▶ 三菱電機エンジニアリング株式会社の特許一覧 ▶ 国立大学法人 熊本大学の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023149501
(43)【公開日】2023-10-13
(54)【発明の名称】機能推定方法および機能推定プログラム
(51)【国際特許分類】
G06F 30/32 20200101AFI20231005BHJP
G06F 30/27 20200101ALI20231005BHJP
G06F 30/10 20200101ALI20231005BHJP
G06N 3/045 20230101ALI20231005BHJP
【ＦＩ】
G06F30/32
G06F30/27
G06F30/10 200
G06N3/04 154
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2022058108
(22)【出願日】2022-03-31
(71)【出願人】
【識別番号】591036457
【氏名又は名称】三菱電機エンジニアリング株式会社
(71)【出願人】
【識別番号】504159235
【氏名又は名称】国立大学法人 熊本大学
(74)【代理人】
【識別番号】100110423
【弁理士】
【氏名又は名称】曾我 道治
(74)【代理人】
【識別番号】100111648
【弁理士】
【氏名又は名称】梶並 順
(74)【代理人】
【識別番号】100147566
【弁理士】
【氏名又は名称】上田 俊一
(74)【代理人】
【識別番号】100161171
【弁理士】
【氏名又は名称】吉田 潤一郎
(74)【代理人】
【識別番号】100188514
【弁理士】
【氏名又は名称】松岡 隆裕
(72)【発明者】
【氏名】伊藤 寛人
(72)【発明者】
【氏名】井戸 大介
(72)【発明者】
【氏名】飯田 全広
(72)【発明者】
【氏名】尼崎 太樹
【テーマコード（参考）】
5B146
【Ｆターム（参考）】
5B146AA22
5B146DC03
5B146DL03
5B146DL10
5B146GC01
(57)【要約】
【課題】ＬＳＩのネットリストに対する機能推定の汎化性向上を図る。
【解決手段】グラフ構造を有するネットワークであるＧＮＮを用いて、ＬＳＩの論理設計で使用されるネットリストに基づいて機能を推定するために、コンピュータにより実行される機能推定方法であって、ネットリストに基づいて第１のＧＮＮを用いることで第１の機能推定を行う第１推定工程と、第１推定工程の推定結果に基づいて第２のＧＮＮを用いることで第２の機能推定を行う第２推定工程とを備え、第２推定工程は、第１推定工程の推定結果である出力グラフの各ノードについてクラスタリングを行い、クラスタリング後の各ノードにおける種別を表現する行列を第２のＧＮＮに対する入力データとして生成し、第２の機能推定を行う。
【選択図】図１
【解決手段】グラフ構造を有するネットワークであるＧＮＮを用いて、ＬＳＩの論理設計で使用されるネットリストに基づいて機能を推定するために、コンピュータにより実行される機能推定方法であって、ネットリストに基づいて第１のＧＮＮを用いることで第１の機能推定を行う第１推定工程と、第１推定工程の推定結果に基づいて第２のＧＮＮを用いることで第２の機能推定を行う第２推定工程とを備え、第２推定工程は、第１推定工程の推定結果である出力グラフの各ノードについてクラスタリングを行い、クラスタリング後の各ノードにおける種別を表現する行列を第２のＧＮＮに対する入力データとして生成し、第２の機能推定を行う。
【選択図】図１
【特許請求の範囲】
【請求項1】
グラフ構造を有するネットワークであるＧＮＮを用いて、ＬＳＩの論理設計で使用されるネットリストに基づいて機能を推定するために、コンピュータにより実行される機能推定方法であって、
前記ネットリストに基づいて第１のＧＮＮを用いることで第１の機能推定を行う第１推定工程と、
前記第１推定工程の推定結果に基づいて第２のＧＮＮを用いることで第２の機能推定を行う第２推定工程と
を備え、
前記第２推定工程は、
前記第１推定工程の推定結果である出力グラフの各ノードについてクラスタリングを行い、クラスタリング後の各ノードにおける種別を表現する行列を前記第２のＧＮＮに対する入力データとして生成し、前記第２の機能推定を行う
機能推定方法。
前記ネットリストに基づいて第１のＧＮＮを用いることで第１の機能推定を行う第１推定工程と、
前記第１推定工程の推定結果に基づいて第２のＧＮＮを用いることで第２の機能推定を行う第２推定工程と
を備え、
前記第２推定工程は、
前記第１推定工程の推定結果である出力グラフの各ノードについてクラスタリングを行い、クラスタリング後の各ノードにおける種別を表現する行列を前記第２のＧＮＮに対する入力データとして生成し、前記第２の機能推定を行う
機能推定方法。
【請求項2】
前記第１推定工程は、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換することでグラフ化したネットリストを生成する第１ステップと、
前記グラフ化したネットリスト内の各ノードにおける種別を表現する特徴行列と、前記ネットリスト内の各ノードにおける接続関係を表現する隣接行列と、を生成する第２ステップと、
前記特徴行列および前記隣接行列を前記第１のＧＮＮに入力し、前記ノードおよび前記エッジの接続関係を用いた演算を実行することで、前記第１の機能推定を実行し、前記グラフ化したネットリスト内の各ノードについて前記第１の機能推定の結果によるノード分類を反映した出力グラフを前記推定結果として生成する第３ステップと
を有し、
前記第２推定工程は、
前記推定結果である前記出力グラフの各ノードについてクラスタリングを行い、前記第２のＧＮＮに入力するための前記入力データとして、クラスタリング後の各ノードにおける種別を表現する新たな特徴行列と、クラスタリング後の各ノードにおける接続関係を表現する新たな隣接行列とを生成する第４ステップと、
前記新たな特徴行列および前記新たな隣接行列を前記第２のＧＮＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いた演算を実行することで、前記第２の機能推定を実行する第５ステップと
を有する請求項１に記載の機能推定方法。
