JP2024052589A - プリント回路基板のレイアウト設計のための機械学習ツール - Google Patents

Abstract

【課題】プリント回路基板（ＰＣＢ）の寄生効果を機械学習で判定し、出力するシステムを提供する。【解決手段】機械学習システムにおいて、寄生インピーダンスの推定値を生成するために機械学習モデルによって実装されるプロセスは、メモリに結合された処理回路が、複数のＰＣＢレイアウトで動作する機械学習モデルを、取得したＰＣＢレイアウトに適用して、ＰＣＢレイアウト内の要素の寄生値の推定値を判定し、ディスプレイにその推定値を出力する。機械学習モデルは、規制値の推定値を判定するために、複数のＰＣＢレイアウトを用いて訓練される。【選択図】図６

Description

（関連出願）
本出願は、２０２２年９月３０日に出願されたインド特許仮出願第２０２２／１１０５６３０１号の利益を主張するものであり、その全容が参照により本明細書に組み込まれる。

（発明の分野）
本開示は、プリント回路基板レイアウトツールに関する。

回路基板シミュレーションツールは、基板設計性能の精度を向上させながら、基板製造に必要なコスト及び時間を削減するのに役立つ。

本開示の技法に従って、プリント回路基板（printed circuit board、ＰＣＢ）の寄生効果をシミュレートする機械学習システムの出力を説明及び視覚化するＰＣＢレイアウトツールが本明細書に記載される。本開示は、ＰＣＢを製造する前にＰＣＢ設計の性能を予測するためのＰＣＢレイアウトツールを設計するための技法を対象とする。ＰＣＢの製造は、多くのリソース、時間、機器、及び金銭を必要とし得るので、製造改訂の数を制限するために、ＰＣＢレイアウトツールを用いて反復設計をシミュレートすることができる。

現在の回路基板レイアウトツールは、場合によっては、回路基板の性能を有意な精度で予測しないことがある。予測される性能の不正確さは、現在の回路基板レイアウトツールを使用して正確に推定されない寄生インピーダンスに起因し得る。機械学習及びニューラルネットワークを使用することによって、本開示の回路基板レイアウトツールは、回路基板の性能をより正確に予測することができる。シミュレーションと測定との間の差から生じる誤差は、設計技術者によって実行される直観ベースの予測と比較して、グラフィカルニューラルネットワーク（graphical neural network、ＧＮＮ）予測を使用して減少され得る。寄生インピーダンスの影響は、回路基板レイアウトツールにおける機械学習を使用してより正確に予測され得る。このようにして、訓練されたニューラルネットワークは、ＰＣＢレイアウトを分析し、新しいＰＣＢ設計の寄生インピーダンスをより正確に予測するために使用され得る。寄生インピーダンスのより正確な予測は、ユーザが、ＰＣＢ設計の性能を、それを製造する前に、より正確に予測することを可能にする。

一例では、本開示は、ＰＣＢレイアウトを取得することを含む方法を説明する。この方法はまた、ＰＣＢレイアウトに機械学習モデルを適用して、ＰＣＢレイアウト内の要素の寄生値の推定値を判定することを含む。機械学習モデルは、複数のＰＣＢレイアウト上で動作するように構成された訓練された機械学習モデルである。本方法はまた、ＰＣＢレイアウト内の要素の寄生値の推定値を出力することを含む。

別の例では、システムは、メモリと、メモリに結合された処理回路とを含む。処理回路は、ＰＣＢレイアウトを取得し、かつＰＣＢレイアウトに機械学習モデルを適用して、ＰＣＢレイアウト内の要素の寄生値の推定値を判定するように構成されている。機械学習モデルは、複数のＰＣＢレイアウト上で動作するように構成された訓練された機械学習モデルである。システムはまた、ＰＣＢレイアウト内の要素の寄生値の推定値を出力するように構成されたディスプレイを含む。

１つ以上の例の詳細を添付図面及び以下の明細書に記載する。他の特徴、目的、及び利点は、説明、図面、及び特許請求の範囲から明らかとなるであろう。

プリント回路基板（ＰＣＢ）レイアウトの寄生効果を判定するために使用されるコンピューティングシステムのネットワークを示す概念ブロック図である。 本開示の１つ以上の技法による、ＰＣＢレイアウトを分析するための機械学習モデルを起動するように構成されたコンピューティングシステムを示す概念ブロック図である。 本開示の１つ以上の技法による、ＰＣＢレイアウト内の寄生インピーダンスを推定するためのシステムの一例を示す概念ブロック図である。 本開示の１つ以上の技法による、寄生効果の推定値を生成する機械学習モデルによって実装されるプロセスの一例を示すフロー図である。 本開示の１つ以上の技法による、寄生インピーダンスの推定値を生成する機械学習モデルによって実装されるプロセスの一例を示すフロー図である。 寄生インピーダンスの推定値を生成するために機械学習モデルによって実装されるプロセスの一例を示すフロー図である。

多くのデバイスに存在する電子回路は、プリント回路基板（ＰＣＢ）上に実装されることが多い。これらの回路の設計及びレイアウトは、コンピュータシミュレーション及び設計反復の使用によって容易にされる。いくつかのＰＣＢレイアウト設計は、高周波又は高速の信号を利用し得る。しかしながら、寄生容量、抵抗、及びインダクタンスなどの高速基板寄生効果が回路性能に著しい影響を及ぼすので、ＰＣＢレイアウトを設計することは困難な作業であり得る。キャパシタンス、抵抗、及びインダクタンスなどの寄生効果は、寄生インピーダンスとして表すこともできる。寄生インピーダンスは、複素インピーダンス値として表され得る。複素インピーダンス値は、抵抗成分値及び無効成分値を含み得る。複素インピーダンスの抵抗成分値は、寄生抵抗であってもよい。複素インピーダンスの無効成分値は、寄生容量（例えば、値が０より小さい場合）及び／又は寄生インダクタンス（例えば、値が０より大きい場合）であってもよい。

高周波又は高速の信号は、様々な方法で使用されるアナログ又はデジタル電磁信号であり得る。特に、高周波電磁信号は、デジタル通信、デジタルクロッキング、無線周波数（radio frequency、ＲＦ）通信、デジタルデータ、及び電磁信号伝送に関する他の用途に使用され得る。高周波数では、電気信号は、近接して配置された電磁材料の物理的トポロジの影響をより受けやすくなる。電磁材料は、空気と著しく異なる導電率、誘電率、又は透磁率の値を有する材料であってもよい。高周波回路設計において重要な役割を果たすいくつかの用途は、ＰＣＢレイアウトを含む。ＰＣＢレイアウトは、所望の方法で電磁場を操作するために特定の構成で配置された導電性トレースを保持するために使用される誘電体材料を含む。構成の配置及びレイアウトは、高周波信号の完全性において重要な役割を果たす。いくつかの例では、電磁トレースは、寄生効果から発生する電磁損失を最小限に抑えるためにＰＣＢレイアウト上に配置される。他の例では、寄生効果の評価は、不利な設計基準（例えば、位相遅延、電圧定在波（voltage standing wave、ＶＳＷ））を最小限に抑えるようにＰＣＢレイアウトがどのように構成されるかを指示するのに役立つ。

寄生効果は、ＰＣＢ上のトレース及び構成要素サイズの変動から生成され得る。寄生効果は、ＰＣＢ伝送線の幅又はサイズが理想的な伝送線トポロジから変動するときに発生し得る。高い電磁周波数では、寄生効果が電磁反射の可能性を増大させ、それによって電磁損失を増大させる可能性がある。

ＰＣＢレイアウトの設計及びレイアウトは、寄生効果を制限し、それによってＰＣＢレイアウトの効率及び有効性を改善するステップを含むことができる。寄生効果を制限する１つのステップは、特定の回路設計又はＰＣＢレイアウトの電磁効果をシミュレートすることを含むことである。ＰＣＢレイアウトツールを使用して、数式に基づいて予測される寄生インピーダンスをシミュレートすることができる。マクスウェル方程式などの方程式を使用して、ＰＣＢレイアウトの電界及び磁界を解くことができる。回路又はレイアウトの寄生インピーダンスの正確な推定値を有することによって、寄生効果が判定され得る。その寄生効果に基づいて、設計者は、それらのインピーダンスを補償するようにＰＣＢレイアウトを調整することができる。

