JP7416279B2 - 訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置 - Google Patents

訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置 Download PDF

Info

Publication number
JP7416279B2
JP7416279B2 JP2022555016A JP2022555016A JP7416279B2 JP 7416279 B2 JP7416279 B2 JP 7416279B2 JP 2022555016 A JP2022555016 A JP 2022555016A JP 2022555016 A JP2022555016 A JP 2022555016A JP 7416279 B2 JP7416279 B2 JP 7416279B2
Authority
JP
Japan
Prior art keywords
circuit
training data
lines
current distribution
distribution information
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.)
Active
Application number
JP2022555016A
Other languages
English (en)
Other versions
JPWO2022074750A1 (ja
JPWO2022074750A5 (ja
Inventor
広明 山田
崇史 山▲崎▼
昇平 山根
隆 小林
陽一 巨智部
敏靖 大原
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
Publication of JPWO2022074750A1 publication Critical patent/JPWO2022074750A1/ja
Publication of JPWO2022074750A5 publication Critical patent/JPWO2022074750A5/ja
Application granted granted Critical
Publication of JP7416279B2 publication Critical patent/JP7416279B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06F30/36—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Description

本発明は、訓練データ生成技術に関する。
電子回路におけるＥＭＩ（Electromagnetic Interference）予測に機械学習技術が用いられる。ここでＥＭＩとは、電子回路から放射される電磁波放射状況を指す。また、ＥＭＩは、電磁波放射状況のうち遠方の電磁界の状況を指す側面から遠方界とも呼ばれる。
例えば、回路情報と、当該回路情報に対する電磁波解析のシミュレーション結果とが対応付けられた訓練データから生成される訓練済みの機械学習モデルを用いて、予測対象とする回路におけるＥＭＩ強度が予測される。
特開平９－１１５１０１号公報 特開２０２０－３２１９０号公報 国際公開第２０２０／１２９６１７号
しかしながら、上記の機械学習モデルによりＥＭＩ強度を予測する場合、回路の線路数が増加するのに伴って予測対象とする回路のバリエーションが増大するので、訓練データ生成時の計算量も膨大となる。
１つの側面では、本発明は、訓練データ生成時の計算量の削減を実現できる訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置を提供することを目的とする。
１つの案では、訓練データ生成プログラムは、回路情報を取得し、回路情報に含まれる２つの線路間の距離と、前記２つの線路とＧＮＤ層との距離との関係が条件を満たすか否かを判定し、前記関係が前記条件を満たす場合、シミュレーションにより前記２つの線路に対応する第１の電流分布情報を生成し、前記第１の電流分布情報に基づいて機械学習用の訓練データを生成し、前記関係が前記条件を満たさない場合、前記２つの線路のそれぞれに対応する電流分布情報を合成して前記２つの線路に対応する第２の電流分布情報を生成し、前記第２の電流分布情報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。
訓練データ生成時の計算量の削減を実現できる。
図１は、実施例１に係るサーバ装置の機能的構成の一例を示すブロック図である。 図２は、単純回路および複雑回路の一例を示す図である。 図３は、ＥＭＩ予測モデルの機械学習方法の一例を示す図である。 図４は、複雑回路のＥＭＩ予測の一例を示す図である。 図５は、素子あり回路のＥＭＩ予測の一例を示す図である。 図６は、基板特性のバリエーションの一例を示す図である。 図７は、回路の幾何形状を模式的に示す図である。 図８は、シミュレーション及びデータ拡張の適用例を示す図である。 図９は、データ拡張の一例を示す図である。 図１０は、クロストーク判定の一例を示す図である。 図１１は、部分線路への分割方法の一例を示す図である。 図１２は、実施例１に係る訓練データ生成処理の手順を示すフローチャート（１）である。 図１３は、実施例１に係る訓練データ生成処理の手順を示すフローチャート（２）である。 図１４は、コンピュータのハードウェア構成例を示す図である。
以下に添付図面を参照して本願に係る訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置について説明する。なお、この実施例は開示の技術を限定するものではない。そして、各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
図１は、実施例１に係るサーバ装置１０の機能的構成の一例を示すブロック図である。図１に示すサーバ装置１０は、電子回路におけるＥＭＩ強度を予測する機械学習モデルの訓練に用いる訓練データを生成する訓練データ生成機能を提供するコンピュータの一例である。以下、電子回路におけるＥＭＩ強度を予測する機械学習モデルのことを「ＥＭＩ予測モデル」と記載する場合がある。
このような訓練データ生成機能は、上記の訓練データを用いてＥＭＩ予測モデルの機械学習を実行する機械学習サービスの一機能としてパッケージ化され得る。この他、上記の訓練データ生成機能、或いは上記の機械学習サービスは、訓練済みのＥＭＩ予測モデルを提供するモデル提供サービス、或いは訓練済みのＥＭＩ予測モデルを用いて回路のＥＭＩ強度を予測するＥＭＩ予測サービスの一機能としてパッケージ化され得る。さらに、上記のモデル提供サービス、あるいは上記のＥＭＩ予測サービスは、電磁波解析のシミュレーションを実行するシミュレーションサービスの一機能としてパッケージ化され得る。
例えば、サーバ装置１０は、上記の訓練データ生成機能を実現する訓練データ生成プログラムを任意のコンピュータにインストールさせることにより実装できる。一例として、サーバ装置１０は、上記の訓練データ生成機能をオンプレミスに提供するサーバとして実装することができる。他の一例として、サーバ装置１０は、ＳａａＳ（Software as a Service）型のアプリケーションとして実装することで、上記の訓練データ生成機能をクラウドサービスとして提供することもできる。
また、サーバ装置１０は、図１に示すように、ネットワークＮＷを介して、クライアント端末３０と通信可能に接続され得る。例えば、ネットワークＮＷは、有線または無線を問わず、インターネットやＬＡＮ（Local Area Network）などの任意の種類の通信網であってよい。
クライアント端末３０は、上記の訓練データ生成機能の提供を受けるコンピュータの一例である。例えば、クライアント端末３０には、パーソナルコンピュータなどのデスクトップ型のコンピュータなどが対応し得る。これはあくまで一例に過ぎず、クライアント端末３０は、ラップトップ型のコンピュータや携帯端末装置、ウェアラブル端末などの任意のコンピュータであってよい。
なお、図１には、上記の訓練データ生成機能がクライアントサーバシステムで提供される例を挙げるが、この例に限定されず、スタンドアロンで上記の訓練データ生成機能が提供されることとしてもよい。
上記のＥＭＩ予測は、１つの側面として、電子回路基板の設計、いわゆる回路設計に有用な一面がある。すなわち、回路設計では、規格や法規制の面から、回路で観測される放射電磁波が周波数ごとに定められた規定値以内に収めることの関心が高い。このことから、回路設計では、電磁波解析のシミュレーションによりＥＭＩ予測が行われる。ところが、シミュレーションの実施には、回路のモデリングコストやシミュレータの計算コストなどの要因がハードルとなる。
このような背景から、ニューラルネットワーク、例えばＣＮＮ（Convolutional Neural Network）等の機械学習技術が用いられる。例えば、上記の背景技術の欄で説明した通り、回路情報と、当該回路情報に対する電磁波解析のシミュレーション結果とが対応付けられた訓練データから生成される訓練済みのＥＭＩ予測モデルを用いて、解析対象の回路におけるＥＭＩ強度が予測される。
このようにＥＭＩ予測モデルを用いて回路のＥＭＩ強度を予測する場合、ＥＭＩ予測の精度が一定の水準に達するためには、ＥＭＩに影響を与える回路の特徴が抽出された訓練データがＥＭＩ予測モデルの訓練に用いられることが条件となる。
しかしながら、ＥＭＩに影響を与える回路の特徴には、様々なものがある。例えば、回路上に配置される線路の形状、あるいは回路の線路上の素子、例えば抵抗やコイル、コンデンサなどの配置が挙げられる。したがって、上記のＥＭＩ予測の訓練には、膨大な量の訓練データが必要となる。
このことから、訓練データ数の削減を実現する技術として、先進技術１および先進技術２がある。ここで挙げる先進技術１および先進技術２は、公知である特許文献や非特許文献等に記載がある従来技術とは区別される。