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換することでグラフ化したネットリストを生成する第１ステップと、
前記グラフ化したネットリスト内の各ノードにおける種別を表現する特徴行列と、前記ネットリスト内の各ノードにおける接続関係を表現する隣接行列と、を生成する第２ステップと、
前記特徴行列および前記隣接行列を前記第１のＧＮＮに入力し、前記ノードおよび前記エッジの接続関係を用いた演算を実行することで、前記第１の機能推定を実行し、前記グラフ化したネットリスト内の各ノードについて前記第１の機能推定の結果によるノード分類を反映した出力グラフを前記推定結果として生成する第３ステップと
を有し、
前記第２推定工程は、
前記推定結果である前記出力グラフの各ノードについてクラスタリングを行い、前記第２のＧＮＮに入力するための前記入力データとして、クラスタリング後の各ノードにおける種別を表現する新たな特徴行列と、クラスタリング後の各ノードにおける接続関係を表現する新たな隣接行列とを生成する第４ステップと、
前記新たな特徴行列および前記新たな隣接行列を前記第２のＧＮＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いた演算を実行することで、前記第２の機能推定を実行する第５ステップと
を有する請求項１に記載の機能推定方法。
【請求項3】
前記コンピュータは、前記ネットリストからクラスターの境界が既知である場合には、
前記第４ステップにおいて、
前記出力グラフのノード分類結果に対して前記ネットリストに基づくクラスターごとに各ノードの推定結果の多数決を取ることで各クラスター内の全てのノードに対して同一の分類を割り当てることで前記クラスタリングを行い、前記新たな隣接行列を生成し、前記行列内の各ノードにおける種別を表現する新たな特徴行列を生成する
請求項２に記載の機能推定方法。
前記第４ステップにおいて、
前記出力グラフのノード分類結果に対して前記ネットリストに基づくクラスターごとに各ノードの推定結果の多数決を取ることで各クラスター内の全てのノードに対して同一の分類を割り当てることで前記クラスタリングを行い、前記新たな隣接行列を生成し、前記行列内の各ノードにおける種別を表現する新たな特徴行列を生成する
請求項２に記載の機能推定方法。
【請求項4】
前記コンピュータは、前記ネットリストからクラスターの境界が未知である場合には、
前記第４ステップにおいて、
前記出力グラフの各ノードについて、隣接ノードの機能比較に基づいて孤立したノードを削除する平滑化処理を実行し、
前記平滑化処理を実行後の出力グラフの各ノードについて隣接する同機能のノードについてマージ処理を実行することにより前記クラスタリングを行い、
前記クラスタリング後の各ノードにおける種別を表現する前記新たな特徴行列と、前記クラスタリング後の各ノードにおける接続関係を表現する前記新たな隣接行列とを生成する
請求項２に記載の機能推定方法。
前記第４ステップにおいて、
前記出力グラフの各ノードについて、隣接ノードの機能比較に基づいて孤立したノードを削除する平滑化処理を実行し、
前記平滑化処理を実行後の出力グラフの各ノードについて隣接する同機能のノードについてマージ処理を実行することにより前記クラスタリングを行い、
前記クラスタリング後の各ノードにおける種別を表現する前記新たな特徴行列と、前記クラスタリング後の各ノードにおける接続関係を表現する前記新たな隣接行列とを生成する
請求項２に記載の機能推定方法。
【請求項5】
前記ＧＮＮとしてグラフ構造を畳み込んだネットワークであるＲ－ＧＣＮを用いた場合には、
前記ネットリストに基づいて前記第１のＧＮＮとして第１のＲ－ＧＣＮを用いることで前記第１の機能推定を行う前記第１推定工程は、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換することでグラフ化したネットリストを生成する第１ステップと、
前記グラフ化したネットリスト内の各ノードにおける種別を表現する特徴行列と、前記ネットリスト内の各ノードにおける接続関係および入出力関係を表現する３種の隣接行列と、を生成する第２ステップと、
前記特徴行列および前記３種の隣接行列を前記第１のＲ－ＧＣＮに入力し、前記ノードおよび前記エッジの接続関係を用いたグラフ畳み込み演算を実行することで、前記第１の機能推定を実行し、前記グラフ化したネットリスト内の各ノードについて前記第１の機能推定の結果によるノード分類を反映した出力グラフを前記推定結果として生成する第３ステップと
を有し、
前記第１推定工程の推定結果に基づいて前記第２のＧＮＮとして第２のＲ－ＧＣＮを用いることで前記第２の機能推定を行う前記第２推定工程は、
前記推定結果である前記出力グラフの各ノードについてクラスタリングを行い、前記第２のＲ－ＧＣＮに入力するための前記入力データとして、クラスタリング後の各ノードにおける種別を表現する新たな特徴行列と、クラスタリング後の各ノードにおける接続関係および入出力関係を表現する新たな３種の隣接行列とを生成する第４ステップと、
前記新たな特徴行列および前記新たな３種の隣接行列を前記第２のＲ－ＧＣＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いたグラフ畳み込み演算を実行することで、前記第２の機能推定を実行する第５ステップと
を有し、
前記第２ステップで生成される前記３種の隣接行列は、前記グラフ化したネットリスト内の各ノードにおけるノード間の入力に関する接続関係を示す第１の隣接行列と、前記グラフ化したネットリスト内の各ノードを要素とする単位行列を示す第２の隣接行列と、前記グラフ化したネットリスト内の各ノードにおけるノード間の出力に関する接続関係を示す第３の隣接行列とで構成され、
前記第５ステップで生成される前記新たな３種の隣接行列は、前記クラスタリング後の各ノードにおけるノード間の入力に関する接続関係を示す新たな第１の隣接行列と、前記クラスタリング後の各ノードを要素とする単位行列を示す新たな第２の隣接行列と、前記クラスタリング後の各ノードにおけるノード間の出力に関する接続関係を示す新たな第３の隣接行列とで構成される
請求項１に記載の機能推定方法。
前記ネットリストに基づいて前記第１のＧＮＮとして第１のＲ－ＧＣＮを用いることで前記第１の機能推定を行う前記第１推定工程は、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換することでグラフ化したネットリストを生成する第１ステップと、