しかしながら、ＰＣＢレイアウトツールは、いくつかの状況において、寄生インピーダンスを不正確に予測し得る。不正確さのために、レイアウト後のシミュレーションを使用して推定された性能と比較して、レイアウト前のシミュレーションを使用して推定された性能は異なる。レイアウトと性能との関係は複雑である。伝統的に、回路設計者は、自身の経験に従って寄生インピーダンスを推定し、より長いサイクル時間をもたらす。

機械学習及びニューラルネットワークを使用することによって、回路レイアウトツールは、回路基板の性能をより正確に予測することができる。したがって、以前の設計を使用して設計ルールチェック（design rule check、ＤＲＣ）を作成するために人工知能（artificial intelligence、ＡＩ）又は機械学習（machine learning、ＭＬ）を使用することは、以前の設計から新しい設計へとベストプラクティスを伝播する。

図１は、電磁シミュレーションを起動するために使用されるコンピューティングシステムのネットワーク１００を示す概念ブロック図である。ネットワーク１００は、コンピュータ、サーバ、プロセッサ、ネットワークスイッチ、及び他のネットワークデバイスの相互接続である。ネットワーク１００は、インターネット１０２への接続を含むことができる。インターネット１０２は、コンピューティングシステムの追加のネットワークへの接続を含むことができる。ネットワーク１００は、コンピューティングシステム１２０及びシミュレーションサーバ１３０への接続を含んでもよい。

ネットワーク１００は、１つ以上の非エッジスイッチ、ルータ、ハブ、ゲートウェイ、ファイアウォール、侵入検出、及び／又は侵入防止デバイスなどのセキュリティデバイス、サーバ、コンピュータ端末、ラップトップ、プリンタ、データベース、携帯電話又は携帯情報端末などの無線モバイルデバイス、無線アクセスポイント、ブリッジ、ケーブルモデム、アプリケーションアクセラレータ、又は他のネットワークデバイスなどの１つ以上のコンピューティングデバイスを含んでもよい。ネットワーク１００は、サービスプロバイダによって管理される１つ以上のネットワークを含むことができ、したがって、大規模公衆ネットワークインフラストラクチャ、例えばインターネットの一部を形成することができる。ネットワーク１００は、コンピューティングシステム１２０などのコンピューティングデバイスにインターネット１０２へのアクセスを提供することができ、コンピューティングデバイスが互いに通信することを可能にする通信フレームワークを提供することができる。いくつかの例において、ネットワーク１００は、コンピューティングシステム１２０、外部デバイス１０４、及びシミュレーションサーバが互いに通信することを可能にする通信フレームワークを提供するプライベートネットワークであってもよい。ネットワークの部分間の相互通信は可能であるが、ネットワーク１００は、セキュリティ目的のために、コンピューティングシステム１２０、外部デバイス１０４、及びシミュレーションサーバのうちの１つ以上を、ネットワーク１００の外部のデバイスから分離することができる。

いくつかの例では、コンピューティングシステム１２０は、ハンドヘルドコンピューティングデバイス、コンピュータワークステーション、サーバ若しくは他のネットワーク化されたコンピューティングデバイス、スマートフォン、タブレット、又はユーザに情報を提示しユーザから入力を受信するためのユーザインターフェースを含む外部プログラマのうちの少なくとも１つを含む。機械学習モデルは、例えば、ニューラルネットワーク、深層学習システム、又は他のタイプの予測分析システムを含み得る。回路設計エンジニア、レイアウト技術者、レイアウト専門家、又はＰＣＢエンジニアなどのユーザは、コンピューティングシステム１２０と対話して、ＰＣＢ設計内の寄生効果の推定値に関連する電磁シミュレーションデータを取り出すことができる。ユーザはまた、コンピューティングシステム１２０と対話して、機械学習モデルを訓練及び検証することができる。コンピューティングシステム１２０は、回路基板設計を評価するために機械学習モデルを起動するように構成されたプロセッサを含み得る。コンピューティングシステム１２０は、機械学習モデルを起動して、特定のＰＣＢ設計によって生成される寄生インピーダンスを推定することができる。いくつかの例において、コンピューティングシステム１２０は、シミュレーションサーバのためのモデルを生成するために使用され得る。コンピューティングシステム１２０上のユーザは、回路又はＰＣＢのモデルを生成し、ネットワーク１００を介してモデルをシミュレーションサーバに転送することができる。

シミュレーションサーバは、ファイルサーバ、アプリケーションサーバ、ウェブサーバ、データベースサーバ、仮想サーバ、プロキシサーバ、ライセンスサーバ、又はユーザ入力デバイスから遠隔でソフトウェアを処理する際に使用される他のコンピュータプロセッサのうちの１つ以上を含んでもよい。シミュレーションサーバは、シミュレーションモデル、入力パラメータ、又は電磁ソルバシミュレーションを構成するための他のデータを受信するように構成され得る。サーバは、機械学習モデルを記憶するように更に構成され得る。サーバは、ネットワーク１００を介してシミュレーション要求を受信し、一連のシミュレーションタスクを実行するためのキューを作成することができる。シミュレーションサーバは、機械学習モデルを訓練し、検証し、評価するためのアプリケーションを記憶するための記憶デバイスを含むコンピューティングシステムとして構成され得る。

図２は、本開示の１つ以上の技法による、機械学習モデルを起動するように構成されたコンピューティングシステムの一例を示す概念ブロック図である。一例では、コンピューティングシステム１２０は、機械学習システム２４６又は本明細書で説明される任意の他のアプリケーションを含むアプリケーション２３０を実行するための処理回路２０２を含む。例示のためにスタンドアロンのコンピューティングシステム１２０として図２に示されているが、コンピューティングシステム１２０は、ソフトウェア命令を実行するための処理回路又は他の適切なコンピューティング環境を含む任意のコンポーネント又はシステムであってもよく、例えば、図２に示される１つ以上の要素を必ずしも含む必要はない（例えば、入力デバイス２０４、ネットワーク通信回路２０６、ユーザインターフェースデバイス２１０、又は出力デバイス２１２、いくつかの例では、記憶デバイス２２０などのコンポーネントは、他のコンポーネントと同じ場所に配置されていなくてもよく、又は他のコンポーネントと同じシャーシ内に配置されていなくてもよい）。いくつかの例では、コンピューティングシステム１２０は、複数のデバイスにわたって分散されたクラウドコンピューティングシステムであってもよい。

図２の例に示されるように、コンピューティングシステム１２０は、処理回路２０２、１つ以上の入力デバイス２０４、ネットワーク通信回路２０６、１つ以上の記憶デバイス２２０、ユーザインターフェース（user interface、ＵＩ）デバイス２１０、及び１つ以上の出力デバイス２１２を含む。コンピューティングシステム１２０は、一例では、コンピューティングシステム１２０によって実行可能な機械学習システム２４６及びオペレーティングシステム２３２などの１つ以上のアプリケーション２３０を更に含む。コンポーネント２０２、２０４、２０６、２０８、２１０、及び２１２の各々は、コンポーネント間通信のために（物理的に、通信可能に、及び／又は動作可能に）結合されている。いくつかの例では、通信チャネル２１６は、伝送線、ケーブル、データ線、同軸接続、光ファイバ接続、無線接続、又はコンピューティングシステム１２０のコンポーネントをデジタル的に相互接続するための任意の他の方法を含み得る。一例として、コンポーネント２０２、２０４、２０６、２０８、２１０、及び２１２は、１つ以上の通信チャネル２１６によって結合され得る。

処理回路２０２は、一例では、コンピューティングシステム１２０内で実行するための機能及び／又は処理命令を実装するように構成されている。例えば、処理回路２０２は、記憶デバイス２２０に記憶された命令を処理することが可能であってもよい。処理回路２０２の例は、マイクロプロセッサ、コントローラ、デジタル信号プロセッサ（digital signal processor、ＤＳＰ）、特定用途向け集積回路（application specific integrated circuit、ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（field-programmable gate array、ＦＰＧＡ）、又は等価の個別若しくは一体化した論理回路のうちの任意の１つ以上を含み得る。