先進技術１では、回路に配線された線路の分岐の有無に応じて回路が「単純回路」と「複雑回路」が分類される。例えば、回路のうち分岐がない回路が「単純回路」に分類される一方で、分岐がある回路が「複雑回路」に分類される。このような分類の下、先進技術１では、複雑回路は単純回路の組合せで表現できるという着眼点が訓練データ数の削減という課題の解決に活用される。
図２は、単純回路および複雑回路の一例を示す図である。図２には、一例として、複雑回路Ｃ１が示されると共に、当該複雑回路Ｃ１に対応する単純回路の組合せの一例として、単純回路ｃ１および単純回路ｃ２が示されている。図２に示すように、複雑回路Ｃ１は、分岐点ｂ１を境界にして単純回路ｃ１１および単純回路ｃ１２へ分割できる。この場合、分岐点ｂ１から分岐する３つの部分線路のうち、励振源ＥＳ１を含む部分線路と、励振源ＥＳ１を含まない部分線路の各々との組合せを単純回路ｃ１１および単純回路ｃ１２の線路として複雑回路Ｃ１が分割される。これら単純回路ｃ１１および単純回路ｃ１２が合成されることにより複雑回路Ｃ１が得られるのは勿論のこと、単純回路ｃ１１のＥＭＩ強度２００Ａおよび単純回路ｃ１２のＥＭＩ強度２００Ｂが合成されることにより複雑回路Ｃ１のＥＭＩ強度２０が得られる。
図３は、ＥＭＩ予測モデルの機械学習方法の一例を示す図である。図３に示すように、ＥＭＩ予測モデルＭ１の機械学習には、訓練データセットＤＳ１が用いられる。例えば、訓練データセットＤＳ１は、単純回路ｃ１１～ｃＮの回路情報と、単純回路ｃ１１～ｃＮの各々で観測されるＥＭＩ強度４００Ａ～４００Ｎとが対応付けられた訓練データの集合である。ここで言う「回路情報」には、電子回路に含まれる素子の回路網の情報、例えばネットリストなどが含まれ得る。また、ここで言う「ＥＭＩ強度」は、あくまで一例として、特定の周波数ドメインにおけるＥＭＩ強度の分布、いわゆるＥＭＩスペクトルであってよい。
例えば、単純回路ｃ１１の回路情報がＥＭＩ予測モデルｍ１へ入力された場合、ＥＭＩ予測モデルｍ１からＥＭＩ強度３００Ａが出力される。同様に、単純回路ｃ１２～ｃＮの回路情報がＥＭＩ予測モデルｍ１へ入力されることにより、ＥＭＩ予測モデルｍ１からＥＭＩ強度３００Ｂ～３００Ｎの出力が得られる。その上で、ＥＭＩ予測モデルｍ１の出力であるＥＭＩ強度３００Ｂ～３００Ｎと、正解ラベルのＥＭＩ強度４００Ａ～４００Ｎとの損失に基づいてＥＭＩ予測モデルｍ１のパラメータが更新される。このように、単純回路ｃ１１～ｃＮの回路情報を特徴量、いわゆる説明変数とし、ＥＭＩ強度を目的変数として、ＥＭＩ予測モデルｍ１の機械学習が実行される。これにより、単純回路のＥＭＩ予測を実現する訓練済みのＥＭＩ予測モデルＭ１が得られる。
図４は、複雑回路のＥＭＩ予測の一例を示す図である。図４には、一例として、図３に示された訓練済みのＥＭＩ予測モデルＭ１を用いて複雑回路Ｃ１のＥＭＩ強度を予測する事例が示されている。図４に示すように、複雑回路Ｃ１が予測対象とされる場合、複雑回路Ｃ１は、分岐点ｂ１を境界にして単純回路ｃ１１および単純回路ｃ１２へ分割される。その後、単純回路ｃ１１のＥＭＩ予測および単純回路ｃ１２のＥＭＩ予測が並行して実施される。すなわち、単純回路ｃ１１の回路情報をＥＭＩ予測モデルＭ１へ入力することによりＥＭＩ予測モデルＭ１の出力としてＥＭＩ強度の推定値２００Ａが得られる。また、単純回路ｃ１２の回路情報をＥＭＩ予測モデルＭ１へ入力することによりＥＭＩ予測モデルＭ１の出力としてＥＭＩ強度の推定値２００Ｂが得られる。これらＥＭＩ強度の推定値２００ＡおよびＥＭＩ強度の推定値２００Ｂが合成されることにより、複雑回路Ｃ１のＥＭＩ強度の推定値２０が得られる。
このように、先進技術１では、単純回路用のＥＭＩ予測モデルＭ１による単純回路のＥＭＩ予測の結果を合成することにより複雑回路のＥＭＩ予測を実現できる。このため、先進技術１によれば、複雑回路の訓練データを削減できる。さらに、先進技術１では、回路の線路の分岐パターンが多いＥＭＩ予測モデルのドメインほど訓練データ数の削減効果が高まる。
次に、先進技術２では、インダクタ（Ｌ）、キャパシタ（Ｃ）、抵抗器（Ｒ）などのＬＣＲ素子を有する素子あり回路は電流が素子で反射されるパターンと電流が素子で反射されないパターンとの２つの組合せで表現できる点が着眼点の１つとされる。以下、素子あり回路で流れる電流成分のうち素子で反射される電流成分のことを「反射成分」と記載すると共に、素子で反射されない電流成分のことを「非反射成分」と記載する場合がある。
例えば、先進技術２では、素子あり回路が反射相当の回路と非反射相当の回路とに分割される。ここで言う「反射相当の回路」とは、反射成分および非反射成分の比が１対０である条件、言い換えれば非反射成分が観測されず、反射成分のみが観測される条件下で素子あり回路の配線のうち電流が観測される部分の線路を配線とする回路のことを指す。一方、「非反射相当の回路」とは、反射成分および非反射成分の比が０対１である条件、言い換えれば反射成分が観測されず、かつ非反射成分のみが観測される条件下で素子あり回路の配線のうち電流が観測される部分の線路を配線とする回路のことを指す。
その上で、先進技術２では、１つの素子あり回路につき反射相当の回路および非反射相当の回路の２つに絞り込んで、ＥＭＩ予測モデルｍ２の機械学習が実行される。この際、ＥＭＩ予測モデルｍ２の説明変数を反射相当の回路の回路情報または非反射相当の回路の回路情報から計算される電流分布とすることができる。ここで言う「回路情報」には、電子回路に含まれる素子の回路網の情報、例えばネットリストの他、各素子の物性値、例えば抵抗値やインダクタンス、静電容量などが含まれ得る。例えば、周波数ドメインに含まれる周波数成分ごとに計算された電流分布の全てをＥＭＩ予測モデルｍ２の機械学習に用いることもできるが、詳細は後述するが、周波数ドメインを代表する電流分布として共振周波数の電流分布を用いることができる。このようにして得られた反射相当の回路または非反射相当の回路の電流分布がＥＭＩ予測モデルｍ２へ入力されることにより得られたＥＭＩ予測モデルｍ１の出力と、正解ラベルのＥＭＩ強度との損失に基づいてＥＭＩ予測モデルｍ２のパラメータが更新される。これにより、反射相当の回路および非反射相当の回路のみが訓練済みであるＥＭＩ予測モデルＭ２が得られる。
ここで、反射相当の回路および非反射相当の合成で素子あり回路のＥＭＩ予測を実現する側面から、先進技術２では、素子あり回路のＥＭＩ予測時に参照される参照データとして、次のような参照データが生成される。
例えば、参照データには、素子あり回路に配置される素子の物性値と、反射成分および非反射成分の比との対応関係が定義されたルックアップテーブルや関数などを用いることができる。あくまで一例として、インダクタ（Ｌ）の値が極度に大きい領域、キャパシタ（Ｃ）の値が極度に小さい領域、さらには、抵抗器（Ｒ）の値が極度に大きい領域では反射が起こる。一方、これら以外の領域では反射は十分に小さくなる。
あくまで一例として、キャパシタ（Ｃ）が配置された回路から参照データが生成される例を説明する。この場合、反射成分および非反射成分の比が１対０となる素子の物性値および反射成分および非反射成分の比が０対１となる素子の物性値が探索される。例えば、キャパシタ（Ｃ）の静電容量が１ｎＦである条件下では反射成分は観測されず、非反射成分のみが観測される。この場合、キャパシタ（Ｃ）の静電容量「１ｎＦ」と、反射成分「０」および非反射成分「１」とが対応付けられる。また、キャパシタ（Ｃ）の静電容量が１ｐＦである条件下では反射成分と非反射成分が同等の割合で観測される。この場合、キャパシタ（Ｃ）の静電容量「１ｐＦ」と、反射成分「０．５」および非反射成分「０．５」とが対応付けられる。さらに、キャパシタ（Ｃ）の静電容量が１００ｆＦである条件下では、非反射成分は観測されず、反射成分のみが観測される。この場合、キャパシタ（Ｃ）の静電容量「１ｆＦ」と、反射成分「１」および非反射成分「０」とが対応付けられる。これらの対応関係が参照データとして生成される。なお、ここでは、１００ｆＦから１ｎＦまでのキャパシタ（Ｃ）の静電容量の範囲のうち１ｐＦに対応する反射成分および非反射成分の比を１つ例に挙げたが、任意の個数の対応関係が定義されてもよい。
これら訓練済みのＥＭＩ予測モデルＭ２および参照データが得られた状況の下、先進技術２では、素子あり回路のＥＭＩ予測を実現できる。図５は、素子あり回路のＥＭＩ予測の一例を示す図である。図５には、一例として、訓練済みのＥＭＩ予測モデルＭ２を用いて素子あり回路Ｃ２のＥＭＩ強度を予測する事例が示されている。図５に示すように、素子あり回路Ｃ２が予測対象とされる場合、素子あり回路Ｃ２の回路情報に含まれるキャパシタ（Ｃ）の静電容量「１．０ｐＦ」に対応する反射成分および非反射成分の比「０．５：０．５」が参照データから参照される。そして、素子あり回路Ｃ２は、反射相当の回路ｃ２１と非反射相当の回路ｃ２２とに分割される。
その後、反射相当の回路ｃ２１のＥＭＩ予測および非反射相当の回路ｃ２２のＥＭＩ予測が並行して実施される。すなわち、反射相当の回路ｃ２１の回路情報を回路シミュレータへ入力することにより反射相当の回路ｃ２１の電流分布Ｉ１が計算される。このように計算された反射相当の回路ｃ２１の電流分布Ｉ１をＥＭＩ予測モデルＭ２へ入力することによりＥＭＩ予測モデルＭ２の出力としてＥＭＩ強度の推定値２１０Ａが得られる。また、非反射相当の回路ｃ２２の回路情報を回路シミュレータへ入力することにより非反射相当の回路ｃ２２の電流分布Ｉ２が計算される。このように計算された非反射相当の回路ｃ２２の電流分布Ｉ２をＥＭＩ予測モデルＭ２へ入力することによりＥＭＩ予測モデルＭ２の出力としてＥＭＩ強度の推定値２１０Ｂが得られる。これらＥＭＩ強度の推定値２１０ＡおよびＥＭＩ強度の推定値２１０Ｂが参照データから参照された反射成分および非反射成分の比「０．５：０．５」にしたがって合成されることにより、素子あり回路Ｃ２のＥＭＩ強度の推定値２１が得られる。