前記グラフ化したネットリスト内の各ノードにおける種別を表現する特徴行列と、前記ネットリスト内の各ノードにおける接続関係および入出力関係を表現する３種の隣接行列と、を生成する第２ステップと、
前記特徴行列および前記３種の隣接行列を前記第１のＲ－ＧＣＮに入力し、前記ノードおよび前記エッジの接続関係を用いたグラフ畳み込み演算を実行することで、前記第１の機能推定を実行し、前記グラフ化したネットリスト内の各ノードについて前記第１の機能推定の結果によるノード分類を反映した出力グラフを前記推定結果として生成する第３ステップと
を有し、
前記第１推定工程の推定結果に基づいて前記第２のＧＮＮとして第２のＲ－ＧＣＮを用いることで前記第２の機能推定を行う前記第２推定工程は、
前記推定結果である前記出力グラフの各ノードについてクラスタリングを行い、前記第２のＲ－ＧＣＮに入力するための前記入力データとして、クラスタリング後の各ノードにおける種別を表現する新たな特徴行列と、クラスタリング後の各ノードにおける接続関係および入出力関係を表現する新たな３種の隣接行列とを生成する第４ステップと、
前記新たな特徴行列および前記新たな３種の隣接行列を前記第２のＲ－ＧＣＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いたグラフ畳み込み演算を実行することで、前記第２の機能推定を実行する第５ステップと
を有し、
前記第２ステップで生成される前記３種の隣接行列は、前記グラフ化したネットリスト内の各ノードにおけるノード間の入力に関する接続関係を示す第１の隣接行列と、前記グラフ化したネットリスト内の各ノードを要素とする単位行列を示す第２の隣接行列と、前記グラフ化したネットリスト内の各ノードにおけるノード間の出力に関する接続関係を示す第３の隣接行列とで構成され、
前記第５ステップで生成される前記新たな３種の隣接行列は、前記クラスタリング後の各ノードにおけるノード間の入力に関する接続関係を示す新たな第１の隣接行列と、前記クラスタリング後の各ノードを要素とする単位行列を示す新たな第２の隣接行列と、前記クラスタリング後の各ノードにおけるノード間の出力に関する接続関係を示す新たな第３の隣接行列とで構成される
請求項１に記載の機能推定方法。
【請求項6】
前記コンピュータは、前記ネットリストからクラスターの境界が既知である場合には、
前記第４ステップにおいて、
前記出力グラフのノード分類結果に対して前記ネットリストに基づくクラスターごとに各ノードの推定結果の多数決を取ることで各クラスター内の全てのノードに対して同一の分類を割り当て、
各ノードの属するインスタンスを記述するインスタンス行列Ｓを生成し、前記第２ステップで生成された前記第３の隣接行列Ａｏｕｔを用いて、下式
ＳＴ×Ａｏｕｔ×Ｓ
による行列を生成することで前記クラスタリングを行い、
前記行列に関して、対角成分を０とし、対角成分以外の成分で０以外の成分を１に書き換えることで前記新たな第３の隣接行列を生成し、前記新たな第３の隣接行列を転置することで前記新たな第１の隣接行列を生成し、対角成分をすべて１とし対角成分以外をすべて０とすることで前記新たな第２の隣接行列を生成し、前記行列内の各ノードにおける種別を表現する新たな特徴行列を生成する
請求項５に記載の機能推定方法。
前記第４ステップにおいて、
前記出力グラフのノード分類結果に対して前記ネットリストに基づくクラスターごとに各ノードの推定結果の多数決を取ることで各クラスター内の全てのノードに対して同一の分類を割り当て、
各ノードの属するインスタンスを記述するインスタンス行列Ｓを生成し、前記第２ステップで生成された前記第３の隣接行列Ａｏｕｔを用いて、下式
ＳＴ×Ａｏｕｔ×Ｓ
による行列を生成することで前記クラスタリングを行い、
前記行列に関して、対角成分を０とし、対角成分以外の成分で０以外の成分を１に書き換えることで前記新たな第３の隣接行列を生成し、前記新たな第３の隣接行列を転置することで前記新たな第１の隣接行列を生成し、対角成分をすべて１とし対角成分以外をすべて０とすることで前記新たな第２の隣接行列を生成し、前記行列内の各ノードにおける種別を表現する新たな特徴行列を生成する
請求項５に記載の機能推定方法。
【請求項7】
前記コンピュータは、前記ネットリストからクラスターの境界が未知である場合には、
前記第４ステップにおいて、
前記出力グラフの各ノードについて、隣接ノードの機能比較に基づいて孤立したノードを削除する平滑化処理を実行し、
前記平滑化処理を実行後の出力グラフの各ノードについて隣接する同機能のノードについてマージ処理を実行することにより前記クラスタリングを行い、
前記クラスタリング後の各ノードにおける種別を表現する前記新たな特徴行列と、前記クラスタリング後の各ノードにおける接続関係および入出力関係を表現する前記新たな３種の隣接行列とを生成する
請求項５に記載の機能推定方法。
前記第４ステップにおいて、
前記出力グラフの各ノードについて、隣接ノードの機能比較に基づいて孤立したノードを削除する平滑化処理を実行し、
前記平滑化処理を実行後の出力グラフの各ノードについて隣接する同機能のノードについてマージ処理を実行することにより前記クラスタリングを行い、
前記クラスタリング後の各ノードにおける種別を表現する前記新たな特徴行列と、前記クラスタリング後の各ノードにおける接続関係および入出力関係を表現する前記新たな３種の隣接行列とを生成する
請求項５に記載の機能推定方法。
【請求項8】
前記コンピュータは、
前記第１推定工程において、前記ネットリストに含まれる算術演算機能を前記第１の機能推定として推定し、
前記第２推定工程において、前記算術演算機能の推定結果に基づいて上位階層の回路機能を前記第２の機能推定として推定する
請求項１から７のいずれか１項に記載の機能推定方法。
前記第１推定工程において、前記ネットリストに含まれる算術演算機能を前記第１の機能推定として推定し、
前記第２推定工程において、前記算術演算機能の推定結果に基づいて上位階層の回路機能を前記第２の機能推定として推定する
請求項１から７のいずれか１項に記載の機能推定方法。
【請求項9】
グラフ構造を有するネットワークであるＧＮＮを用いて、ＬＳＩの論理設計で使用されるネットリストに基づいて機能を推定するために、コンピュータにより実行される機能推定プログラムであって、