１つ以上の記憶デバイス２２０は、動作中にコンピューティングシステム１２０内に情報を記憶するように構成されることができる。記憶デバイス２２０は、いくつかの例では、コンピュータ可読記憶媒体として説明される。いくつかの例では、記憶デバイス２２０は一時メモリであり、これは、記憶デバイス２２０の主目的が長期記憶ではないことを意味する。記憶デバイス２２０は、いくつかの例では、揮発性メモリとして説明され、これは、記憶デバイス２２０が、コンピュータがオフにされたときに記憶されたコンテンツを維持しないことを意味する。揮発性メモリの例は、ランダムアクセスメモリ（random access memory、ＲＡＭ）、ダイナミックランダムアクセスメモリ（dynamic random access memory、ＤＲＡＭ）、スタティックランダムアクセスメモリ（static random access memory、ＳＲＡＭ）、及び当技術分野で知られている他の形態の揮発性メモリを含む。いくつかの例では、記憶デバイス２２０は、処理回路２０２による実行のためのプログラム命令を記憶するために使用される。記憶デバイス２２０は、一例において、プログラム実行中に情報を一時的に記憶するために、コンピューティングシステム１２０上で起動されるソフトウェア又はアプリケーション２３０によって使用される。

記憶デバイス２２０は、いくつかの例では、１つ以上のコンピュータ可読記憶媒体も含む。記憶デバイス２２０は、揮発性メモリよりも大量の情報を記憶するように構成され得る。記憶デバイス２２０は更に、情報の長期記憶のために構成され得る。いくつかの例では、記憶デバイス２２０は、不揮発性記憶要素を含む。そのような不揮発性記憶要素の例は、磁気ハードディスク、光ディスク、フロッピー（登録商標）ディスク、フラッシュメモリ、又は電気的プログラマブルメモリ（electrically programmable memory、ＥＰＲＯＭ）若しくは電気的消去可能プログラマブル（electrically erasable and programmable、ＥＥＰＲＯＭ）メモリの形態を含む。

コンピューティングシステム１２０は、いくつかの例では、ネットワーク通信回路２０６も含む。コンピューティングシステム１２０は、一例では、ネットワーク通信回路２０６を利用して、図１の外部デバイス１０４の例などの外部デバイスと通信する。ネットワーク通信回路２０６は、イーサネット（登録商標）カードなどのネットワークインターフェースカード、光トランシーバ、無線周波数トランシーバ、又は情報を送受信することができる任意の他のタイプのデバイスを含むことができる。そのようなネットワークインターフェースの他の例は、３Ｇ、４Ｇ、５Ｇ、及びＷｉＦｉ無線を含み得る。

コンピューティングシステム１２０は、一例では、１つ以上のユーザインターフェースデバイス２１０も含む。ユーザインターフェースデバイス２１０は、いくつかの例では、触覚、音声、又は映像のフィードバックを通して、ユーザから入力を受信するように構成される。ユーザインターフェースデバイス２１０の例は、存在感知ディスプレイ、マウス、キーボード、音声応答システム、ビデオカメラ、マイクロフォン、又はユーザからのコマンドを検出するための任意の他のタイプのデバイスを含む。いくつかの例では、存在感知ディスプレイは、タッチ感知スクリーンを含む。存在感知ディスプレイは、入力デバイス２０４及びグラフィカルユーザインターフェース（graphical user interface、ＧＵＩ）２１４の両方に見出される機能性を有し得る。

１つ以上の出力デバイス２１２は、ＧＵＩ２１４を含んでもよい。出力デバイス２１２は、いくつかの例では、触覚刺激、音声刺激、又は映像刺激を使用してユーザに出力を提供するように構成される。出力デバイス２１２は、一例では、ＧＵＩ２１４を含む。ＧＵＩ２１４は、存在感知ディスプレイ、サウンドカード、ビデオグラフィックスアダプタカード、又は信号を人間又は機械に理解可能な適切な形式に変換するための任意の他のタイプのデバイスを含むモニタ上に表示され得る。出力デバイス２１２の更なる例は、スピーカ、陰極線管（cathode ray tube、ＣＲＴ）モニタ、液晶ディスプレイ（liquid crystal display、ＬＣＤ）、又はユーザに対して理解可能な出力を生成することができる任意の他のタイプのデバイスを含む。

コンピューティングシステム１２０は、オペレーティングシステム２３２を含んでもよい。オペレーティングシステム２３２は、いくつかの例では、コンピューティングシステム１２０のコンポーネントの動作を制御する。例えば、オペレーティングシステム２３２は、一例では、１つ以上のアプリケーション２３０及び機械学習システム２４６と、処理回路２０２、ネットワーク通信回路２０６、記憶デバイス２２０、入力デバイス２０４、ユーザインターフェースデバイス２１０、及び出力デバイス２１２との通信を容易にする。

アプリケーション２３０はまた、コンピューティングシステム１２０によって実行可能なプログラム命令及び／又はデータを含んでもよい。コンピューティングシステム１２０によって実行可能な例示的なアプリケーション２３０は、機械学習システム２４６を含んでもよい。図示されていない他の追加のアプリケーションが、本明細書で説明される他の機能を提供するために代替的に又は追加的に含まれてもよく、簡略化のために図示されていない。

本開示の技法によれば、コンピューティングシステム１２０は、機械学習システム２４６を使用して、機械学習モデルを新しいＰＣＢレイアウトに適用する。機械学習モデルは、様々な機械学習アーキテクチャを使用して構成され得る。一例では、機械学習モデルは、グラフィカルニューラルネットワーク（ＧＮＮ）として構成され得る。

いくつかの例では、機械学習システム２４６によって実装される機械学習モデルは、訓練データセットを用いて訓練される。訓練データセットは、様々な学習データＰＣＢレイアウトを含み得る。機械学習モデルを訓練することは、学習データセットに対して機械学習モデルを動作させることを含み得る。訓練はまた、出力に対して承認された範囲のセットを評価することを含み得る。最後に、訓練はまた、機械学習モデル内でコスト関数を調整することを含み得る。

例えば、訓練段階中に、機械学習システム２４６は、複数のＰＣＢレイアウトを処理する。典型的には、複数のＰＣＢレイアウトは、複数の異なる回路基板設計からのものである。各ＰＣＢは、固有の伝送線及び構成要素構成を有し得る。例えば、訓練ＰＣＢは、複数のマイクロストリップ伝送線を含んでもよく、各マイクロストリップは、異なる配向及びルーティング経路を有する。マイクロストリップは、複数の個別構成要素及び接続パッドとともにＰＣＢ上に配置されてもよい。構成要素及び接続パッドに対する伝送線の配向は、パトリスティックインピーダンスをもたらし得る。いくつかの例では、ＰＣＢ設計者は、どのＰＣＢが所望の寄生インピーダンス値に沿った特性を有するかを判定することができる。いくつかの例では、機械学習システム２４６の機械学習モデルを訓練するために、望ましくないが測定された又は既知の寄生値を有するＰＣＢレイアウトが使用され得る。図２の機械学習システム２４６内の機械学習モデルは、訓練データを入力パラメータ及び重み（例えば、多変数ベクトル及びテンソル）に変換するように動作し得る。入力パラメータ及び重みを作成すると、機械学習システム２４６は、線形代数演算、非線形演算、又は代替計算演算などの数学的演算を適用することができる。いくつかの数学的演算が、バックプロパゲーションの目的のために使用され得る。バックプロパゲーションは、推定された寄生インピーダンスと既知の又は測定された寄生インピーダンスとの間の差に基づいて重みを調整することを含む。訓練されると、機械学習モデルは、新しいＰＣＢ設計における寄生インピーダンスを推定するために使用され得る。