このように、先進技術２では、反射相当の回路および非反射相当の回路のＥＭＩ予測の結果を合成することにより素子あり回路のＥＭＩ予測を実現できる。このため、先進技術２によれば、１つの素子あり回路につき反射相当の回路および非反射相当の回路の２つ以外の回路の訓練データを削減できる。さらに、先進技術２は、回路に配置される素子およびその物性値のパターンが多いＥＭＩ予測モデルのドメインほど訓練データ数の削減効果が高まる。
しかしながら、先進技術１や先進技術２で例示された分割および合成は、単一線路の分岐回路や素子あり回路をサポートするものに過ぎないので、複数線路の回路に適用することが困難である。
すなわち、基板上で複数線路が隣接する回路では、クロストークと呼ばれる現象が起こり得る。ここで言う「クロストーク」とは、容量性結合および誘導性結合の２つのうちいずれかが原因となって起こる電磁結合を指す。
図６は、クロストークの発生事例を示す図である。図６には、基板ＢＰ１０の上面図が示されている。図６に示すように、基板ＢＰ１０には、２本の線路Ｌ１１および線路Ｌ１２が含まれる。これら線路Ｌ１１および線路Ｌ１２は、回路の配線として接続されていない。例えば、容量性結合が起こると、相互キャパシタンスＣｍと呼ばれる仮想のコンデンサが形成される。また、誘導性結合が起こると、相互インダクタンスＬｍと呼ばれる仮想のコイルが形成される。このようにクロストークが発生すると、これら相互キャパシタンスＣｍおよび相互インダクタンスＬｍは電磁気的に結合する。この場合、線路Ｌ１１および線路Ｌ１２の特性インピーダンスが変化する。さらに、特性インピーダンスの変化に伴って、線路Ｌ１１および線路Ｌ１２の電流も変わる結果、ＥＭＩも変化する。このため、クロストークが起こる線路Ｌ１１および線路Ｌ１２は、単一線路の合成と等価ではないので、先進技術１や先進技術２で例示された分割および合成を適用できない。
そうであるからと言って、上記のＥＭＩ予測モデルのタスクが適用されるドメインを単一線路の回路に絞り込むと、予測精度が低下する場合がある。例えば、複数線路の回路のうち１本の線路しかサポートされない場合、それ以外の線路で発生する電流が無視されるので、ＥＭＩ予測の精度が低下する。このことから、上記のＥＭＩ予測モデルのタスクが適用されるドメインに複数線路の回路を含めようとする場合、予測対象とする回路のバリエーションが増大する。
すなわち、教師あり学習における回帰分類タスクでは、予測対象となり得るインスタンスを幅広く含んだ訓練データセットを作成し、その訓練データセットを用いて機械学習モデルの訓練が実行されるのが原則である。
例えば、最大でｋ本の線路を持つ回路のＥＭＩ予測モデルを生成する場合、１本線の様々な形状、２本線の様々な形状、・・・、ｋ本線の様々な形状といったバリエーションがある。このように予測対象となり得る形状を幅広く含んだ訓練データセットの生成が求められる。
しかしながら、回路の線路数が増加するのに伴って予測対象とする回路のバリエーションが増大する。例えば、１本線の形状のバリエーションが１万程度である対象を予測する場合、あくまで一例として、１０００件の訓練データがサンプリングされるのが基本とする。この場合、１本線～３本線の各線の形状のバリエーションが１万程度である対象を予測する場合、各線１０００件の訓練データをサンプリングするとすれば、１本線～３本線の組合せを含めると、１０憶３００．３万件必要となる。このように訓練データ数が増大すると、回路シミュレータに入力する回路情報のモデリングコストや回路シミュレータの計算コストも増大する。
そこで、本実施例に係る訓練データ生成機能は、２つの線路間の距離と、２つの線路およびＧＮＤ層の距離との比に応じて２つの線路の電流分布をシミュレーションで生成するか、各線の電流分布を合成するかを切り替えて訓練データを生成する。
本実施例における着眼点の１つは、２つの線路間でクロストークが起こるか否かは、回路の幾何形状から判定できる点にある。図７は、回路の幾何形状を模式的に示す図である。図７には、ＧＮＤ層上に２本の線路Ｌ２１および線路Ｌ２２が平行に配置された基板ＢＰ２０の側面図が示されている。クロストークの発生時に線路Ｌ２１および線路Ｌ２２の間で形成される相互キャパシタンス（Ｃｍ）と相互インダクタンス（Ｌｍ）の値は、線路Ｌ２１および線路Ｌ２２間の距離ｓと、線路Ｌ２１および線路Ｌ２２からＧＮＤ層までの距離ｈとで決まる。
相互インダクタンス（Ｌｍ）の算出式は、下記の式（１）の通りとなる。下記の式（１）における「μ」は、磁気定数を指す。また、相互キャパシタンス（Ｃｍ）の算出式は、下記の式（２）の通りとなる。下記の式（２）における「ε」は、誘電率を指す。さらに、下記の式（２）における「Ｆ」は、下記の式（３）で表現される。さらに、下記の式（１）および下記の式（２）における「Ｆｍ」は、下記の式（４）で表現される。
Figure 0007416279000001
Figure 0007416279000002
Figure 0007416279000003
Figure 0007416279000004
上記の式（１）によれば、２本の線路Ｌ２１および線路Ｌ２２の間の距離ｓがＧＮＤ層までの距離ｈに比べて大きくなるほど、Ｌｍは０に近くなる関係を有することが明らかである。Ｌｍ＝０である場合、仮想のコイルが形成されない場合と等価になる。また、上記の式（２）によれば、２本の線路Ｌ２１および線路Ｌ２２の間の距離ｓがＧＮＤ層までの距離ｈに比べて大きくなるほど、Ｃｍは０に近くなる関係を有することが明らかである。Ｃｍ＝０である場合、仮想のコンデンサが形成されない場合と等価になる。
これらのことから、距離ｓおよび距離ｈの関係が条件を満たす場合、例えば距離ｓおよび距離ｈの比が閾値以上である場合、クロストークが起こらないと判定できる一方で、上記関係が上記条件を満たさない場合、クロストークが起こると判定できる。
さらに、本実施例における着眼点の１つとして、クロストークが起こらない線路は、各々の線路の足し合わせとしてみなすことができる点が挙げられる。このような着眼点があって始めて、クロストークで接続されない２本の線路の電流分布を計算するシミュレーションの代わりに、それ以前に各々の線路から個別に計算済みである電流分布を合成するデータ拡張を行うというモチベーションが得られる。
図８は、シミュレーション及びデータ拡張の適用例を示す図である。図８には、あくまで一例として、１本線～３本線の各線の形状のバリエーションから訓練データが生成される例が示されている。さらに、図８には、１本線の形状のバリエーションとして、回路Ｃ１１～回路Ｃ１３が抜粋して示されている。さらに、図８には、２本線の形状のバリエーションとして、回路Ｃ２１および回路Ｃ２２が抜粋して示されると共に、３本線の形状のバリエーションとして、回路Ｃ３１および回路Ｃ３２が抜粋して示されている。なお、図８には、複数線路の回路のうちクロストークを介して互いが接続されない線路の組合せがハッチングで示されている。
例えば、図８に示す例で言えば、回路Ｃ１１は、単一線路の回路であるので、データ拡張の選択肢がない。このため、回路Ｃ１１の回路情報を回路シミュレータへ入力することにより回路Ｃ１１の電流分布を計算するシミュレーションが行われる。そして、シミュレーションにより計算された回路Ｃ１１の電流分布から訓練データが生成される。また、回路Ｃ１２も、回路Ｃ１１と同様に単一線路の回路であるので、回路Ｃ１１と同様にして、シミュレーションにより計算された回路Ｃ１２の電流分布から訓練データが生成される。さらに、回路Ｃ１３も、回路Ｃ１１と同様に単一線路の回路であるので、回路Ｃ１１と同様にして、シミュレーションにより計算された回路Ｃ１３の電流分布から訓練データが生成される。
回路Ｃ２１では、２本の線路の間でクロストークが起こる。この場合、回路Ｃ２１の回路情報を回路シミュレータへ入力することにより回路Ｃ２１の電流分布を計算するシミュレーションが行われる。そして、シミュレーションにより計算された回路Ｃ２１の電流分布から訓練データが生成される。一方、回路Ｃ２２では、２本の線路Ｌ２２１および線路Ｌ２２２の間でクロストークが起こらないので、データ拡張を行う余地がある。この場合、回路Ｃ２２は、回路Ｃ１２の線路および回路Ｃ１３の線路の足し合わせとしてみなすことができる。よって、計算済みである回路Ｃ１２の電流分布および計算済みである回路Ｃ１３を足し合わせるデータ拡張により得られた回路Ｃ２２の電流分布から訓練データが生成される。
回路Ｃ３１では、クロストークを介して互いが接続されない線路Ｌ３１１および線路Ｌ３１２が存在するので、データ拡張を行う余地がある。この場合、回路Ｃ３１は、回路Ｃ２１の線路および不図示の回路Ｃ１４の線路の足し合わせとしてみなすことができる。よって、計算済みである回路Ｃ２１の電流分布および計算済みである回路Ｃ１４の電流分布を足し合わせるデータ拡張により得られた回路Ｃ３１の電流分布から訓練データが生成される。一方、回路Ｃ３２では、クロストークを介して３本の線路が互いに接続されるので、データ拡張を行う余地がない。この場合、回路Ｃ３２の回路情報を回路シミュレータへ入力することにより回路Ｃ３２の電流分布を計算するシミュレーションが行われる。そして、シミュレーションにより計算された回路Ｃ３２の電流分布から訓練データが生成される。
ここで、図８に例示されたデータ拡張の一例を図９に示す。図９は、データ拡張の一例を示す図である。図９には、あくまで一例として、図８に示された回路Ｃ２２から訓練データを生成するデータ拡張が例示されている。図９に示すように、回路Ｃ２２は、クロストークがない部分を境界にして、回路Ｃ２２１および回路Ｃ２２２へ分割される。
続いて、シミュレーションにより電流分布が計算済みである回路から、回路Ｃ２２１の幾何形状と類似する幾何形状を有する回路が検索される。このような検索で回路Ｃ１２がヒットするので、計算済みである回路Ｃ１２の電流分布Ｉ１２およびＥＭＩ強度Ｐ１２が得られる。
これと前後または並行して、シミュレーションにより電流分布が計算済みである回路から、回路Ｃ２２２の幾何形状と類似する幾何形状を持つ回路が検索される。このような検索で回路Ｃ１３がヒットするので、計算済みである回路Ｃ１３の電流分布Ｉ１３およびＥＭＩ強度Ｐ１３が得られる。