前記コンピュータを
前記ネットリストに基づいて第１のＧＮＮを用いることで第１の機能推定を行う第１推定手段と、
前記第１推定手段の推定結果に基づいて第２のＧＮＮを用いることで第２の機能推定を行う第２推定手段と
して機能させ、
前記第１推定手段は、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換することでグラフ化したネットリストを生成する第１ステップと、
前記グラフ化したネットリスト内の各ノードにおける種別を表現する特徴行列と、前記ネットリスト内の各ノードにおける接続関係を表現する隣接行列と、を生成する第２ステップと、
前記特徴行列および前記隣接行列を前記第１のＧＮＮに入力し、前記ノードおよび前記エッジの接続関係を用いた演算を実行することで、前記第１の機能推定を実行し、前記グラフ化したネットリスト内の各ノードについて前記第１の機能推定の結果によるノード分類を反映した出力グラフを前記推定結果として生成する第３ステップと
を有し、
前記第２推定手段は、
前記推定結果である前記出力グラフの各ノードについてクラスタリングを行い、前記第２のＧＮＮに入力するための入力データとして、クラスタリング後の各ノードにおける種別を表現する新たな特徴行列と、クラスタリング後の各ノードにおける接続関係を表現する新たな隣接行列とを生成する第４ステップと、
前記新たな特徴行列および前記新たな隣接行列を前記第２のＧＮＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いた演算を実行することで、前記第２の機能推定を実行する第５ステップと
を有する機能推定プログラム。
前記コンピュータを
前記ネットリストに基づいて第１のＧＮＮを用いることで第１の機能推定を行う第１推定手段と、
前記第１推定手段の推定結果に基づいて第２のＧＮＮを用いることで第２の機能推定を行う第２推定手段と
して機能させ、
前記第１推定手段は、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換することでグラフ化したネットリストを生成する第１ステップと、
前記グラフ化したネットリスト内の各ノードにおける種別を表現する特徴行列と、前記ネットリスト内の各ノードにおける接続関係を表現する隣接行列と、を生成する第２ステップと、
前記特徴行列および前記隣接行列を前記第１のＧＮＮに入力し、前記ノードおよび前記エッジの接続関係を用いた演算を実行することで、前記第１の機能推定を実行し、前記グラフ化したネットリスト内の各ノードについて前記第１の機能推定の結果によるノード分類を反映した出力グラフを前記推定結果として生成する第３ステップと
を有し、
前記第２推定手段は、
前記推定結果である前記出力グラフの各ノードについてクラスタリングを行い、前記第２のＧＮＮに入力するための入力データとして、クラスタリング後の各ノードにおける種別を表現する新たな特徴行列と、クラスタリング後の各ノードにおける接続関係を表現する新たな隣接行列とを生成する第４ステップと、
前記新たな特徴行列および前記新たな隣接行列を前記第２のＧＮＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いた演算を実行することで、前記第２の機能推定を実行する第５ステップと
を有する機能推定プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、グラフ構造を有するネットワークであるＧＮＮ（Ｇｒａｐｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を用いて、ＬＳＩの論理設計で使用されるネットリストに基づいて機能推定を行う機能推定方法および機能推定プログラムに関する。
【背景技術】
【0002】
半導体集積回路（以後、ＬＳＩと称す）の設計技術として、開発効率がよく、半導体ベンダにとらわれないハードウェア記述言語（ＨＤＬ：Ｈａｒｄｗａｒｅ Ｄｅｓｃｒｉｐｔｉ－ｏｎ Ｌａｎｇｕａｇｅ）が用いられる場合がある。
【0003】
この場合には、ＨＤＬにより回路設計が行われた後に、回路に実装する部品の接続関係を表現するネットリストへ自動で変換する論理合成が用いられている。ここで、いわゆる論理合成が可能なＨＤＬ記述レベルは、レジスタトランスファレベル（以下、ＲＴＬと称す）と呼ばれる。
【0004】
これに対し、ＲＴＬの存在しない過去の設計資産を活用する目的で、ネットリストに実装されている機能の抽出、あるいはネットリストをＲＴＬへ変換する要望がある。しかしながら、半導体ベンダ毎に異なるネットリストを、単純な言語変換ではなく、記述を自動で抽象化し変換する技術までは確立されておらず、主に人手により、ドキュメントを参考にしながらネットリストの読解が行われていた。
【0005】
この問題に対して、ＲＴＬに実装された機能を推定する方法がある（例えば、特許文献１参照）。特許文献１では、ニューラルネットワーク（以後、ＮＮと称す）を用いて、判定機能の学習後に機能推定を行い、一致した機能の回路データを差し替える方法が紹介されている。
【0006】
しかしながら、特許文献１では、変換ルールとして学習した機能の推定、および回路置き換えを対象にしている。従って、学習した機能が組み合わされた機能に対しての機能推定を行う仕組みはない。そのため、判定したい機能毎に、すべて手作業で学習させる必要がある。
【0007】
このような課題を解決するために、本出願人は、ＬＳＩのネットリストに対して、機能推定を効率的に実行することができる機能推定方法および機能推定プログラムを提案した（例えば、特許文献２参照）。
【先行技術文献】
【特許文献】
【0008】
【特許文献1】特開平４－１９９３６９号公報
【特許文献2】特開２０２１－８９７２２号公報
【発明の概要】
【発明が解決しようとする課題】
【0009】
特許文献２では、ゲートレベルのネットリストをグラフ化し、Ｒ－ＧＣＮに入力することによる回路の機能推定手法を提案し、単純な算術演算機能であるａｄｄｅｒ、ｓｕｂｔｒａｃｔｏｒ、ｍｕｌｔｉｐｌｉｅｒ、ｍｕｌｔｉｐｌｅｘｅｒ等で構成された組み合わせ回路における機能推定を実現した。
【0010】
