理装置１００は、配線またはリターン経路を示す値を、その配線またはリターン経路の長さを表す数値に置換してもよい。また、情報処理装置１００は、配線またはリターン経路の周辺の要素の値を、配線またはリターン経路から離れるほど段階的に減衰する数値に変換してもよい。このように加工された画像データは、配線またはリターン経路の近傍における電磁波強度を近似する。

次に、情報処理装置１００の機能および処理手順を説明する。図８は、第２の実施の形態の情報処理装置の機能例を示すブロック図である。情報処理装置１００は、回路データ記憶部１２１、電磁波データ記憶部１２２、訓練データ記憶部１２３およびモデル記憶部１２４を有する。上記の記憶部は、例えば、ＲＡＭ１０２またはＨＤＤ１０３の記憶領域を用いて実装される。また、情報処理装置１００は、回路データ生成部１２５、シミュレーション部１２６、訓練データ生成部１２７、モデル生成部１２８および電磁波推定部１２９を有する。上記の処理部は、例えば、プログラムを用いて実装される。

回路データ記憶部１２１は、機械学習に用いられる回路データのサンプルを記憶する。また、回路データ記憶部１２１は、設計中の電子回路の回路データを記憶する。電磁波データ記憶部１２２は、回路データ記憶部１２１に記憶された回路データのサンプルと対応させて、電子回路から所定の距離だけ離れた位置における電磁波強度を示す電磁波データを記憶する。この電磁波データは、教師データに相当する。

訓練データ記憶部１２３は、機械学習に用いられる訓練データを記憶する。訓練データは、回路構造を示す入力データと電磁波強度を示す教師データとをそれぞれ対応付けた複数のレコードを含む。モデル記憶部１２４は、機械学習によって訓練データから生成されたモデルを記憶する。モデルは、ニューラルネットワークである。

回路データ生成部１２５は、回路データのサンプルを生成して回路データ記憶部１２１に格納する。回路データ生成部１２５は、所定の規則に基づいて、配線を含む配線層とスリットを含むベタＧＮＤ層とを含む回路データを生成する。回路データ生成部１２５は、配線の位置および形状と、スリットの位置および大きさを変更することで、様々な回路データを生成する。配線の位置、配線の形状、スリットの位置およびスリットの大きさはそれぞれ、予め用意された複数の候補の中から選択される。

シミュレーション部１２６は、回路データ記憶部１２１に記憶された回路データのサンプルそれぞれに対して電磁波シミュレーションを実行する。電磁波シミュレーションは、例えば、電子回路の周辺の電磁波強度を算出する三次元有限要素法シミュレーションである。シミュレーション部１２６は、電子回路から所定の距離だけ離れた位置における電磁波強度を示す電磁波データを生成して電磁波データ記憶部１２２に格納する。

訓練データ生成部１２７は、回路データ記憶部１２１に記憶された回路データのサンプルから、各層の画像データを含む入力テンソルを生成する。また、訓練データ生成部１２７は、電磁波データ記憶部１２２に記憶された電磁波データから、複数の周波数に対応する複数の電磁波強度を列挙した出力テンソルを生成する。訓練データ生成部１２７は、入力テンソルと出力テンソルとをそれぞれ対応付けた複数のレコードを含む訓練データを生成し、訓練データを訓練データ記憶部１２３に格納する。

モデル生成部１２８は、訓練データ記憶部１２３に記憶された訓練データを用いて、機械学習によってモデルを生成し、生成されたモデルをモデル記憶部１２４に格納する。モデルはニューラルネットワークであり、機械学習は深層学習である。機械学習では、誤差逆伝播法によってニューラルネットワークに含まれる重みが決定される。

電磁波推定部１２９は、回路データ記憶部１２１から設計中の電子回路の回路データを読み出す。電磁波推定部１２９は、訓練データ生成部１２７と同様の方法で、回路データから入力テンソルを生成する。電磁波推定部１２９は、モデル記憶部１２４に記憶されたモデルに入力テンソルを入力し、電磁波強度を示す出力テンソルを取得する。電磁波推定部１２９は、推定された電磁波強度を示す電磁波データを出力する。電磁波推定部１２９は、推定の電磁波データを表示装置１１１に表示してもよい。また、電磁波推定部１２９は、推定の電磁波データを電磁波データ記憶部１２２に保存してもよい。また、電磁波推定部１２９は、推定の電磁波データを他の情報処理装置に送信してもよい。