その上で、回路Ｃ１２の電流分布Ｉ１２および回路Ｃ１３の電流分布Ｉ１３を合成することにより回路Ｃ２２の電流分布Ｉ２２が生成される。さらに、回路Ｃ１２のＥＭＩ強度Ｐ１２および回路Ｃ１３のＥＭＩ強度Ｐ１３を合成することにより回路Ｃ２２のＥＭＩ強度Ｐ２２が生成される。このようなデータ拡張で得られた回路Ｃ２２の電流分布Ｉ２２およびＥＭＩ強度Ｐ２２が対応付けられることにより、回路Ｃ２２の訓練データが生成される。
以上のように、本実施例に係る訓練データ生成機能は、２つの線路間の距離と、２つの線路およびＧＮＤ層の距離との比に応じて２つの線路の電流分布をシミュレーションで生成するか、各線の電流分布を合成するかを切り替えて訓練データを生成する。例えば、図８に示す例で言えば、７つの回路のうち回路Ｃ２２および回路Ｃ３１の２つの訓練データをデータ拡張を通じて生成できる。このため、回路シミュレータに入力する回路Ｃ２２および回路Ｃ３１のモデリングコスト、ひいては回路Ｃ２２および回路Ｃ３１の電流分布およびＥＭＩ強度を回路シミュレータで計算するコストを削減できる。したがって、本実施例に係る訓練データ生成機能によれば、訓練データ生成時の計算量の削減を実現できる。例えば、複数線路の回路の訓練データ生成時のシミュレーションの実行回数を削減できる。
次に、本実施例に係るサーバ装置１０の機能的構成について説明する。図１には、サーバ装置１０が有する機能に対応するブロックが模式化されている。図１に示すように、サーバ装置１０は、通信インタフェイス部１１と、記憶部１３と、制御部１５とを有する。なお、図１には、上記のデータ生成機能に関連する機能部が抜粋して示されているに過ぎず、図示以外の機能部、例えば既存のコンピュータがデフォルトまたはオプションで装備する機能部がサーバ装置１０に備わることとしてもよい。
通信インタフェイス部１１は、他の装置、例えばクライアント端末３０との間で通信制御を行う通信制御部の一例に対応する。あくまで一例として、通信インタフェイス部１１は、ＬＡＮカードなどのネットワークインターフェイスカードにより実現され得る。例えば、通信インタフェイス部１１は、クライアント端末３０から訓練データ生成のリクエストや訓練データ生成機能に関する各種のユーザ設定を受け付ける。また、通信インタフェイス部１１は、訓練データ生成機能により生成された訓練データの集合や訓練済みのＥＭＩ予測モデルなどをクライアント端末３０へ出力したりする。
記憶部１３は、各種のデータを記憶する機能部である。あくまで一例として、記憶部１３は、ストレージ、例えば内部、外部または補助のストレージにより実現される。例えば、記憶部１３は、回路情報群１３Ａと、訓練データセット１３Ｂと、モデルデータ１３Ｍとを記憶する。これら回路情報群１３Ａ、訓練データセット１３Ｂ及びモデルデータ１３Ｍ以外にも、記憶部１３は、上記の訓練データ生成機能の提供を受けるユーザのアカウント情報などの各種のデータを記憶することができる。なお、訓練データセット１３Ｂ及びモデルデータ１３Ｍの説明は、生成部１８または訓練部１９の説明と合わせて後述する。
回路情報群１３Ａは、ｎ個の回路情報の集合である。例えば、最大でｋ本の線路を持つ回路のＥＭＩ予測モデルが生成される場合、１本線の形状のバリエーション、２本線の形状のバリエーション、・・・、ｋ本線の形状のバリエーションといった手順でｎ個の訓練データ候補の回路が列挙される。このように列挙されたｎ個の訓練データ候補の回路の各々に対応するｎ個の回路情報が記憶部１３に保存される。例えば、回路情報には、回路の幾何形状情報や回路の接続情報などが含まれ得る。このうち、幾何形状情報には、線路やＧＮＤ層などの形状や配置などの幾何形状が含まれ得る。幾何形状には、線路を形成する始点や終点、屈曲点、中継点、分岐点などの座標の他、ＧＮＤ層の面を形成する頂点や重心点、中心点などの座標が含まれてよい。このような座標は、一例として、座標は、基板表面に対応する２次元座標であってよいが、層方向、例えば上下方向の軸を含む３次元座標であってもよい。また、接続情報には、ＳＰＩＣＥ(Simulation Program with Integrated Circuit Emphasis）などの回路シミュレータで用いられるネットリスト等が挙げられる。例えば、接続情報は、ＣＡＤ（Computer-Aided Design）システム等の設計支援プログラムからインポートすることにより取得することができる。
制御部１５は、サーバ装置１０の全体制御を行う処理部である。例えば、制御部１５は、ハードウェアプロセッサにより実現される。図１に示すように、制御部１５は、取得部１６と、判定部１７と、生成部１８と、訓練部１９とを有する。
取得部１６は、回路情報を取得する処理部である。あくまで一例として、取得部１６は、クライアント端末３０から訓練データ生成のリクエストを受け付けた場合、処理を起動できる。このような処理の起動時に、取得部１６は、一例として、訓練データ生成機能に関する各種のパラメータの初期設定を行うこともできる。例えば、２つの線路間の距離ｓと、線路からＧＮＤ層までの距離ｈとの比と比較されるクロストークの判定基準、例えば閾値ｄを設定する。閾値ｄには、クライアント端末３０を介して受け付けたユーザ設定を適用することとしてもよいし、上記の訓練データ生成機能の設計者等により定められたシステム設定を適用することもできる。その後、取得部１６は、記憶部１３に記憶された回路情報群１３Ａを参照することにより、ｎ個の訓練データ候補の回路の回路情報を取得する。
判定部１７は、回路情報に含まれる２つの線路間の距離と、２つの線路とＧＮＤ層との距離との関係が条件を満たすか否かを判定する処理部である。あくまで一例として、判定部１７は、取得部１６により取得された訓練データ候補の回路ごとに、当該訓練データ候補の回路に含まれる線路のうち互いが独立する２つの線路をペアリングする。例えば、訓練データ候補の回路にｍ本の線路が含まれるとしたとき、ｍ本の線路から２つの線路を抽出して得られる組合せに対応するｎＣ２個のペアが得られる。そして、判定部１７は、ｎＣ２個のペアごとに当該ペアに対応する２つの線路の最短距離ｓを算出する。その上で、判定部１７は、２つの線路の最短距離ｓがクロストークの判定基準の一例である閾値ｄ以上であるか否かを判定する。
ここで、クロストークの判定基準の閾値ｄには、あくまで一例として、５＊ｈを設定することができる。経験則として，２つの線路間の最短距離ｓを２つの線路からＧＮＤ層までの距離ｈの５倍以上離せば、クロストーク（容量性結合および誘導性結合）の影響は無視できるほど小さくなる。そこで、クロストークの判定基準の閾値ｄを５＊ｈと決めることができる。この場合、最短距離ｓが５＊ｈ以上であれば、クロストークは起こらないと判定する一方で、５＊ｈ以上でなければクロストークは起こると判定する。なお、クロストークの判定基準の閾値ｄは、システム設定によらず、ユーザ設定により任意の値を受け付けることとしてもよい。
図１０は、クロストーク判定の一例を示す図である。図１０には、一例として、回路Ｃ３１のクロストークを判定する例が挙げられている。図１０に示すように、回路Ｃ３１には、３本の線路Ｌ３１１、線路Ｌ３１２および線路Ｌ３１３が含まれる。この場合、３本の線路Ｌ３１１、Ｌ３１２およびＬ３１３から２つの線路を抽出して得られる組合せに対応する３Ｃ２個のペアごとにクロストークの有無が判定される。ここで、図１０には、説明の便宜上、線路Ｌ３１１および線路Ｌ３１３のペアを抜粋して回路Ｃ３１１とし、線路Ｌ３１１および線路Ｌ３１２のペアを抜粋して回路Ｃ３１２とし、線路Ｌ３１２および線路Ｌ３１３のペアを抜粋して回路Ｃ３１３と示す。回路Ｃ３１１に示す通り、線路Ｌ３１１および線路Ｌ３１３のペアはクロストークありと判定される。一方、回路Ｃ３１２および回路Ｃ３１３に示す通り、線路Ｌ３１１および線路Ｌ３１２のペアはクロストークなしと判定されると共に、線路Ｌ３１２および線路Ｌ３１３のペアもクロストークなしと判定される。
その後、判定部１７は、選択中の訓練データ候補の回路にクロストークを介して互いに到達不可能な線路が存在するか否かを判定する。そして、クロストークを介して互いに到達不可能な線路が存在する場合、当該訓練データ候補の回路には、データ拡張を適用する余地があると判明する。この場合、選択中の訓練データ候補の回路は、図示しないメモリまたはストレージ等の記憶領域に保存されたデータ拡張候補のリストおよびシミュレーション候補のリストのうちデータ拡張候補のリストへ追加される。一方、クロストークを介して互いに到達不可能な線路が存在しない場合、当該訓練データ候補の回路には、データ拡張を適用する余地がないと判明する。この場合、選択中の訓練データ候補の回路は、シミュレーション候補のリストへ追加される。
例えば、図１０に示す回路Ｃ３１の例で言えば、線路Ｌ３１１および線路Ｌ３１３はクロストークを介して接続される。しかしながら、線路Ｌ３１１および線路Ｌ３１２のペアと、線路Ｌ３１２および線路Ｌ３１３のペアとにはクロストークが発生しない。このため、線路Ｌ３１１および線路Ｌ３１３のいずれを介しても線路Ｌ３１２に到達不可能である。よって、線路Ｌ３１１および線路Ｌ３１３と、線路Ｌ３１２とが到達不可能と識別される。
このようなクロストーク判定の他、判定部１７は、クロストークを介して互いに到達不可能な部分線路ごとに当該部分線路の幾何形状と一致する幾何形状を持つ回路がシミュレーション候補のリストに存在するか否かをさらに判定する。
これを具体的に説明すると、まず、判定部１７は、データ拡張候補のリストに含まれる訓練データ候補の回路ごとに、当該訓練データ候補の回路を部分線路に分割する。図１１は、部分線路への分割方法の一例を示す図である。図１１には、図１０に示された回路Ｃ３１が部分線路へ分割される例が示されている。例えば、図１０に示されたクロストークの判定結果の通り、クロストークありと判定されたペアは、線路Ｌ３１１および線路Ｌ３１３であり、他のペアはクロストークなしと判定されたとする。この場合、クロストークありと判定された線路Ｌ３１１および線路Ｌ３１３のペアには、仮想線路Ｖ１が設定される。例えば、仮想線路Ｖ１は、線路Ｌ３１１および線路Ｌ３１３の最短距離ｓを接続する位置に設定される。このような仮想線路Ｖ１が設定された後、回路Ｃ３１は、接続がない箇所、例えばクロストークなしと判定されたペアを境界に分割される。この結果、線路Ｌ３１１および線路Ｌ３１３を含む部分線路Ｃ３１１と、線路Ｌ３１２を含むＣ３１２とに分割される。その上で、分割前に設定されていた仮想線路Ｖ１が削除される。