ここで、Ｒ－ＧＣＮ（Ｒｅｌａｔｉｏｎａｌ Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ）は、ＧＮＮの１種であり、ノードとエッジで構成されたグラフ構造を対象とした畳み込みニューラルネットワークモデルの一種であり、有向グラフが入力可能であるという特徴がある。
【0011】
しかしながら、このような特許文献２に係る手法については、より複雑な回路に対しても機能推定を行うことができるように推定性能の向上を図ることが望まれている。
【0012】
本開示は、このような課題を解決するためになされたものであり、従来技術と比較して、ＬＳＩのネットリストに対する機能推定の汎化性向上を図ることができる機能推定方法および機能推定プログラムを得ることを目的とする。
【課題を解決するための手段】
【0013】
本開示に係る機能推定方法は、グラフ構造を有するネットワークであるＧＮＮを用いて、ＬＳＩの論理設計で使用されるネットリストに基づいて機能を推定するために、コンピュータにより実行される機能推定方法であって、ネットリストに基づいて第１のＧＮＮを用いることで第１の機能推定を行う第１推定工程と、第１推定工程の推定結果に基づいて第２のＧＮＮを用いることで第２の機能推定を行う第２推定工程とを備え、第２推定工程は、第１推定工程の推定結果である出力グラフの各ノードについてクラスタリングを行い、クラスタリング後の各ノードにおける種別を表現する行列を第２のＧＮＮに対する入力データとして生成し、第２の機能推定を行うものである。
【0014】
また、本開示に係る機能推定プログラムは、グラフ構造を有するネットワークであるＧＮＮを用いて、ＬＳＩの論理設計で使用されるネットリストに基づいて機能を推定するために、コンピュータにより実行される機能推定プログラムであって、コンピュータをネットリストに基づいて第１のＧＮＮを用いることで第１の機能推定を行う第１推定手段と、第１推定手段の推定結果に基づいて第２のＧＮＮを用いることで第２の機能推定を行う第２推定手段として機能させ、第１推定手段は、ネットリストをノードおよびエッジから構成されるグラフ表現に変換することでグラフ化したネットリストを生成する第１ステップと、グラフ化したネットリスト内の各ノードにおける種別を表現する特徴行列と、ネットリスト内の各ノードにおける接続関係を表現する隣接行列と、を生成する第２ステップと、特徴行列および隣接行列を第１のＧＮＮに入力し、ノードおよびエッジの接続関係を用いた演算を実行することで、第１の機能推定を実行し、グラフ化したネットリスト内の各ノードについて第１の機能推定の結果によるノード分類を反映した出力グラフを推定結果として生成する第３ステップとを有し、第２推定手段は、推定結果である出力グラフの各ノードについてクラスタリングを行い、第２のＧＮＮに入力するための入力データとして、クラスタリング後の各ノードにおける種別を表現する新たな特徴行列と、クラスタリング後の各ノードにおける接続関係を表現する新たな隣接行列とを生成する第４ステップと、新たな特徴行列および新たな隣接行列を第２のＧＮＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いた演算を実行することで、第２の機能推定を実行する第５ステップとを有するものである。
【発明の効果】
【0015】
本開示によれば、従来技術と比較して、ＬＳＩのネットリストに対する機能推定の汎化性向上を図ることができる機能推定方法および機能推定プログラムを得ることができる。
【図面の簡単な説明】
【0016】
【図1】本開示の実施の形態１に係る機能推定方法による処理の流れを示した説明図である。
【図2】本開示の実施の形態１に係る機能推定方法による２通りの処理の流れによる全体フローを示した図である。
【図3】本開示の実施の形態１においてＲ－ＧＣＮを２個直列に接続した場合の、Ｒ－ＧＣＮ２に関する入力、処理、出力を示した説明図である。
【図4】本開示の実施の形態１においてＲ－ＧＣＮを２個直列に接続した場合の、推定精度に関するメリットを示した説明図である。
【図5】本開示の実施の形態１において、インスタンス有りの場合にＲ－ＧＣＮ２で用いる行列の基となる入力グラフを生成する手法を示した説明図である。
【図6】本開示の実施の形態１において、Ｒ－ＧＣＮ１によってノード分類された推定結果に対して、各インスタンス内で多数決を取るイメージを示した説明図である。
【図7】本開示の実施の形態１において、新隣接行列Ａ’を算出する前段としてインスタンス行列Ｓを生成する手法を示した説明図である。
【図8】本開示の実施の形態１において、インスタンス行列Ｓを用いて新隣接行列Ａ’を生成する手法を示した説明図である。
【図9】本開示の実施の形態１において、クラスタリング後のグラフから新特徴行列Ｘ’を生成する手法を示した説明図である。
【図10】本開示の実施の形態１において、クラスタリング後のグラフに示された回路のアプリケーションから新正解行列Ｙ’を生成する手法を示した説明図である。
【図11】本開示の実施の形態１において、インスタンス無しの場合にＲ－ＧＣＮ２に対する入力グラフを生成する手法を示した説明図である。
【図12】本開示の実施の形態１におけるマージ処理に関する説明図である。
【図13】本開示の実施の形態１における接続構成の第１の具体例を示した図である。
【図14】本開示の実施の形態１における接続構成の第２の具体例を示した図である。
【発明を実施するための形態】
【0017】
以下、本開示の機能推定方法および機能推定プログラムの好適な実施の形態につき、図面を用いて説明する。本開示は、グラフを扱う深層学習全般に関する技術であり、ＧＮＮにおいて、ノードレベルでの分類を行うことを特徴とするものである。
【0018】
なお、以下の実施の形態１では、ＧＮＮの具体例として、グラフ構造を畳み込んだネットワークであるＧＣＮとしてＲ－ＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに基づいて機能を推定するために、コンピュータにより実行される機能推定手法について説明する。本開示によれば、特に、前段の機能推定結果を利用して、さらなる機能推定を後段で行う手法を備えており、ＬＳＩのネットリストに対する機能推定の汎化性向上を図ることができるものである。
【0019】
実施の形態１．