図９は、モデル生成の手順例を示すフローチャートである。回路データ生成部１２５は、配線層およびベタＧＮＤ層を含む回路データを、配線およびスリットを変えながら複数通り生成する（Ｓ１０）。シミュレーション部１２６は、ステップＳ１０で生成された回路データそれぞれに対して、三次元有限要素法の電磁波シミュレーションを実行する。これにより、シミュレーション部１２６は、各回路データに対して、電子回路から所定の距離だけ離れた位置における電磁波強度を示す電磁波データを生成する（Ｓ１１）。

訓練データ生成部１２７は、ステップＳ１０で生成された回路データを１つ選択する。訓練データ生成部１２７は、選択した回路データが示す複数の層それぞれのパターンを、導体領域を示す画像データに変換する。訓練データ生成部１２７は、ベタＧＮＤ層の画像データ上で、隣接する配線層の配線と同じ位置に線を引く（Ｓ１２）。

訓練データ生成部１２７は、ベタＧＮＤ層の画像データ上で、スリットによって分断されたステップＳ１２の線の端点を検出する（Ｓ１３）。訓練データ生成部１２７は、同一のスリットを挟む２つの端点の間で、スリットを迂回する最短経路を探索する。これにより、訓練データ生成部１２７は、ベタＧＮＤ層の画像データ上で、配線層の配線に電流が流れたときにリターン電流が流れるリターン経路を判定する（Ｓ１４）。

訓練データ生成部１２７は、ベタＧＮＤ層の画像データがリターン経路を示すように画像データを変換する。訓練データ生成部１２７は、配線層の画像データおよびベタＧＮＤ層の画像データを含むテンソルを生成する。訓練データ生成部１２７は、回路画像のテンソルと、選択した回路データからステップＳ１１で生成された電磁波データとを対応付けて訓練データに追加する（Ｓ１５）。訓練データ生成部１２７は、ステップＳ１２で全ての回路データを選択したか判断する。全ての回路データを選択した場合はステップＳ１７に進み、未選択の回路データがある場合はステップＳ１２に戻る（Ｓ１６）。

モデル生成部１２８は、訓練データから回路画像のテンソルと電磁波データのペアを抽出する。モデル生成部１２８は、回路画像のテンソルをモデルに入力し、モデルが出力する推定電磁波強度を取得する。モデル生成部１２８は、訓練データから抽出した電磁波データが示す正解の電磁波強度と推定電磁波強度との間の誤差を算出する（Ｓ１７）。モデル生成部１２８は、誤差が小さくなるようにモデルのパラメータを更新する（Ｓ１８）。

モデル生成部１２８は、ステップＳ１７，Ｓ１８のイテレーションが所定回数に達したか判断する。イテレーションが所定回数に達した場合、モデル生成部１２８は、モデルを保存して機械学習を終了する。イテレーションが所定回数に達していない場合、ステップＳ１７に戻る（Ｓ１９）。なお、イテレーション回数以外の停止条件が設定されてもよい。例えば、誤差が閾値未満に低下したことが停止条件であってもよい。

図１０は、電磁波推定の手順例を示すフローチャートである。電磁波推定部１２９は、設計中の電子回路の回路データであって、配線層およびベタＧＮＤ層を含む回路データを取得する（Ｓ２０）。電磁波推定部１２９は、取得した回路データが示す複数の層それぞれのパターンを、導体領域を示す画像データに変換する。電磁波推定部１２９は、ベタＧＮＤ層の画像データ上で、隣接する配線層の配線と同じ位置に線を引く（Ｓ２１）。

電磁波推定部１２９は、ベタＧＮＤ層の画像データ上で、スリットによって分断されたステップＳ２１の線の端点を検出する（Ｓ２２）。電磁波推定部１２９は、同一のスリットを挟む２つの端点の間で、スリットを迂回する最短経路を探索する。これにより、電磁波推定部１２９は、ベタＧＮＤ層の画像データ上で、配線層の配線に電流が流れたときにリターン電流が流れるリターン経路を判定する（Ｓ２３）。