このように、部分線路への分割は、クロストークを介して互いに到達不可能な線路を探索することにより実現される。一例として、線路Ａ、線路Ｂおよび線路Ｃの３本の線路が含まれる回路において、線路Ａおよび線路Ｂの間ではクロストークが起こり、線路Ａおよび線路Ｃの間ではクロストークは起こらず、また、線路Ｂおよび線路Ｃの間でもクロストークが起こらないとする。この場合、電磁気的な接続を含めた接続関係は（Ａ－Ｂ，Ｃ）となる。よって、回路は、部分線路ＡＢと、部分線路Ｃとに分割される。他の一例として、線路Ａ、線路Ｂおよび線路Ｃの３本の線路が含まれる回路において、線路Ａおよび線路Ｂの間ではクロストークが起こり、線路Ｂおよび線路Ｃの間でもクロストークは起こり、また、線路Ａおよび線路Ｃの間ではクロストークが起こらないとする。この場合、電磁気的な接続を含めた接続関係は（Ａ－Ｂ－Ｃ）となるので、回路は部分線路に分割できない。
その後、判定部１７は、部分線路ごとに当該部分線路の幾何形状と一致する幾何形状を持つ回路をシミュレーション候補のリストから検索する。このような幾何形状の一致は、シミュレーション候補のリストに保存された訓練データ候補の回路の線路と部分線路との間で線路を形成する特徴点、例えば始点や終点、屈曲点、中継点、分岐点などの座標をマッチングすることにより実現できる。なお、ここでは、幾何形状の一致を例に挙げたが、必ずしも完全一致を条件にせずともよく、類似度が閾値以上であるか、あるいは距離または非類似度が閾値以内であることを条件にマッチングを実行することもできる。
ここで、部分線路の幾何形状と一致する幾何形状を持つ回路の検索がヒットしない部分線路が１つでも存在する場合、分割元となる訓練データ候補の回路がデータ拡張時に合成に用いる回路が不足することが判明する。この場合、判定部１７は、分割元となる訓練データ候補の回路をデータ拡張候補のリストからシミュレーション候補のリストへ移行する。つまり、訓練データ候補の回路のエントリをデータ拡張候補のリストから削除して当該エントリをシミュレーション候補のリストに追加する。一方、部分線路の幾何形状と一致する幾何形状を持つ回路の検索がヒットしない部分線路が１つも存在しない場合、分割元となる訓練データ候補の回路がデータ拡張時に合成に用いる回路が不足していないことが判明する。この場合、データ拡張候補のリストからシミュレーション候補のリストへの移行は行われない。
生成部１８は、訓練データ候補の回路に対応する訓練データを生成する処理部である。図１に示すように、生成部１８は、シミュレーション部１８Ａと、データ拡張部１８Ｂとを有する。
シミュレーション部１８Ａは、シミュレーションにより訓練データを生成する処理部である。あくまで一例として、シミュレーション部１８Ａは、シミュレーション候補のリストに保存された訓練データ候補の回路ごとに次のような処理を実行する。すなわち、シミュレーション部１８Ａは、訓練データ候補の回路の回路情報を回路シミュレータへ入力することにより当該回路の電流分布およびＥＭＩ強度を計算するシミュレーションが実行される。ここでは、あくまで一例として、回路シミュレータがサーバ装置１０上で実行される例を挙げたが、回路シミュレータは任意の実行主体により実行されてよい。例えば、回路シミュレータを実行する外部の装置、サービス、あるいはソフトウェアが公開するＡＰＩ（Application Programming Interface）を利用して、電流分布およびＥＭＩ強度の計算リクエストを行うこともできる。その後、シミュレーション部１８Ａは、シミュレーションにより得られた電流分布およびＥＭＩ強度が対応付けられた訓練データを生成する。
より具体的には、回路シミュレータは、入力される回路情報に基づいて特定の周波数ドメインに含まれる周波数成分ごとに電流分布を算出する。これにより、回路シミュレータにより計算された回路の電流分布、例えば基板表面上に流れる電流の強度が２次元マップ上にマッピングされた電流分布画像が周波数成分ごとに得られる。続いて、シミュレーション部１８Ａは、周波数成分ごとに計算された電流分布の最大値が極大を取る１又は複数の共振周波数を識別する。
その後、シミュレーション部１８Ａは、電子回路の近傍界を近似する側面から、上記の共振周波数に対応する電流分布画像に含まれる画素の画素値を各画素の線路からの距離に基づいて加工する加工処理を実行する。例えば、線路上に流れる電流が大きくなるに連れて濃淡値を上限値、例えば白色に対応する２５５に近付ける一方で電流が小さくなるに連れて濃淡値を下限値、例えば黒色に対応する０に近付けることにより生成された電流分布画像を例に挙げる。この場合、電流分布画像に含まれる画素の線路からの距離が小さくなるに連れて当該画素の濃淡値を上限値側へシフトさせるシフト量が大きく設定される。その一方で、電流分布画像に含まれる画素の線路からの距離が大きくなるに連れて当該画素の濃淡値を下限値側へシフトさせるシフト量が小さく設定される。このようなシフト量にしたがって電流分布画像の画素の濃淡値がシフトされることにより、線路からの距離に応じて電流の強度が強調された電流分布画像を得ることができる。
その上で、シミュレーション部１８Ａは、共振周波数および電流分布画像と、ＥＭＩ強度とが対応付けられた訓練データを生成する。ここで、スカラー値である共振周波数は、ＥＭＩ予測モデルの一例として、標準的なニューラルネットワークへ入力可能な行列に変換される。例えば、共振周波数および電流分布画像の複数の入力データがＥＭＩ予測モデルへ入力される場合、各チャンネルの行列を同一の型へ統一する側面から、電流分布画像の２次元配列に対応する行列を生成した上で当該行列の各要素に共振周波数の値が埋め込まれる。このように生成された共振周波数が埋め込まれた行列および電流分布画像（行列）と、正解ラベルであるＥＭＩ強度とが対応付けられた訓練データが生成される。
データ拡張部１８Ｂは、データ拡張により訓練データを生成する処理部である。あくまで一例として、データ拡張部１８Ｂは、データ拡張のリストへの登録が行われた順にデータ拡張リストに保存された訓練データ候補の回路ごとに次のような処理を実行する。すなわち、データ拡張部１８Ｂは、訓練データ候補の回路を部分線路へ分割する。そして、データ拡張部１８Ｂは、分割により得られた部分線路ごとに、シミュレーション部１８Ａにより訓練データの生成が実行された回路の中から、当該部分線路の幾何形状と類似する幾何形状を持つ回路を検索する。その後、データ拡張部１８Ｂは、検索でヒットする回路に対応するシミュレーション結果として、電流分布およびＥＭＩ強度の計算結果を部分線路ごとに取得する。そして、データ拡張部１８Ｂは、部分線路ごとに取得された電流分布を各部分線路の間で合成することにより、当該訓練データ候補の回路の電流分布を生成する。さらに、データ拡張部１８Ｂは、部分線路ごとに取得されたＥＭＩ強度を各部分線路の間で合成することにより、当該訓練データ候補の回路のＥＭＩ強度を生成する。その上で、データ拡張部１８Ｂは、合成後の電流分布および合成語のＥＭＩ強度を対応付けることにより、訓練データ候補の回路の訓練データを生成する。
その後、生成部１８は、回路情報群１３Ａに含まれる全ての回路情報ごとに訓練データが生成された場合、回路情報ごとに生成された訓練データの集合を訓練データセット１３Ｂとして記憶部１３に登録する。
訓練部１９は、機械学習用の訓練データを用いてＥＭＩ予測モデルを訓練する処理部である。あくまで一例として、訓練部１９は、回路情報群１３Ａに含まれる全ての回路情報ごとに訓練データが生成された場合、あるいは記憶部１３に訓練データセット１３Ｂが保存された場合、訓練部１９は、次のような処理を実行する。すなわち、訓練部１９は、訓練データセット１３Ｂに含まれる訓練データの電流分布を特徴量とし、ＥＭＩ強度を目的変数として、ＥＭＩ予測モデルを訓練する。例えば、訓練部１９は、チャンネル１の入力データに対応する共振周波数およびチャンネル２の入力データに対応する電流分布画像をＥＭＩ予測モデルへ入力する。これにより、ＥＭＩ予測モデルの出力としてＥＭＩ強度の推定値が得られる。その上で、訓練部１９は、ＥＭＩ予測モデルが出力するＥＭＩ強度の推定値と、正解ラベルのＥＭＩ強度との損失に基づいてＥＭＩ予測モデルのパラメータを更新する。これにより、訓練済みのＥＭＩ予測モデルが得られる。
このようにして得られた訓練済みのＥＭＩ予測モデルに関するデータは、モデルデータ１３Ｍとして記憶部１３に保存される。例えば、機械学習モデルがニューラルネットワークである場合、モデルデータ１３Ｍには、入力層、隠れ層及び出力層の各層のニューロンやシナプスなどの機械学習モデルの層構造を始め、各層の重みやバイアスなどの機械学習モデルのパラメータが含まれ得る。
この他、訓練済みのＥＭＩ予測モデルのモデルデータをクライアント端末３０に提供することによりモデル提供サービスを行うこととしてもよいし、訓練済みのＥＭＩ予測モデルを用いて回路のＥＭＩ強度を予測するＥＭＩ予測サービスを提供してもよい。
次に、本実施例に係るサーバ装置１０の処理の流れについて説明する。図１２及び図１３は、実施例１に係る訓練データ生成処理の手順を示すフローチャートである。この処理は、あくまで１つの側面として、クライアント端末３０から訓練データ生成のリクエストを受け付けた場合に開始することができる。
図１２に示すように、取得部１６は、記憶部１３に記憶された回路情報群１３Ａを参照することにより、ｎ個の訓練データ候補の回路の回路情報を取得する（ステップＳ１０１）。
そして、判定部１７は、ステップＳ１０１で取得されたｎ個の訓練データ候補の回路の個数に対応する回数の分、ステップＳ１０２からステップＳ１０９までの処理を繰り返すループ処理１を開始する。なお、ここでは、ループ処理が行われる例を挙げるが、ステップＳ１０２からステップＳ１０６までの処理は並列して実行されてもよい。
すなわち、判定部１７は、ループ処理中の訓練データ候補の回路に含まれる線路のうち互いが独立する２つの線路をペアリングする（ステップＳ１０２）。例えば、訓練データ候補の回路にｍ本の線路が含まれるとしたとき、ｍ本の線路から２つの線路を抽出して得られる組合せに対応するｎＣ２個のペアが得られる。