いくつかの例では、機械学習システム２４６は、まず機械学習モデルを訓練する。機械学習システム２４６は、ＰＣＢレイアウト又は回路基板を訓練データとして使用して、基板寄生の予測推定値と測定データとの間の差に応答して重みを調整することによって機械学習モデルを教示する。いくつかの例では、ＰＣＢの異なる特徴は、異なる入力パラメータによって表され得る。大きな寄生インピーダンスを有する基板特徴に関連付けられた重みは、訓練中に増加し得る。いくつかの基板特徴は、アンチパッドクリアランス、コンデンサ間のピッチ、分割平面ルーティング識別子、トレース間の間隔、アナログ及びデジタル接地平面の分離、アナログ及びデジタル接地間の仮想分割、バイア位置、差動対識別子、及びＰＣＢレイアウトの他のデジタル化入力記述子を含み得る。

いくつかの例では、複数の回路レイアウトを使用して機械モデルを訓練することは、学習データセットを用いて機械学習モデルを訓練することと、承認された範囲のセットを使用して機械学習モデル内のコスト関数を更新することとを更に含む。コスト関数は、重みの調整を判定するために使用される関数であり得る。いくつかの例では、機械学習システム２４６は、ＰＣＢレイアウト領域の１つ以上のサブ領域に対応する重みを適用するために、機械学習モデルのための訓練データとしてＰＣＢレイアウトを使用し得る。各重みは、ＰＣＢの全体的な寄生推定値に対する様々なサブ領域の影響を強調又は非強調する数であり得る。多数のプリント回路カードレイアウトを処理することによって、機械学習システム２４６は、機械学習システム２４６が以前に分析していないＰＣＢレイアウトを受信するために機械学習モデルを構築及び訓練することができる。新しいＰＣＢレイアウトを処理する際に、訓練された機械学習モデルは、ＰＣＢレイアウト上の異なる構成要素及びトレースの寄生インピーダンスを正確に推定することができる。典型的には、機械学習システム２４６が訓練されるＰＣＢレイアウトなどの訓練データの量が多いほど、寄生インピーダンス値を推定する際の機械学習モデルの精度が高くなる。

いくつかの例では、承認された範囲は、様々な方法で判定され得る。承認された範囲は、設計限界又は製造公差を含んでもよい。いくつかの例では、複素インピーダンス分布は、以前のＰＣＢレイアウトを製造することから得られ得る。複素インピーダンス分布は、コスト関数を更新するために使用される承認された範囲を判定するために使用され得る。いくつかの例では、訓練は、コスト関数の更新を伴う。コスト関数によって調整された重みが、承認された値の範囲内の出力を生成すると、機械学習モデルを訓練することができる。

機械学習システム２４６が機械学習モデルを訓練した後、機械学習システム２４６は、新しいユーザＰＣＢ設計を受け取ることができる。訓練データと同様に、ＰＣＢ設計は、デジタルデータの形態で機械学習モデルによって受信され得る。デジタルデータのいくつかの例は、定義された電磁材料特性を有する様々な２Ｄ又は３Ｄ基板モデルを含んでもよい。各ＰＣＢ設計は、高速無線周波数（ＲＦ）通信ボードなどの特定の回路設計に対応する。機械学習システム２４６は、訓練された機械学習モデルを新しい回路設計のための新しいＰＣＢレイアウトに適用する。更に、機械学習システム２４６は、訓練された機械学習モデルを適用して、再設計のために選択されたＰＣＢレイアウトの一部を識別する。いくつかの例では、識別は、基板の最悪性能領域であってもよく、最悪性能サブ領域を除去するように基板レイアウトを再構成してもよい。いくつかの例では、機械学習システム２４６は、サブ領域の構成要素上の高レベルの寄生インピーダンスが大量の電磁損失を生成すると予想されるという判定を高レベルの信頼度で出力することができる。構成要素又はサブ領域上の寄生インピーダンスの推定値が高いと判定することに応答して、機械学習システムは、寄生インピーダンス値の推定値を出力し得る。一例では、推定値を出力することは、ＧＵＩ２１４上に複素インピーダンス値を表示することを含み得る。

いくつかの例では、推定値を出力するステップは、変更されたレイアウト領域を作成するステップと、変更されたレイアウト領域を使用して評価データセットを生成するステップと、変更されたレイアウト領域をグラフィカルユーザインターフェースに出力するステップとを含んでもよい。いくつかの例では、変更されたレイアウト領域は、最初に入力されたＰＣＢレイアウトから変更されたＰＣＢレイアウトであり得る。いくつかの例では、評価データセットを生成することは、変更されたレイアウト領域の特性に基づいて、ＰＣＢレイアウトのデータベースから類似のＰＣＢレイアウトを選択することを含み得る。変更されたレイアウト領域をグラフィカルユーザインターフェースに出力することは、トレース及び構成要素の向きのＰＣＢ図を表示することを含み得る。

いくつかの例では、機械学習システム２４６は、１つ以上のＰＣＢレイアウトを処理して、１つ以上の推定寄生インピーダンス値にすることができる。１つ以上の推定された寄生インピーダンス値は、ＰＣＢレイアウトのサブ領域を強調する画像として視覚表示を介して出力されてもよい。画像はまた、数字又はグラフとして表示される、種々の推定寄生インピーダンス値を含んでもよい。推定寄生インピーダンス値は、ＰＣＢレイアウトの強調表示されたサブ領域に対応してもよい。推定された寄生インピーダンス値はまた、離散インピーダンス値として表され得る。要素についてのいくつかの寄生インピーダンス値は、要素についての寄生抵抗、要素についての寄生インダクタンス、及び／又は要素についての寄生キャパシタンスを含み得る。そのような例では、機械学習システムは、既知の又は測定された寄生インピーダンス値を有する複数のＰＣＢレイアウトを介して機械学習モデルを訓練し得る。計算された推定値を既知の値又は測定値と比較することにより、機械学習モデルが差に基づいて重みを調整することが可能になる。計算された推定値と測定値との間の差に基づく重みの調整は、バックプロパゲーションと呼ばれる。

いくつかの例では、機械学習システム２４６は、学習データで訓練されると、新しいＰＣＢレイアウトを処理し、新しいＰＣＢレイアウトのサブ領域の寄生インピーダンス値を推定することができる。追加の例では、機械学習システム２４６は、ＰＣＢレイアウト内のサブ領域の各々について、どのサブ領域がＰＣＢレイアウト性能に最も大きな影響を与えるかを判定することができる。影響は、サブ領域推定寄生インピーダンスに比例し得る。様々なサブ領域は、対応する推定寄生インピーダンス値を有し、各寄生インピーダンス値は、ＰＣＢ領域全体のインピーダンス値に寄与し得る。サブ領域の寄生インピーダンス値は、累積寄生インピーダンスに異なる影響を与える可能性がある。いくつかの例では、いくつかのサブ領域を形成する寄生インピーダンス値は、基板の特定の部分に沿った電磁界強度のために、基板全体により著しく影響を及ぼし得る。

機械学習システム２４６は、累積寄生インピーダンス効果を推定するために、様々なサブ領域の推定された寄生値の重み調整を使用し得る。いくつかの例では、大きい推定寄生インピーダンス値を有するサブ領域（例えば、最悪性能のサブ領域）は、削除され、ＰＣＢ内の異なるサブ領域のクローン化されたコピーで置換され得る。サブ領域を削除及び置換した後、機械学習システム２４６は、修正されたＰＣＢの第２の分析を実行するために機械学習モデルを開始することができる。いくつかの例では、寄生インピーダンスの推定値が所定の承認された値の範囲内に入るまで、反復分析を実行することができる。

いくつかの例では、機械学習システム２４６は、機械学習モデルを他のタイプのデータに適用して、寄生インピーダンスの推定値を判定することができる。例えば、機械学習システム２４６は、機械学習モデルを回路図、２Ｄ図面、又は材料特性のデータベースに適用することができる。データセットのいずれかを使用して、機械学習システム２４６は、寄生インピーダンスの推定値を計算し、それを既知の又は測定された寄生インピーダンス値と比較することができる。