図１は、本開示の実施の形態１に係る機能推定方法による処理の流れを示した説明図である。図１を用いて本実施の形態１におけるＲ－ＧＣＮを用いたアプリケーションのネットリストの機能推定手法について説明する。図１では、アプリケーションのネットリストから、最終的にそのアプリケーションの機能を推定するまでの一連の流れが示されている。
図１は、本開示の実施の形態１に係る機能推定方法による処理の流れを示した説明図である。図１を用いて本実施の形態１におけるＲ－ＧＣＮを用いたアプリケーションのネットリストの機能推定手法について説明する。図１では、アプリケーションのネットリストから、最終的にそのアプリケーションの機能を推定するまでの一連の流れが示されている。
【0020】
図１に示すように、本実施の形態１に係る機能推定方法は、大別すると、第１推定工程１０と、第１推定工程１０による推定結果を利用する第２推定工程２０を備えている。第１推定工程１０は、ネットリストに基づいて第１のＲ－ＧＣＮを用いることで第１の機能推定を行う。より具体的には、第１推定工程１０は、以下のようなステップを有している。
【0021】
第１ステップ：ネットリストをノードおよびエッジから構成されるグラフ表現に変換することでグラフ化したネットリストを生成するステップ。
第２ステップ：グラフ化したネットリスト内の各ノードにおける種別を表現する特徴行列と、ネットリスト内の各ノードにおける接続関係および入出力関係を表現する３種の隣接行列とを生成するステップ。
第２ステップ：グラフ化したネットリスト内の各ノードにおける種別を表現する特徴行列と、ネットリスト内の各ノードにおける接続関係および入出力関係を表現する３種の隣接行列とを生成するステップ。
【0022】
第３ステップ：特徴行列および３種の隣接行列を第１のＲ－ＧＣＮに入力し、ノードおよびエッジの接続関係を用いたグラフ畳み込み演算を実行することで、第１の機能推定を実行し、グラフ化したネットリスト内の各ノードについて第１の機能推定の結果によるノード分類を反映した出力グラフを推定結果として生成するステップ。
【0023】
なお、この第１推定工程１０における詳細な処理内容は、特許文献２に開示されており、ここでは詳細な説明を省略する。
【0024】
第２推定工程２０は、第１推定工程１０の推定結果に基づいて第２のＲ－ＧＣＮを用いることで第２の機能推定を行う。この第２推定工程２０は、機能推定の汎化性向上を図るために本開示において新たに追加された工程であり、以下のようなステップを有している。
【0025】
第４ステップ：推定結果である出力グラフの各ノードについてクラスタリングを行い、第２のＲ－ＧＣＮに入力するための入力データとして、新たな特徴行列と、新たな３種の隣接行列とを生成するステップ。
第５ステップ：新たな特徴行列および新たな３種の隣接行列を第２のＲ－ＧＣＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いたグラフ畳み込み演算を実行することで、第２の機能推定を実行するステップ。
第５ステップ：新たな特徴行列および新たな３種の隣接行列を第２のＲ－ＧＣＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いたグラフ畳み込み演算を実行することで、第２の機能推定を実行するステップ。
【0026】
なお、新たな特徴行列とは、クラスタリング後の各ノードにおける種別を表現する行列であり、新たな３種の隣接行列とは、クラスタリング後の各ノードにおける接続関係および入出力関係を表現する行列であり、詳細は後述する。
【0027】
図１では、第１推定工程１０において、ネットリストに含まれる算術演算機能を第１の機能推定として推定し、第２推定工程２０において、算術演算機能の推定結果に基づいて上位階層の回路機能としてのアプリケーション機能を第２の機能推定として推定する場合を例示している。なお、第１推定工程１０により推定される機能、および第２推定工程２０により推定される機能は、この例示に限定されるものではない。
【0028】
図２は、本開示の実施の形態１に係る機能推定方法による２通りの処理の流れによる全体フローを示した図である。なお、図１および図２において、Ｒ－ＧＣＮ１という表記は、第１推定工程１０で用いられる第１のＲ－ＧＣＮを意味しており、Ｒ－ＧＣＮ２という表記は、第２推定工程２０で用いられる第２のＲ－ＧＣＮを意味している。
【0029】
図１および図２に示した本実施の形態１に係る機能推定方法によれば、Ｒ－ＧＣＮを複数個直列に接続することで，従来技術では不可能であった、より複雑で大規模なＬＳＩのネットリストの機能推定を実施することができる。
【0030】
なお、図２においては、Ｒ－ＧＣＮ１とＲ－ＧＣＮ２とを直列に接続するにあたり、インスタンス有りの場合とインスタンス無しの場合の２通りの処理の流れが示されている。ここで、インスタンス有りとは、既に機能がモジュール単位で区切られている状態を意味している。つまり、クラスタリング処理としては、あくまでゲートレベルのネットリストに記載されているインスタンス名に従って境界を判別しているにすぎない。
【0031】
一方、インスタンス無しとは、機能がモジュール単位で区切られていない状態を意味している。従って、ネットリストを見ただけでは機能の境界を判別することはできない。
【0032】
本実施の形態１に係る機能推定方法においては、前段のＲ－ＧＣＮ１の推定結果を後段のＲ－ＧＣＮ２に入力する際に，機能の境界を自動的に判別（クラスタリング）することを特徴としている。そこで、まず始めに、Ｒ－ＧＣＮを２個直列に接続した場合のメリットを説明し、その後、インスタンス有りの場合のクラスタリング処理を含む一連処理、およびインスタンス無しの場合のクラスタリング処理を含む一連処理について説明する。
【0033】
＜Ｒ－ＧＣＮを２個直列に接続した場合のメリットについて＞
図３は、本開示の実施の形態１においてＲ－ＧＣＮを２個直列に接続した場合の、Ｒ－ＧＣＮ２に関する入力、処理、出力を示した説明図である。図３（Ａ）では、第１段階のＲ－ＧＣＮ１による算術演算機能の推定結果に対してクラスタリングを施すことで、Ｒ－ＧＣＮ２への入力グラフに変換処理された状態が示されている。この変換処理の詳細については、後述する。
図３は、本開示の実施の形態１においてＲ－ＧＣＮを２個直列に接続した場合の、Ｒ－ＧＣＮ２に関する入力、処理、出力を示した説明図である。図３（Ａ）では、第１段階のＲ－ＧＣＮ１による算術演算機能の推定結果に対してクラスタリングを施すことで、Ｒ－ＧＣＮ２への入力グラフに変換処理された状態が示されている。この変換処理の詳細については、後述する。