そして、判定部１７は、ステップＳ１０２のペアリングで得られたｎＣ２個のペアに対応する回数の分、ステップＳ１０３からステップＳ１０６までの処理を繰り返すループ処理２を開始する。なお、ここでは、ループ処理が行われる例を挙げるが、ステップＳ１０３からステップＳ１０６までの処理は並列して実行されてもよい。
すなわち、判定部１７は、ループ処理中のペアに対応する２つの線路の最短距離ｓを算出する（ステップＳ１０３）。その上で、判定部１７は、２つの線路の最短距離ｓがクロストークの判定基準ｄ以上であるか否かを判定する（ステップＳ１０４）。
ここで、最短距離ｓがクロストークの判定基準ｄ以上である場合（ステップＳ１０４Ｙｅｓ）、クロストークは起こらないと識別する（ステップＳ１０５）。その一方で、最短距離ｓがクロストークの判定基準ｄ以上でない場合（ステップＳ１０４Ｎｏ）、クロストークは起こると識別する（ステップＳ１０６）。
ステップＳ１０３からステップＳ１０６までの繰り返しによりループ処理２が終了すると、訓練データ候補の回路に含まれる２つの線路がペアリングされたペアごとにクロストークの判定結果が得られる。
その後、判定部１７は、ループ処理中の訓練データ候補の回路にクロストークを介して互いに到達不可能な線路が存在するか否かを判定する（ステップＳ１０７）。そして、クロストークを介して互いに到達不可能な線路が存在する場合（ステップＳ１０７Ｙｅｓ）、当該訓練データ候補の回路には、データ拡張を適用する余地があると判明する。この場合、ループ処理中の訓練データ候補の回路は、データ拡張候補のリストへ追加される（ステップＳ１０８）。
一方、クロストークを介して互いに到達不可能な線路が存在しない場合（ステップＳ１０７Ｎｏ）、当該訓練データ候補の回路には、データ拡張を適用する余地がないと判明する。この場合、ループ処理中の訓練データ候補の回路は、シミュレーション候補のリストへ追加される（ステップＳ１０９）。
ステップＳ１０２からステップＳ１０９までの繰り返しによりループ処理１が終了すると、ｎ個の訓練データ候補の回路は、データ拡張候補またはシミュレーション候補のいずれかに分類される。
そして、判定部１７は、データ拡張候補のリストに含まれる訓練データ候補の回路の個数に対応する回数の分、図１３に示すステップＳ１１０からステップＳ１１２までの処理を繰り返すループ処理３を開始する。なお、ここでは、ループ処理が行われる例を挙げるが、ステップＳ１１０からステップＳ１１２までの処理は並列して実行されてもよい。
例えば、判定部１７は、図１３に示すように、ループ処理中の訓練データ候補の回路を部分線路に分割する（ステップＳ１１０）。その後、ステップＳ１１０の分割で得られた部分線路の個数に対応する回数の分、ステップＳ１１１およびステップＳ１１２の処理を繰り返すループ処理４を開始する。なお、ここでは、ループ処理が行われる例を挙げるが、ステップＳ１１１およびステップＳ１１２の処理は並列して実行されてもよい。
すなわち、判定部１７は、ループ処理中の幾何形状と一致する幾何形状を持つ回路をシミュレーション候補のリストから検索する。このとき、部分線路の幾何形状と一致する幾何形状を持つ回路の検索がヒットしない部分線路が１つでも存在する場合（ステップＳ１１１Ｎｏ）、分割元となる訓練データ候補の回路がデータ拡張時に合成に用いる回路が不足することが判明する。この場合、判定部１７は、分割元となる訓練データ候補の回路をデータ拡張候補のリストからシミュレーション候補のリストへ移行する（ステップＳ１１２）。
一方、部分線路の幾何形状と一致する幾何形状を持つ回路の検索がヒットしない部分線路が１つも存在しない場合（ステップＳ１１１Ｎｏ）、分割元となる訓練データ候補の回路がデータ拡張時に合成に用いる回路が不足していないことが判明する。この場合、データ拡張候補のリストからシミュレーション候補のリストへの移行は行われない。
ステップＳ１１１のループ処理４が終了すると、分割元となる訓練データ候補の回路のデータ拡張候補のリストからシミュレーション候補のリストへの移行の要否が識別される。そして、ステップＳ１１０からステップＳ１１２までのループ処理３が終了すると、データ拡張候補のリストに含まれる全ての訓練データ候補の回路に関する移行の確認が終了する。
その後、シミュレーション部１８Ａは、シミュレーション候補のリストに保存された訓練データ候補の回路の訓練データをシミュレーションにより生成する（ステップＳ１１３）。続いて、データ拡張部１８Ｂは、データ拡張候補のリストに保存された訓練データ候補の回路の訓練データをデータ拡張により生成する（ステップＳ１１４）。
最後に、訓練部１９は、ステップＳ１１３またはステップＳ１１４で生成された訓練データの電流分布を特徴量とし、ＥＭＩ強度を目的変数として、ＥＭＩ予測モデルを訓練し（ステップＳ１１５）し、処理を終了する。
上述してきたように、本実施例に係る訓練データ生成機能は、２つの線路間の距離と、２つの線路およびＧＮＤ層の距離との比に応じて２つの線路の電流分布をシミュレーションで生成するか、各線の電流分布を合成するかを切り替えて訓練データを生成する。例えば、線路Ａ、線路Ｂおよび線路Ｃの３本の線路が含まれる回路を例に挙げれば、シミュレーションで訓練データが生成可能なパターンは、次の通りとなる。すなわち、線路Ａのみ、線路Ｂのみ、線路Ｃのみ、線路ＡとＢ（結合）、線路ＡとＣ（結合）、線路ＢとＣ（結合）、線路ＡとＢとＣ（結合）となる。このうち、データ拡張の適用が可能となり得るパターンは、最大で、線路ＡとＢ（非結合）、線路ＡとＣ（非結合）、線路ＢとＣ（非結合）、線路ＡとＢとＣ（ＡとＢのみ結合）、線路ＡとＢとＣ（ＡとＣのみ結合）、線路ＡとＢとＣ（ＢとＣのみ結合）となる。したがって、本実施例に係る訓練データ生成機能によれば、訓練データ生成時の計算量の削減を実現できる。例えば、複数線路の回路の訓練データ生成時のシミュレーションの実行回数を削減できる。
さて、これまで開示の装置に関する実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。そこで、以下では、本発明に含まれる他の実施例を説明する。
例えば、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、取得部１６、判定部１７、生成部１８または訓練部１９をサーバ装置１０の外部装置としてネットワーク経由で接続するようにしてもよい。また、取得部１６、判定部１７、生成部１８または訓練部１９を別の装置がそれぞれ有し、ネットワーク接続されて協働することで、上記のサーバ装置１０の機能を実現するようにしてもよい。
また、上記の実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図１４を用いて、実施例１及び実施例２と同様の機能を有する訓練データ生成プログラムを実行するコンピュータの一例について説明する。
図１４は、コンピュータのハードウェア構成例を示す図である。図１４に示すように、コンピュータ１００は、操作部１１０ａと、スピーカ１１０ｂと、カメラ１１０ｃと、ディスプレイ１２０と、通信部１３０とを有する。さらに、このコンピュータ１００は、ＣＰＵ１５０と、ＲＯＭ１６０と、ＨＤＤ１７０と、ＲＡＭ１８０とを有する。これら１１０～１８０の各部はバス１４０を介して接続される。
ここで、図１４では、ハードウェアプロセッサの一例として、ＣＰＵを例に挙げるが、これに限定されない。すなわち、ＣＰＵやＭＰＵなどの汎用のプロセッサに限らず、ＤＬＵ（Deep Learning Unit）やＧＰＧＰＵ（General-Purpose computing on Graphics Processing Units）、ＧＰＵクラスタなどであってもよい。
ＨＤＤ１７０には、図１４に示すように、上記の実施例１で示した取得部１６、判定部１７、生成部１８および訓練部１９と同様の機能を発揮する訓練データ生成プログラム１７０ａが記憶される。この訓練データ生成プログラム１７０ａは、図１に示された取得部１６、判定部１７、生成部１８および訓練部１９の各構成要素と同様、統合又は分離しても良い。すなわち、ＨＤＤ１７０には、必ずしも図１で示した全てのデータが格納されずともよく、処理に用いるデータがＨＤＤ１７０に格納されればよい。
このような環境の下、ＣＰＵ１５０は、ＨＤＤ１７０から訓練データ生成プログラム１７０ａを読み出した上でＲＡＭ１８０へ展開する。この結果、訓練データ生成プログラム１７０ａは、図１４に示すように、訓練データ生成プロセス１８０ａとして機能する。この訓練データ生成プロセス１８０ａは、ＲＡＭ１８０が有する記憶領域のうち訓練データ生成プロセス１８０ａに割り当てられた領域にＨＤＤ１７０から読み出した各種データを展開し、この展開した各種データを用いて各種の処理を実行する。例えば、訓練データ生成プロセス１８０ａが実行する処理の一例として、図１２や図１３に示す処理などが含まれる。なお、ＣＰＵ１５０では、必ずしも上記の実施例１で示した全ての処理部が動作せずともよく、実行対象とする処理に対応する処理部が仮想的に実現されればよい。
なお、上記の訓練データ生成プログラム１７０ａは、必ずしも最初からＨＤＤ１７０やＲＯＭ１６０に記憶されておらずともかまわない。例えば、コンピュータ１００に挿入されるフレキシブルディスク、いわゆるＦＤ、ＣＤ－ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させる。そして、コンピュータ１００がこれらの可搬用の物理媒体から各プログラムを取得して実行するようにしてもよい。また、公衆回線、インターネット、ＬＡＮ、ＷＡＮなどを介してコンピュータ１００に接続される他のコンピュータまたはサーバ装置などに各プログラムを記憶させておき、コンピュータ１００がこれらから各プログラムを取得して実行するようにしてもよい。
１０ サーバ装置
１１ 通信インタフェイス部
１３ 記憶部
１３Ａ 回路情報群
１３Ｂ 訓練データセット
１３Ｍ モデルデータ
１５ 制御部
１６ 取得部
１７ 判定部
１８ 生成部
１８Ａ シミュレーション部
１８Ｂ データ拡張部
１９ 訓練部
３０ クライアント端末