更なる例では、処理回路２０２は、寄生インピーダンスの推定値から、許容可能な値の範囲内の寄生インピーダンスの推定値を有する修正されたＰＣＢの２Ｄレンダリングを生成してもよい。例えば、処理回路２０２は、機械学習システム２４６を反復的に適用して、寄生インピーダンス値の多数の推定値を得ることができる。機械学習モデルを使用する機械学習システム２４６の反復毎に、ＰＣＢレイアウトが修正され得る。ＰＣＢレイアウトは、領域全体をいくつかのサブ領域に細分し、大きな推定寄生インピーダンス値を有するサブ領域を削除することによって修正することができる。次いで、除去されたサブ領域は、ＰＣＢ領域の別の部分からのサブ領域のコピーで置換される。いくつかの例では、この推定プロセスの各反復は、処理回路２０２によって指示され得る。処理回路２０２は、全処理時間を高速化するために、各反復を直列又は並列に指示してもよい。複数の機械学習モデルは、機械学習システムの複数の反復を通して利用され得る。反復推定値を並列に処理するとき、複数の反復中に起動される複数の機械学習モデルが使用され得る。

追加の例は、訓練及び検証システム２４２及び評価システム２４４を含むことができる。訓練及び検証システム２４２及び評価システム２４４は、アプリケーション２３０に含まれてもよく、記憶デバイス２２０に記憶されてもよい。訓練及び検証システムは、処理回路２０２を動作させるために使用されるコンピュータ命令を用いて実装されてもよい。訓練及び検証システム２４２は、機械学習モデルを訓練するために機械学習システム２４６によって使用される訓練データセットを生成するために使用され得る。評価システム２４４はまた、処理回路２０２によって動作させられ、評価データを機械学習システム２４６に転送するように構成されている、コンピュータ命令を用いて実装されてもよい。

いくつかの例では、訓練及び検証システム２４２並びに評価システム２４４は、処理回路２０２によって動作される単一のプログラムに組み合わせられてもよい。訓練及び検証システム２４２は、機械学習システム２４６を用いて機械学習モデルを訓練するように構成され得る。訓練及び検証システム２４２は、評価されるＰＣＢレイアウトのタイプに適用可能な訓練データセット及び検証データセットに対応するＰＣＢレイアウトデータを生成、フィルタリング、検索、又はグループ化することができる。機械学習システム２４６に関連して、訓練及び検証システム２４２は、訓練データとして選択されたＰＣＢレイアウトデータを機械学習モデルに入力することができる。生成された結果を使用して、機械学習システム２４６は、コスト関数に基づいて機械学習モデルの重みを調整し得る。各モデルの後に重みを調整することは、バックプロパゲーションを通して行われ得る。訓練及び検証システム２４２はまた、訓練データセットからの全てのデータが機械学習モデルに入力された後に、訓練された機械学習モデルを検証するために使用され得る。

評価システム２４４は、評価されるように選択されたＰＣＢレイアウトを、機械学習システム２４６を介して訓練された機械学習モデルに転送するように構成され得る。検証データは、学習データセットに含まれるＰＣＢレイアウトの量と比較して、より少ないＰＣＢレイアウトを含み得る。検証データは、より多様な構成要素又はトレースの配向を有することができる。機械学習モデルの重みは、検証データセットを入力し、結果を期待される結果と比較した後に生成された出力応答に基づいて調整され得る。

図３は、本開示の１つ以上の技法による、ＰＣＢレイアウト３１０内の寄生インピーダンス３２０を推定するための方法の一例を示す概念ブロック図である。図３の例では、機械学習モデル３００に出入りするデータの流れが示されている。機械学習モデルは、まずＰＣＢレイアウト３１０を表すデータを取得する。このデータは、機械学習モデル内の入力パラメータにインポートされ得る。機械学習モデル３００は、記憶デバイス上に記憶され得る。図２の記憶デバイス２２０の例は、機械学習モデル３００を記憶するための記憶デバイスとして使用され得る。いくつかの例では、機械学習モデルは、図２の機械学習システム２４６などの機械学習システムを用いて実装され得る。機械学習モデル３００は、ＰＣＢレイアウトを処理するために、様々な機械学習アーキテクチャを実装することができる。図３の例では、ニューラルネットワーク３０４が実装される。ニューラルネットワーク３０４は、重み３０２を利用して、様々な入力パラメータが機械学習モデル３００のアウトカムに与える影響を強調又は非強調し得る。機械学習モデル３００は、ＰＣＢレイアウト３１０を正確に分析し、寄生インピーダンス３２０の信頼できる正確な推定値を出力するように訓練され得る。機械学習モデル３００を訓練することは、様々なＰＣＢレイアウト３１０を帰属させることから生成された結果を使用して重み３０２を調整することを含み得る。重み３０２を調整するプロセスは、寄生インピーダンス３２０の推定値を処理することと、その結果を、入力として使用されるＰＣＢレイアウト３１０に対応する既知の値又は測定値と比較することとを含み得る。重み３０２の比較及び調整は、バックプロパゲーションと呼ばれることがある。

図３の例では、ＰＣＢレイアウト３１０は、デジタルデータとして機械学習モデル３００に入力されてもよい。ＰＣＢレイアウト３１０は、様々な形態のデータとして表すことができる。いくつかの例では、データは、三次元（three-dimensional、３Ｄ）コンピュータ支援設計（computer aided design、ＣＡＤ）ファイルを表すデータであってもよい。そのようなファイルは、ＰＣＢレイアウト３１０を、割り当てられた寸法及び材料特性を有する３Ｄ形状として表すことができる。いくつかの例では、ＰＣＢレイアウト３１０は、電磁特性値のメッシュに対応するデータとして表されてもよい。いくつかの例では、デジタルデータは、ＰＣＢレイアウト３１０上の特徴に関する入力パラメータを表すことができる。入力パラメータのいくつかの例は、アンチパッドクリアランス、コンデンサ間のピッチ、分割平面ルーティング識別子、トレース間の間隔、アナログ及びデジタル接地平面の分離、アナログ及びデジタル接地間の仮想分割、バイア位置、差動対識別子、及びＰＣＢレイアウトの他のデジタル化入力記述子を含み得る。いくつかの例では、ＰＣＢレイアウト３１０は、集中要素値（例えば、抵抗、インダクタンス、及びキャパシタンス）のウェブを指定するデータとして表されてもよい。各集中定数は、他の集中定数と空間的に関連付けられ、各集中定数は、特性インピーダンスを表す。

図３の例において、ＰＣＢレイアウト３１０は、能動構成要素及び受動構成要素を備える集積チップを含み得る。いくつかの例では、ＰＣＢレイアウトは、複数の集積チップと、複数の集中要素と、複数の伝送線とを含み得る。集中要素はまた、能動構成要素及び受動構成要素を含んでもよい。集中要素、集積チップ、及びトレースは、ＰＣＢレイアウト３１０の物理的特徴並びに電磁特性を表すデジタルデータとして表され得る。

図３の例では、ＰＣＢレイアウトを表すデータは、記憶デバイスに記憶され得る。記憶デバイスの一例は、図２の記憶デバイス２２０を含み得る。次いで、データは、機械学習システムを使用して機械学習モデル３００によって処理され得る。機械学習システムの一例は、図２の機械学習システム２４６を含み得る。いくつかの例では、ＰＣＢレイアウトをデータに変換し、シミュレーションサーバに送信することができる。シミュレーションサーバの一例は、図１のシミュレーションサーバ１３０であってよい。シミュレーションサーバは、データを機械学習モデル３００にインポートし、それによって寄生インピーダンス３２０の推定値を生成することができる。