【0034】
図３（Ａ）では、第１段階のＲ－ＧＣＮ１により３つの算術演算機能としてＡＤＤ、ＭＵＬ、ＦＦが推定され、その推定結果をクラスタリングして得られた入力グラフが示されている。具体的には、クラスタリングの結果として、１３個のノードおよび接続関係に集約された状態が示されている。
【0035】
図３（Ｂ）では、第２段階のＲ－ＧＣＮ２に対して図３（Ａ）に示した入力グラフが入力され、算術演算機能の推定結果に基づいて上位階層の回路機能としてのアプリケーション機能が推定され、出力としてＲｅｓｕｌｔ２が得られた状態を示している。具体的には、１３個のノードについて、３つのアプリケーション機能として、ＦＩＲ、ＩＩＲ、ＦＦＴが推定された状態を示している。
【0036】
【0037】
図３に示したように、２つのＲ－ＧＣＮを直列接続することで、階層的な機能推定が行えるメリットがある。さらに、推定精度の観点においても、Ｒ－ＧＣＮを直列につなげることによるメリットがあり、図４を用いて説明する。
【0038】
図４は、本開示の実施の形態１においてＲ－ＧＣＮを２個直列に接続した場合の、推定精度に関するメリットを示した説明図である。図４（Ａ）では、第１段階のＲーＧＣＮ１による推定結果であるＲｅｓｕｌｔ１が示されている。また、図４（Ｂ）では、図４（Ａ）に示したＲｅｓｕｌｔ１をクラスタリングした結果が示されている。
【0039】
図４（Ｂ）においては、１３個のノードのうち、ノードｎ１が本来はＭＵＬであるがＡＤＤとしてクラスタリングされ、ノードｎ２が本来はＡＤＤであるがＭＵＬとしてクラスタリングされ、クラスタリングされて得られた入力グラフにおいて、２ヶ所で誤判定が生じている場合を例示している。
【0040】
図４（Ｃ）では、図４（Ｂ）に示したクラスタリング後のＲｅｓｕｌｔ１における１３個のノードによる入力グラフを入力として、第２段階のＲ－ＧＣＮ２による推定結果として得られたＲｅｓｕｌｔ２を示している。具体的には、入力グラフに含まれている誤判定された結果ごとに第２段階のＲ－ＧＣＮ２による学習を行うことで、Ｒｅｓｕｌｔ２が推定結果として得られた状態を示している。
【0041】
図４に示したとおり、前段の推定結果（Ｒｅｓｕｌｔ１）では、ＭＵＬおよびＡＤＤといった算術演算機能の推定に一部の誤判定が発生していた。しかしながら、その誤判定された結果を後段のＲ－ＧＣＮ２において学習させることで、最終的なアプリケーション機能の推定精度が向上することが期待できる。
【0042】
換言すると、各階層の出力と上位階層のラベルとを紐付けることで、前段の第１段階での機能推定手法のクセを考慮して、後段の第２段階において学習させることが可能となる。この結果、Ｒ－ＧＣＮを多段に直列接続することで、前段での推定結果が間違っていた場合にも、間違ったまま後段の学習データに使うことで、Ｅｎｄ－ｔｏ－Ｅｎｄで精度を向上させることが可能となる。
【0043】
＜インスタンス有りの場合の第二推定工程による一連処理について＞
次に、インスタンス有りの場合において、Ｒ－ＧＣＮ１を用いた第１推定工程１０の推定結果に基づいて、Ｒ－ＧＣＮ２を用いることで第２の機能推定を行う第２推定工程２０について詳細に説明する。
次に、インスタンス有りの場合において、Ｒ－ＧＣＮ１を用いた第１推定工程１０の推定結果に基づいて、Ｒ－ＧＣＮ２を用いることで第２の機能推定を行う第２推定工程２０について詳細に説明する。
【0044】
図５は、本開示の実施の形態１において、インスタンス有りの場合にＲ－ＧＣＮ２で用いる行列の基となる入力グラフを生成する手法を示した説明図である。図５（Ａ）では、ゲートレベルのネットリストにおいて、各算術演算回路の範囲がインスタンス名として記載されている状態が示されている。
【0045】
図５（Ｂ）では、ネットリスト内のインスタンス名に基づいて、論理ゲートをノードとして７つのインスタンスに分類された状態が示されている。具体的には、図５（Ｂ）では、Ｒ－ＧＣＮ１の推定結果として、ＦＦ１、ＦＦ２、ＭＵＬ１、ＭＵＬ２、ＭＵＬ３、ＡＤＤ１、ＡＤＤ２の７つの回路がインスタンスとして推定され、それぞれのインスタンス内に論理ゲートとして複数のノードが含まれている状態が示されている。
【0046】
図５（Ｃ）では、図５（Ｂ）に示したＲ－ＧＣＮ１による推定結果に対してクラスタリングを実施することで、算術演算回路をノードとする入力グラフが得られた状態が示されている。具体的には、図５（Ｃ）では、２つのＦＦ、３つのＭＵＬ、２つのＡＤＤからなる７つのノードにクラスタリングされた入力グラフが示されている。
【0047】
なお、図５（Ｂ）における各インスタンス内に含まれているそれぞれのノードは、１つの種類に統一されているとは限らない。そこで、各インスタンス内に分類されているノードに関して多数決を取り、各インスタンス内の全てのノードに対して同一の分類を割り当てることで、図５（Ｃ）に示した入力グラフを得ることができる。
【0048】
そこで、多数決を取るイメージについて、図６を用いて説明する。図６は、本開示の実施の形態１において、Ｒ－ＧＣＮ１によってノード分類された推定結果に対して、各インスタンス内で多数決を取るイメージを示した説明図である。
【0049】
図６（Ａ）では、ネットリストに記載されたインスタンス名から、ＡＤＤ１、ＡＤＤ２、ＭＵＬ１、ＳＵＢ１、ＦＦ１の５つの回路にノード分類され、ＭＵＬ１に分類された３つのノードであるノード３～ノード５に関して、ノード３、ノード４がＭＵＬとして推定され、ノード５がＡＤＤとして推定された状態を示している。
【0050】
図６（Ｂ）では、インスタンスＭＵＬ１に分類された３つのノードについて多数決を取ることで、ノード５がＡＤＤからＭＵＬに変わった状態が示されている。このような多数決処理を行うことで、Ｒ－ＧＣＮ１によってノード分類された推定結果におけるそれぞれのインスタンス内のノードは、同機能を有する１つの算術演算として統一されることとなる。
【0051】
次に、Ｒ－ＧＣＮ２で用いられる３種の行列として、新隣接行列Ａ’、新特徴行列Ｘ’、新正解行列Ｙ’を生成する手法を説明する。ここでは、先の図６（Ｂ）に示した多数決処理後のグラフに基づいて３種の行列を生成する場合を具体例として説明する。
【0052】