Claims (7)

  1. 回路情報を取得し、
    回路情報に含まれる２つの線路間の距離と、前記２つの線路とＧＮＤ層との距離との関係が条件を満たすか否かを判定し、
    前記関係が前記条件を満たす場合、シミュレーションにより前記２つの線路に対応する第１の電流分布情報を生成し、前記第１の電流分布情報に基づいて機械学習用の訓練データを生成し、
    前記関係が前記条件を満たさない場合、前記２つの線路のそれぞれに対応する電流分布情報を合成して前記２つの線路に対応する第２の電流分布情報を生成し、前記第２の電流分布情報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. 前記判定する処理は、前記２つの線路間の距離と、前記２つの線路とＧＮＤ層との距離との比が閾値以上であるか否かを判定する処理を含み、
    前記第１の電流分布情報を生成する処理は、前記比が閾値以上でない場合、シミュレーションにより前記２つの線路に対応する第１の電流分布情報を生成する処理を含み、
    前記第２の電流分布情報を生成する処理は、前記比が閾値以上である場合、前記２つの線路のそれぞれに対応する電流分布情報を合成して前記２つの線路に対応する第２の電流分布情報を生成する処理を含む、
    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の電流分布情報を生成する処理は、前記関係が前記条件を満たさない場合、前記２つの線路のうち第１の線路に対応する前記訓練データの生成時に前記シミュレーションにより生成される前記第１の線路の電流分布情報と、前記２つの線路のうち前記第１の線路と異なる第２の線路に対応する前記訓練データの生成時に前記シミュレーションにより生成される前記第２の線路の電流分布情報とを合成して前記第２の電流分布情報を生成する処理を含む、
    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の電流分布情報に基づいて機械学習用の訓練データを生成する処理および前記第２の電流分布情報に基づいて機械学習用の訓練データを生成する処理は、前記第１の電流分布情報または前記第２の電流分布情報に対応する回路を流れる電流の空間分布と、前記回路の電磁波放射状況とが対応付けられた前記訓練データを生成する処理を含む、
    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。
  5. 前記訓練データの集合を用いて、前記電流の空間分布を特徴量とし、前記電磁波放射状況を目的変数とする機械学習モデルを訓練する処理を前記コンピュータにさらに実行させる、
    ことを特徴とする請求項４に記載の訓練データ生成プログラム。
  6. 回路情報を取得し、
    回路情報に含まれる２つの線路間の距離と、前記２つの線路とＧＮＤ層との距離との関係が条件を満たすか否かを判定し、
    前記関係が前記条件を満たす場合、シミュレーションにより前記２つの線路に対応する第１の電流分布情報を生成し、前記第１の電流分布情報に基づいて機械学習用の訓練データを生成し、
    前記関係が前記条件を満たさない場合、前記２つの線路のそれぞれに対応する電流分布情報を合成して前記２つの線路に対応する第２の電流分布情報を生成し、前記第２の電流分布情報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。
  7. 回路情報を取得し、
    回路情報に含まれる２つの線路間の距離と、前記２つの線路とＧＮＤ層との距離との関係が条件を満たすか否かを判定し、
    前記関係が前記条件を満たす場合、シミュレーションにより前記２つの線路に対応する第１の電流分布情報を生成し、前記第１の電流分布情報に基づいて機械学習用の訓練データを生成し、
    前記関係が前記条件を満たさない場合、前記２つの線路のそれぞれに対応する電流分布情報を合成して前記２つの線路に対応する第２の電流分布情報を生成し、前記第２の電流分布情報に基づいて機械学習用の訓練データを生成する、
    処理を実行する制御部を含む訓練データ生成装置。
JP2022555016A 2020-10-06 2020-10-06 訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置 Active JP7416279B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/037924 WO2022074750A1 (ja) 2020-10-06 2020-10-06 訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置