電磁波推定部１２９は、ベタＧＮＤ層の画像データがリターン経路を示すように画像データを変換する。電磁波推定部１２９は、配線層の画像データおよびベタＧＮＤ層の画像データを含むテンソルを生成する（Ｓ２４）。電磁波推定部１２９は、回路画像のテンソルをモデルに入力して電磁波強度を推定する（Ｓ２５）。電磁波推定部１２９は、推定電磁波強度を示す推定電磁波データを生成して出力する。例えば、電磁波推定部１２９は、推定電磁波データを表示装置１１１に表示する（Ｓ２６）。

このように、第２の実施の形態の情報処理装置１００は、機械学習により、電子回路のパターンを示す画像データから電磁波強度を推定するためのモデルを生成する。そして、情報処理装置１００は、生成されたモデルを用いて、設計中の電子回路の電磁波強度を推定する。これにより、電子回路の設計者は、設計中の電子回路を実装して電磁波強度を測定しなくてもよい。また、情報処理装置１００は、設計中の電子回路に対して、計算量の大きい電磁波シミュレーションを実行しなくてもよい。よって、設計者は、電磁回路の様々な設計に対して、電磁波強度の情報を迅速に入手することができる。

また、モデルへの入力のうちベタＧＮＤ層に対応する画像データは、リターン電流が流れるリターン経路を示す仮想的な配線を含む。よって、モデルは、リターン電流が電磁波強度に与える影響を考慮することができ、電磁波強度の推定精度が向上する。また、ベタＧＮＤ層がスリットを含む場合、情報処理装置１００は、スリットを迂回する最短経路を画像データ上で探索して、仮想的な配線を決定する。よって、ベタＧＮＤ層の画像データはリターン経路を精度よく表現でき、モデルの精度が向上する。

１０ 情報処理装置
１１ 記憶部
１２ 制御部
１３，１４ 回路データ
１５，１６，１７ パターン
１５ａ スリット
１６ａ，１７ａ 配線
１８ 訓練データ

Claims (6)

1. 第１の回路データに含まれる第１の層を示す第１のパターンを特定し、
   前記第１の層に隣接する第２の層を示す第２のパターンに含まれる第１の配線と、前記第１のパターンに含まれるスリットとに基づいて、前記第１のパターンが、前記第１の配線に応じた第２の配線を含む第３のパターンに変更された第２の回路データを生成し、
   前記第２の回路データに基づいて、機械学習用の訓練データを生成する、
   処理をコンピュータに実行させることを特徴とする訓練データ生成プログラム。
2. 前記第２の回路データを生成する処理は、前記第１の配線に電流が流れた場合に前記第１の層に流れるリターン電流の経路を判定し、前記リターン電流の経路を示すように前記第２の配線を決定する処理を含む、
   ことを特徴とする請求項１に記載の訓練データ生成プログラム。
3. 前記第２の回路データを生成する処理は、前記第１のパターンにおいて前記第１の配線に対応する位置の線と前記スリットとの交点を検出し、前記スリットを迂回して前記交点の両隣の点を結合する迂回経路を示すように前記第２の配線を決定する処理を含む、
   ことを特徴とする請求項１に記載の訓練データ生成プログラム。
4. 前記第１の層は、前記スリットの外の空き領域が導体で覆われたグラウンド層である、
   ことを特徴とする請求項１に記載の訓練データ生成プログラム。
5. 第１の回路データに含まれる第１の層を示す第１のパターンを特定し、
   前記第１の層に隣接する第２の層を示す第２のパターンに含まれる第１の配線と、前記第１のパターンに含まれるスリットとに基づいて、前記第１のパターンが、前記第１の配線に応じた第２の配線を含む第３のパターンに変更された第２の回路データを生成し、
   前記第２の回路データに基づいて、機械学習用の訓練データを生成する、
   処理をコンピュータが実行することを特徴とする訓練データ生成方法。
6. 第１の層を示す第１のパターンと、前記第１の層に隣接する第２の層を示す第２のパターンとを含む第１の回路データを記憶する記憶部と、
   前記第２のパターンに含まれる第１の配線と、前記第１のパターンに含まれるスリットとに基づいて、前記第１のパターンが、前記第１の配線に応じた第２の配線を含む第３のパターンに変更された第２の回路データを生成し、前記第２の回路データに基づいて、機械学習用の訓練データを生成する制御部と、
   を有することを特徴とする情報処理装置。

Images