ＰＣＢレイアウト３１０を表すデータは、機械学習モデル３００内で様々な目的のために使用することができる。いくつかの例では、データは、訓練データ、検証データ、又は評価データ（例えば、アプリケーションデータ）として使用され得る。訓練データは、既知の結果又は測定された結果が存在するデータに対して機械学習モデル３００を訓練するために使用される。訓練データは、既知の寄生インピーダンス値又は測定された寄生インピーダンス値を有するＰＣＢレイアウトの大きなサンプルを表すデータを含むことができる。訓練データについての既知の寄生インピーダンス値又は測定された寄生インピーダンス値は、値の正規分布を有し得る。訓練データは、既知の寄生インピーダンス値又は測定された寄生インピーダンス値を有するＰＣＢレイアウト３１０の小さいサンプリングを表すデータを含むことができる。検証データについての既知の寄生インピーダンス値又は測定された寄生インピーダンス値は、訓練データよりも大きな分布を有し得る。評価データ（例えば、アプリケーションデータ）は、既知の寄生インピーダンス値又は測定されたインピーダンス値を有さない単一のＰＣＢレイアウトを表すデータを含み得る。

いくつかの例では、ＰＣＢレイアウト３１０を表すデータ（例えば、訓練データ、検証データ、及びアプリケーションデータ）は、機械学習モデル３００によって寄生インピーダンス３２０の推定値に処理され得る。図３の例では、機械学習モデル３００は、データを処理するためにニューラルネットワーク３０４を使用する。データを処理する間、機械学習モデル３００内のニューラルネットワーク３０４は、重み３０２を使用して、寄生インピーダンス３２０の推定値に対して特定のサブ領域が有する影響を強調又は非強調し得る。

図３の例では、ニューラルネットワーク３０４は、モデル内の重みを調整するために機械学習モデル３００によって使用される。ニューラルネットワーク３０４は、重みを使用して、ＰＣＢレイアウトの特定のサブ領域が寄生インピーダンス３２０の推定値に及ぼす影響を非強調又は減衰させてもよい。第１の訓練データがモデルにインポートされる前に、重み３０２の値はランダムに割り当てられ得る。いくつかの例では、重み３０２の値は、初期入力データ値に比例して割り当てられ得る。第１の訓練データが寄生インピーダンス３２０の推定値に処理された後、バックプロパゲーションを使用して重みが調整され得る。

いくつかの例では、バックプロパゲーションは、寄生インピーダンス３２０の結果として生じる推定値と、対応する既知の寄生インピーダンス値又は測定された寄生インピーダンス値との間の差に基づく数学的演算を含み得る。推定値と既知の値又は測定値との間のより大きい差は、重み３０２に対するより大きい変化をもたらし得る。ニューラルネットワーク３０４によって訓練データが寄生インピーダンス３２０の推定値に処理された後、バックプロパゲーションが実行される。いくつかの例では、検証データは、学習データの後に処理され得る。

検証データは、重み３０２が十分に大きい学習データセットで特性訓練されたことを検証するために使用され得る。いくつかの例では、検証データは、以前の学習データよりも大きな統計的分布（例えば、分散）を有する既知の値又は測定値を有するＰＣＢレイアウト３１０を表し得る。より大きな統計的分布は、機械学習システムが、アプリケーションデータとして観察される可能性がより低いデータに対して訓練されたニューラルネットワーク３０４をテストすることを可能にする。機械学習モデルが非常に変化しやすい検証データを処理することができる場合、機械学習モデルは、アプリケーションデータの寄生インピーダンス値を推定することにより成功する可能性が高い。

図３の例では、機械学習モデル３００は、入力パラメータ、関係接続（例えば、ベクトル又はテンソル）、及び重み３０２（例えば、大きさ）のアーキテクチャを含む。図３の例では、ニューラルネットワーク３０４は入力パラメータを含み得る。入力パラメータデータ入力値は、他の入力パラメータに関係接続される。関係接続は、入力パラメータ間のデータ転送を示す入力パラメータ（例えば、ノード）のマッピングである。いくつかの例では、各ノードは、１つ以上のノードとの関係接続を有する。いくつかの例では、関係接続は、数学的演算を実行する前又は後に、関連するノードからの入力値の増幅又は減衰を含み得る。ＧＮＮなどのいくつかの例では、入力パラメータは、後に入力される値を修正するために、様々な関係接続及びノードを介して操作され得る。初期入力パラメータ値は、ＰＣＢレイアウト３１０を表すために使用されるデータから導出される。ＰＣＢレイアウト３１０から入力値を導出することは、入力パラメータへの入力値として使用され得る個々の値に行列を分割することを含み得る。

図３の例では、ニューラルネットワーク３０４は、様々なアーキテクチャを含み得る。ニューラルネットワーク３０４のために使用される異なるアーキテクチャのいくつかの例は、畳み込みニューラルネットワーク、人工ニューラルネットワーク、深層学習ニューラルネットワーク、及びサブサンプリングニューラルネットワークを含む。図３の例では、ニューラルネットワーク３０４は、本開示において明示的に言及されていない様々なニューラルネットワークとともに、異なるニューラルネットワークアーキテクチャの組み合わせを含み得る。図３の例では、ＧＮＮが使用され得る。ＧＮＮは、関係をモデル化するためのよく知られたアーキテクチャである。ＧＮＮは、グラフのノード間を通過するメッセージを介してグラフの依存関係を捕捉するニューラルモデルである。推定（例えば、予測モデル）は、デジタル回路、デジタルＰＣＢ、又は回路モデルを表す他のデータの大きなデータセット上で評価され得る。

いくつかの例では、ＧＮＮは、複数のグラフノード間の相互接続関係（例えば、ベクトル）のウェブから形成される。各ノードは、追加的に、データ入力のための入力パラメータを表す。ＧＮＮの例では、時間要素が、ニューラルネットワークの層を表すために導入され得る。各レイヤは、ある瞬間におけるニューラルネットワーク内の全てのノードの状態として定義され得る。ある層から次の層への移動は、相互接続されたノードからの入力に基づいて、ニューラルネットワーク内の各ノードを１回更新することを含む。複数の層が実行された後、ノードの状態が累積され、寄生インピーダンス３０６の推定値に処理され得る。

図３の例では、重み３０２は、様々な方法で実装され得る。図３の例では、重み３０２は、特定のノードが別のノードの値に対して有する影響に対応する１と０との間の数値を含む。一例では、第１のノードと第２のノードとの間の第１の関係接続は、重み３０２からの第１の重みで増幅又は減衰され得る。第３のノードは、重み３０２からの第２の重みを使用して、第２のノードとの第２の関係接続を有することができる。第１及び第２の関係接続のうち最大の重みを有する関係接続は、第３のノードに最も大きく影響する。しかしながら、学習プロセス中に、ニューラルネットワークの重みは、バックプロパゲーションに基づいて調整され得る。バックプロパゲーションは、寄生インピーダンスの計算された推定値と、訓練データとして使用される複数のＰＣＢレイアウトにおけるＰＣＢレイアウトのための測定された寄生インピーダンス又は既知の寄生インピーダンスとの間の差に基づいて重みを調整するために使用され得る。寄生インピーダンスの推定値を既知の寄生インピーダンス値又は測定された寄生インピーダンス値と比較した場合の差が大きいとき、重み３０２は、より大きい調整で調整され得る。

図４は、寄生インピーダンスの推定値を生成する機械学習モデルによって実装されるプロセスの一例を示すフロー図である。図４の例では、訓練データセット４０２が訓練モジュール４０４に送信される。訓練モジュール４０４は、ネットワークを保持しながら、モデルモジュール４０６を使用して機械学習モデルを訓練し得る。一例では、モジュール４０４は、図２の訓練及び検証システム２４２に統合されてもよい。モデルモジュール４０６は、訓練モデル使用モジュールに基づいて訓練モジュール４０４にフィードバックを提供することができる。一例では、モデルモジュール４０６は、図２の機械学習システム２４６に統合され得る。いくつかの例では、モデルモジュール４０６は、モジュール４０６を介して機械学習モデルを訓練するために、訓練データセット４０２の特定のサブセットを訓練モジュール４０４が使用することを要求するフィードバックを提供し得る。訓練モジュール４０４及びモデルモジュール４０６を使用して訓練された機械学習モデルは、モデル評価４０８を使用して評価される。一例では、モデル評価４０８は、図２の訓練及び検証システム２４２に統合されてもよい。モデル評価が、モデルが十分に訓練又は検証されていないと判定した場合、訓練モジュール４０４は、モデルモジュール４０６によって動作されるモデルを訓練し続ける。モデル評価４０８が、モデルが訓練され検証されたと判定した場合、モデルは、モデルモジュール４０６を介して予測モジュール４１０に送られる。予測モジュールは、寄生モデルを予測するためにモデルモジュール内のデータ又は評価データを使用する。寄生モデルは、寄生インピーダンスの値が予測モジュール４１０によって予測される検出モジュール４１２に送信されてもよい。比較により、最も高い予測寄生インピーダンス値を有するＰＣＢレイアウトのサブ領域を判定することができる。どのサブ領域が最も高い寄生インピーダンス値を有するかの判定に基づいて、ターゲット検出結果４１４が生成され得る。ターゲット検出結果４１４は、ＰＣＢレイアウト、寄生インピーダンス値、又は寄生効果の予測を示す他のデータソースを表すデジタルデータであってもよい。ターゲット検出結果４１４から得られる追加の情報は、最も高い寄生インピーダンスを有する基板の部分の識別、又は寄生インピーダンス要件を満たすために提案される変更を含むことができる。