Publications (3)

Publication Number Publication Date
JPWO2022074750A1 JPWO2022074750A1 (ja) 2022-04-14
JPWO2022074750A5 JPWO2022074750A5 (ja) 2023-03-22
JP7416279B2 true JP7416279B2 (ja) 2024-01-17

Family

ID=81125746

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022555016A Active JP7416279B2 (ja) 2020-10-06 2020-10-06 訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置

Country Status (4)

Country Link
US (1) US20230252356A1 (ja)
EP (1) EP4227848A4 (ja)
JP (1) JP7416279B2 (ja)
WO (1) WO2022074750A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728535A (zh) 2013-10-28 2014-04-16 昆明理工大学 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法
JP2020060877A (ja) 2018-10-05 2020-04-16 富士通株式会社 推定プログラム、推定装置および推定方法
WO2020095362A1 (ja) 2018-11-06 2020-05-14 三菱電機株式会社 設計支援装置、設計支援方法および機械学習装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2783988B2 (ja) 1995-10-19 1998-08-06 松下電器産業株式会社 クロストーク現象解析装置及びこれを用いて最適化した回転トランス
US10706197B2 (en) * 2018-05-24 2020-07-07 Hitachi, Ltd. Automated electromagnetic interference filter design
US11704791B2 (en) 2018-08-30 2023-07-18 Topcon Corporation Multivariate and multi-resolution retinal image anomaly detection system
JP7308461B2 (ja) 2018-12-19 2023-07-14 パナソニックＩｐマネジメント株式会社 外観検査装置及びそれを用いた溶接箇所の形状不良の有無及び種類の判定精度の向上方法、溶接システム及びそれを用いたワークの溶接方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103728535A (zh) 2013-10-28 2014-04-16 昆明理工大学 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法
JP2020060877A (ja) 2018-10-05 2020-04-16 富士通株式会社 推定プログラム、推定装置および推定方法
WO2020095362A1 (ja) 2018-11-06 2020-05-14 三菱電機株式会社 設計支援装置、設計支援方法および機械学習装置

Also Published As

Publication number Publication date
WO2022074750A1 (ja) 2022-04-14
EP4227848A1 (en) 2023-08-16
US20230252356A1 (en) 2023-08-10
JPWO2022074750A1 (ja) 2022-04-14
EP4227848A4 (en) 2023-11-22

Similar Documents

Publication Publication Date Title
JP7413580B2 (ja) ニューラルネットワークを使用した集積回路フロアプランの生成
JP6922945B2 (ja) 情報処理方法
US7114132B2 (en) Device, system, server, client, and method for supporting component layout design on circuit board, and program for implementing the device
CN111724478A (zh) 一种基于深度学习的点云上采样方法
CN113449857A (zh) 一种数据处理方法和数据处理设备
KR102214422B1 (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
KR20210018384A (ko) 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템
Tasse et al. Enhanced texture‐based terrain synthesis on graphics hardware
JP2019045894A (ja) 検索プログラム、検索方法、及び、検索プログラムが動作する情報処理装置
CN109886311A (zh) 增量聚类方法、装置、电子设备和计算机可读介质
EP1192559A2 (en) Updating placement during technology mapping
CN109325996A (zh) 用于生成信息的方法和装置
CN114648681B (zh) 一种图像生成方法、装置、设备及介质
CN111684541A (zh) 信息处理装置、程序、工艺处理执行装置及信息处理系统
US7356784B1 (en) Integrated synthesis placement and routing for integrated circuits
US20050050500A1 (en) The use of a layout-optimization tool to increase the yield and reliability of vlsi designs
JP7416279B2 (ja) 訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置
US6766500B1 (en) Multiple pass optimization for automatic electronic circuit placement
US10740532B1 (en) Route driven placement of fan-out clock drivers
JP7416278B2 (ja) 訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置
CN111291611A (zh) 一种基于贝叶斯查询扩展的行人重识别方法及装置
JP3791239B2 (ja) グラフ表現変換方法及びその装置、並びに自動配置方法及びその装置
Meyer Competitive learning of network diagram layout
WO2022252694A1 (zh) 神经网络优化方法及其装置
US10289775B1 (en) Systems and methods for assigning clock taps based on timing

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230104

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230104

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230905

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231102

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231205

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231218

R150 Certificate of patent or registration of utility model

Ref document number: 7416279

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150