いくつかの例では、モデルモジュール内のモデルは、モデルモジュール４０６によって作成されるＧＮＮである。機械学習モデルは、訓練データセット４０２を使用して、訓練モジュール４０４を介して訓練され得る。機械学習モデルは、訓練された機械学習モデルが検証されたかどうかを判定するために、モデル評価４０８を使用して評価され得る。いくつかの例では、訓練された機械学習モデルが検証されていない場合、異なる訓練データセット４０２が要求され得る。追加的に、検証されていない機械学習モデルは、機械学習モデルが変更されることをもたらし得る。いくつかの例では、モデルモジュール４０６は、新しいＧＮＮ又は変更されたＧＮＮを作成し、訓練データセット４０２を用いて新しいＧＮＮ又は変更されたＧＮＮを訓練する。新しいＧＮＮ又は変更されたＧＮＮは、モデル評価４０８を使用して再評価され得る。モデルがモデル評価４０８によって検証されると判定された場合、モデルは予測モジュール４１０に送信されてもよく、結果は更に検出モジュール４１２に送信される。検出モジュール４１２から来る検出結果は、ターゲット検出結果４１４に送信されてもよい。

図５は、寄生インピーダンス３０６の推定値をもたらす機械学習モデル３００によって実装されるプロセスの一例を示すフロー図である。図５の例では、寄生インピーダンスの推定値を生成するプロセスは、機械学習システム２４６によって実装され得る。このプロセスは、現在の結果を初期化及び評価すること（５０２）と、現在の結果を使用して領域についての学習サンプル及び検証サンプルを生成すること（５０４）とを含み得る。図５の例では、プロセスは、中間ニューラルモデルを作成すること（５０６）を含む。いくつかの例では、機械学習モデルは、図２の機械学習システム２４６によって作成され得る。中間ニューラルモデルを作成（５０６）した後、プロセスは、学習サンプルを用いて中間ニューラルモデルを訓練すること（５０８）と、検証サンプルを使用して現在の結果を評価すること（５１０）とを含む。検証サンプルを使用して現在の結果を評価すること（５１０）が完了すると、現在の結果を所望の範囲と比較すること（５１２）が実行され得る。結果が所望の範囲内にある場合、モデルは検証されており、プロセスは結果を出力すること（５２０）ができる。

しかしながら、結果が所望の範囲内にない場合、プロセスは、領域を等しいサブ領域に分割すること（５１４）によって継続することができる。領域を等しいサブ領域に分割すること（５１４）は、ＰＣＢレイアウト面積をより小さいＰＣＢレイアウト面積に分割することを含み得、全てのより小さいＰＣＢレイアウト面積は、より大きい領域をテッセレーションする。領域を等しいサブ領域に分割することは、再設計のために選択されたＰＣＢレイアウトの一部を識別することを含み得る。一例は、最悪性能のサブ領域を識別して除去し（５１６）、最悪性能のサブ領域を異なるサブ領域で置換すること（５１８）を含む。

領域を等しいサブ領域に分割（５１４）した後、最悪性能のサブ領域を識別して除去すること（５１６）は、様々な方法で実行され得る。より小さいＰＣＢレイアウト面積又はサブ領域は、そのそれぞれの寄生効果の推定値のために評価され得る。比較により、対応するサブ領域から生じる最悪の推定寄生効果を判定することができる。一例では、推定された寄生効果を所望の許容範囲と比較することができる。許容範囲外の推定寄生効果を有するサブ領域は、最悪性能のサブ領域であると判定されてもよい。

いくつかの例では、置換されたサブ領域を含む新しい領域は、現在の結果について再び評価され得、学習サンプル及び検証サンプルを再生成し、中間ニューラルモデルを再作成し、学習サンプルを用いて中間ニューラルモデルを再訓練し、現在の結果を再評価し、現在の結果を所望の範囲と再び比較する。プロセスは、新しい領域を評価データ（例えば、アプリケーションデータ）として使用して現在の結果を評価することによって再び開始する。プロセスは、現在の結果を所望の範囲と比較すること（５１２）が所望の範囲内の現在の結果をもたらすまで継続することができる。現在の結果が所望の範囲内となると、出力結果５２０が生じ得る。

図６は、寄生インピーダンスの推定値を生成するために機械学習モデルによって実装されるプロセスの一例を示すフロー図である。図６のプロセスは、図１のネットワーク１００を使用して実装することができる。プロセスは、ユーザインターフェース又はデジタルインターフェースからＰＣＢレイアウトを取得するステップ（６０２）を含んでもよい。いくつかの例では、ユーザは、デジタルカメラのスキャナを介してレイアウトのコピーをスキャンすることができる。場合によっては、レイアウトは、デジタルソフトウェアから作成されてもよく、レイアウトが記憶されているデジタル記憶媒体から取得されてもよい。

いくつかの例では、図１のコンピューティングシステム１２０又はシミュレーションサーバ１３０は、機械学習モデルをＰＣＢレイアウトに適用すること（６０４）ができる。機械学習モデルは、図４又は図５の機械学習プロセスを介して作成され、訓練され、検証された学習モデルであり得る。この機械学習プロセスは、ＧＮＮ又は他のニューラルネットワークを介して行われる機械学習プロセスを使用することができる。

いくつかの例では、図１のコンピューティングシステム１２０又はシミュレーションサーバ１３０は、ＰＣＢレイアウトの要素についての寄生インピーダンスの推定値を判定すること（６０６）ができる。推定値を判定することは、機械学習モデルを評価データに適用することと、出力を生成することとを含み得る。いくつかの例では、推定値を判定するステップは、訓練データ及び評価データに基づいて調整された重みを有するニューラルネットワークに評価データを入力することを含み得る。ＰＣＢの要素は、トレース、バイアホール、ランディングパッド、基板パラメータ、又は他の基板特性であってもよい。

追加の例では、図１のコンピューティングシステム１２０は、ＰＣＢレイアウトの要素の寄生インピーダンスの推定値を出力すること（６０８）ができる。いくつかの例では、推定値は、評価されたＰＣＢのグラフィカル表示であってもよい。いくつかの例では、グラフィカル表示は、寄生インピーダンスの位置及び等価の個別構成要素表現を示し得る。いくつかの例では、寄生インピーダンスの推定値は、等価の個別回路の例示であり得る。いくつかの例では、推定値を出力することは、変更されたレイアウト領域を作成することと、変更されたレイアウト領域を使用して評価データセットを再生成することと、変更されたレイアウト領域をＧＵＩに出力することとを含む。

以下の実施例は、本開示の１つ以上の態様を示し得る。

条項１：プリント回路基板（ＰＣＢ）レイアウトを取得することと、複数のＰＣＢレイアウト上で動作するように構成された訓練された機械学習モデルである機械学習モデルをＰＣＢレイアウトに適用して、ＰＣＢレイアウト内の要素の寄生値の推定値を判定することと、ＰＣＢレイアウト内の要素の寄生値の推定値を出力することと、を含む、方法。
条項２：要素の寄生値が、要素の寄生抵抗、要素の寄生インダクタンス、又は要素の寄生キャパシタンスのうちの１つを含む、条項１に記載の方法。
条項３：機械学習モデルが、グラフィカルニューラルネットワークを含む、条項１又は２に記載の方法。
条項４：推定値を出力することが、評価データセットを生成することと、評価データセットに基づいて、変更されたレイアウト領域を作成することと、変更されたレイアウト領域をグラフィカルユーザインターフェースに出力することと、を含む、条項１～３に記載の方法。
条項５：推定値を出力することが、グラフィカルユーザインターフェース上に複素インピーダンス値を表示することを含む、条項１～４に記載の方法。
条項６：訓練された機械学習モデルが、複数のＰＣＢレイアウトを使用して訓練され、訓練することが、学習データセットに対して機械学習モデルを動作させることと、出力に対して承認された範囲のセットを評価することと、機械学習モデル内のコスト関数を調整することと、を更に含む、条項１～５に記載の方法。
条項７：承認された範囲のセットにおいて、以前のＰＣＢレイアウトの製造から得られた複素インピーダンス分布を含む、条項６に記載の方法。
条項８：動作するように構成されることが、再設計のために選択されたＰＣＢレイアウトの一部分を識別することを更に含む、条項１～７に記載の方法。
条項９：ＰＣＢレイアウトが、複数の集積チップと、複数の集中要素と、複数の伝送線とを備える、条項１～８に記載の方法。
条項１０：集積チップが能動構成要素及び受動構成要素を備え、集中要素が能動構成要素及び受動構成要素を備える、条項１～９に記載の方法。
第１１項：メモリと、処理回路であって、処理回路は、メモリに結合されており、かつＰＣＢレイアウトを取得し、複数のＰＣＢレイアウト上で動作するように構成された訓練された機械学習モデルである機械学習モデルをＰＣＢレイアウトに適用して、ＰＣＢレイアウト内の要素の寄生値の推定値を判定するように構成されている、処理回路と、ＰＣＢレイアウト内の要素の寄生値の推定値を出力するように構成されたディスプレイと、を備える、システム。
条項１２：要素の寄生値が、要素の寄生抵抗、要素の寄生インダクタンス、又は要素の寄生キャパシタンスのうちの１つを含む、条項１１に記載の方法。
条項１３：機械学習モデルが、グラフィカルニューラルネットワークを含む、条項１１又は１２に記載の方法。
条項１４：推定値を出力することが、評価データセットを生成することと、評価データセットに基づいて、変更されたレイアウト領域を作成することと、変更されたレイアウト領域をグラフィカルユーザインターフェースに出力することと、を含む、条項１１～１３に記載の方法。
条項１５：承認された範囲のセットにおいて、以前のＰＣＢレイアウトの製造から得られた複素インピーダンス分布を含む、条項１１～１４に記載の方法。
条項１６：複数の回路レイアウトを使用して機械モデルを訓練することが、学習データセットを用いて機械学習モデルを訓練することと、承認された範囲のセットを使用して機械学習モデル内のコスト関数を更新することと、を更に含む、条項１１～１５に記載の方法。
条項１７：動作するように構成されることが、再設計のために選択されたＰＣＢレイアウトの一部分を識別することを更に含む、条項１１～１６に記載の方法。
条項１８：ＰＣＢレイアウトが、複数の集積チップと、複数の集中要素と、複数の伝送線とを備える、条項１１～１７に記載の方法。
条項１９：集積チップが能動構成要素及び受動構成要素を備え、集中要素が能動構成要素及び受動構成要素を備える、条項１６～１８に記載の方法。
条項２０：ＰＣＢレイアウトが、複数の集積チップと、複数の集中要素と、複数の伝送線とを備える、条項１１～１９に記載の方法。

本開示は、プロセッサに、本明細書に記載される機能及び技法のいずれかを実行させる命令を含むコンピュータ可読記憶媒体を企図する。コンピュータ可読記憶媒体は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、不揮発性ランダムアクセスメモリ、電気的消去可能プログラマブル読み出し専用メモリ（ＥＥＰＲＯＭ）、又はフラッシュメモリなど、任意の揮発性、不揮発性、磁気、光、又は電気媒体の例示的な形態をとることができる。コンピュータ可読記憶媒体は、非一時的信号を記憶するように構成され得る。

本開示に記載される技法は、少なくとも部分的に、ハードウェア、ソフトウェア、ファームウェア、又はこれらの任意の組み合わせで実装され得る。例えば、技法の様々な態様は、１つ以上のマイクロプロセッサ、デジタル信号プロセッサ、特定用途向け集積回路、フィールドプログラマブルゲートアレイ、又は任意の他の等価な集積若しくは個別の論理回路、並びにこのような構成要素の任意の組み合わせを含む、１つ以上のプロセッサ内で実行され得る。「プロセッサ」又は「処理回路」という用語は、一般に、前述の論理回路のうちのいずれかを単独で、又は他の論理回路と組み合わせて、又は任意の他の等価回路を指すことができる。

本明細書で使用するとき、「回路」という用語は、特定用途向け集積回路、電子回路、（共有、専用、又はグループ）プロセッサ、及び１つ以上のソフトウェア若しくはファームウェアプログラムを実行するメモリ、組み合わせ論理回路、又は記載された機能を提供する他の好適な構成要素を指す。「処理回路」という用語は、１つ以上のデバイスにわたって分散された１つ以上のプロセッサを指す。例えば、「処理回路」は、デバイス上の単一のプロセッサ又は複数のプロセッサを含んでもよい。「処理回路」はまた、複数のデバイス上のプロセッサを含むことができ、本明細書に記載される操作は、プロセッサ及びデバイスにわたって分散されてもよい。

そのようなハードウェア、ソフトウェア、ファームウェアは、本開示に記載される様々な操作及び機能をサポートするために、同じデバイス内又は別個のデバイス内に実装されてもよい。加えて、記載されたユニット、モジュール、又は構成要素のいずれも、個別であるが相互運用可能な論理デバイスとして、一緒に又は別個に実装されてもよい。モジュール又はユニットとしての異なる特徴の描写は、異なる機能的態様を強調することを意図しており、そのようなモジュール又はユニットが別個のハードウェア又はソフトウェア構成要素によって実現されなければならないことを必ずしも意味するものではない。むしろ、１つ以上のモジュール又はユニットと関連付けられた機能は、別個のハードウェア若しくはソフトウェア構成要素によって実行されてもよく、又は共通の若しくは別個のハードウェア若しくはソフトウェア構成要素内に統合されてもよい。

Claims (3)

1. メモリと、
   処理回路であって、前記処理回路は、前記メモリに結合されており、かつ
   ＰＣＢレイアウトを取得し、
   複数のＰＣＢレイアウト上で動作するように構成された訓練された機械学習モデルである機械学習モデルを前記ＰＣＢレイアウトに適用して、前記ＰＣＢレイアウト内の要素の寄生値の推定値を判定するように構成されている、処理回路と、
   前記ＰＣＢレイアウト内の前記要素の前記寄生値の前記推定値を出力するように構成されたディスプレイと、を備える、システム。
2. 前記要素の前記寄生値が、前記要素の寄生抵抗、前記要素の寄生インダクタンス、又は前記要素の寄生キャパシタンスのうちの１つを含み、
   前記推定値を出力することが、
   評価データセットを生成することと、
   前記評価データセットに基づいて、変更されたレイアウト領域を作成することと、
   前記変更されたレイアウト領域をグラフィカルユーザインターフェースに出力することと、を含む、請求項１に記載のシステム。
3. 前記訓練された機械学習モデルが、複数のＰＣＢレイアウトを使用して訓練され、前記訓練することが、
   学習データセットを用いて前記機械学習モデルを訓練することと、
   出力に対して承認された範囲のセットを評価することと、
   前記承認された範囲のセットを使用して、前記機械学習モデル内のコスト関数を調整することと、を更に含み、前記承認された範囲のセットにおいて、以前のＰＣＢレイアウトを製造することから得られた複素インピーダンス分布を含む、請求項１に記載のシステム。