図７は、本開示の実施の形態１において、新隣接行列Ａ’を算出する前段としてインスタンス行列Ｓを生成する手法を示した説明図である。ここで、インスタンス行列Ｓとは、各ノードの属するインスタンスを記述する行列に相当する。図７（Ａ）では、先の図６（Ｂ）に示した多数決処理後のグラフが示されている。具体的には、５個のインスタンスであるＡＤＤ１、ＡＤＤ２、ＭＵＬ１、ＳＵＢ１、ＦＦ１について、合計９個のノードが分類されたグラフが示されている。
【0053】
図７（Ｂ）では、列を５個のインスタンス、行を９個のノードとするインスタンス行列Ｓが示されている。例えば、ＡＤＤ１には、ノード１、２が含まれているため、インスタンス行列Ｓの１列目では、１行目と２行目が１として設定され、その他の行は０として設定されている。
【0054】
次に、新隣接行列Ａ’を生成する手法について説明する。図８は、本開示の実施の形態１において、インスタンス行列Ｓを用いて新隣接行列Ａ’を生成する手法を示した説明図である。図８（Ａ）では、第１段階のＲ－ＧＣＮ１で用いられた出力側の隣接行列Ａｏｕｔと、先の図７（Ｂ）に示したインスタンス行列Ｓを用いて、
ＳＴ×Ａｏｕｔ×Ｓ
の演算結果として得られた行列に基づいて、新隣接行列Ａｏｕｔ’、新隣接行列Ａｉｎ’、新隣接行列Ａｏｗｎ’を得る手法が示されている。ここで、新隣接行列Ａｉｎ’は新たな第１の隣接行列に相当し、新隣接行列Ａｏｗｎ’は新たな第２の隣接行列に相当し、新隣接行列Ａｏｕｔ’は新たな第３の隣接行列に相当する。
ＳＴ×Ａｏｕｔ×Ｓ
の演算結果として得られた行列に基づいて、新隣接行列Ａｏｕｔ’、新隣接行列Ａｉｎ’、新隣接行列Ａｏｗｎ’を得る手法が示されている。ここで、新隣接行列Ａｉｎ’は新たな第１の隣接行列に相当し、新隣接行列Ａｏｗｎ’は新たな第２の隣接行列に相当し、新隣接行列Ａｏｕｔ’は新たな第３の隣接行列に相当する。
【0055】
具体的には、図８（Ａ）では、ＳＴ×Ａｏｕｔ×Ｓの演算結果として得られた行列に対して、対角成分を０とし、対角成分以外の成分で０以外の成分を１とする書き換えを行うことで、新隣接行列Ａｏｕｔ’が生成される。また、新隣接行列Ａｏｕｔ’を転置することで、新隣接行列Ａｉｎ’が生成される。さらに、対角成分のみを１とした単位行列とすることで、新隣接行列Ａｏｗｎ’が生成される。
【0056】
図８（Ｂ）では、先の図６（Ｂ）および先の図７（Ａ）に示した多数決処理後のグラフが示されている。また、図８（Ｃ）では、図８（Ａ）に示した新隣接行列Ａｏｕｔ’、新隣接行列Ａｉｎ’、および新隣接行列Ａｏｗｎ’に対応するグラフとして、図８（Ｂ）のグラフからクラスタリング後のグラフが得られた状態を示している。このように、図７および図８に示した処理を行うことで、新隣接行列Ａｏｕｔ’、新隣接行列Ａｉｎ’、および新隣接行列Ａｏｗｎ’の３つの行列からなる新隣接行列Ａ’が生成される。
【0057】
次に、新特徴行列Ｘ’を生成する手法について説明する。図９は、本開示の実施の形態１において、クラスタリング後のグラフから新特徴行列Ｘ’を生成する手法を示した説明図である。図９（Ａ）では、先の図８（Ｃ）に示したクラスタリング後のグラフが示されている。
【0058】
図９（Ｂ）では、図９（Ａ）に示したクラスタリング後のグラフから、新特徴行列Ｘ’が生成された状態を示している。具体的には、列を５つの算術演算ＡＤＤ、ＳＵＢ、ＭＵＬ、ＭＵＸ、ＦＦとし、行をクラスタリング後のグラフにおける５つのノードであるノード１’～ノード５’として、図９（Ａ）に示したクラスタリング後のグラフに対応する要素に対して１を設定することで、新特徴行列Ｘ’が生成される。
【0059】
次に、正解行列Ｙ’を生成する手法について説明する。図１０は、本開示の実施の形態１において、クラスタリング後のグラフに示された回路のアプリケーションから新正解行列Ｙ’を生成する手法を示した説明図である。図１０（Ａ）では、先の図８（Ｃ）に示したクラスタリング後のグラフが示されている。
【0060】
図１０（Ｂ）では、図９（Ａ）に示したクラスタリング後のグラフに示された回路のアプリケーションから、ＦＩＲとして新正解行列Ｙ’が生成された状態を示している。なお、新正解行列Ｙ’の具体的な生成方法に関しては、特許文献２に開示されており、詳細な説明を省略する。
【0061】
以上のように、コンピュータは、図５～図１０を用いて説明した一連処理を実行することで、インスタンス有りの場合の第二推定工程を実行することができる。具体的には、第１推定工程１０による推定結果に基づいて、新たな特徴行列Ｘ’および新たな３種の隣接行列Ａｏｕｔ’、Ａｉｎ’、Ａｏｗｎ’を第２のＲ－ＧＣＮに入力し、クラスタリング後のノードおよびエッジの接続関係を用いたグラフ畳み込み演算を実行することで、第２の機能推定を実行することができる。
【0062】
＜インスタンス無しの場合の第二推定工程による一連処理について＞
次に、インスタンス無しの場合において、Ｒ－ＧＣＮ１を用いた第１推定工程１０の推定結果に基づいて、Ｒ－ＧＣＮ２を用いることで第２の機能推定を行う第２推定工程２０について詳細に説明する。
次に、インスタンス無しの場合において、Ｒ－ＧＣＮ１を用いた第１推定工程１０の推定結果に基づいて、Ｒ－ＧＣＮ２を用いることで第２の機能推定を行う第２推定工程２０について詳細に説明する。
【0063】
インスタンス無しの場合には、Ｒ－ＧＣＮ１によって得られたノード分類結果である出力グラフに基づいてクラスタリング処理を行うことで、Ｒ－ＧＣＮ２の入力となる入力グラフを生成し、入力グラフに基づいて、Ｒ－ＧＣＮ２で用いられる３種の行列である新隣接行列Ａ’、新特徴行列Ｘ’、新正解行列Ｙ’を生成することとなる。換言すると、クラスタリング後の各ノードにおける種別を表現する行列として、新隣接行列Ａ’、新特徴行列Ｘ’、新正解行列Ｙ’が生成されることとなる。
【0064】
図１１は、本開示の実施の形態１において、インスタンス無しの場合にＲ－ＧＣＮ２に対する入力グラフを生成する手法を示した説明図である。なお、図１１では、説明を簡略化するために、ノード間を無向グラフとして示しているが、有向グラフの場合にも、以下に説明する平滑化処理およびマージ処理を適用することができる。
【0065】
インスタンス無しの場合にＲ－ＧＣＮ２に対する入力グラフを生成するためには、Ｒ－ＧＣＮ１によって得られたノード分類結果である出力グラフに対して、前処理としての平滑化処理を実施し、さらに、平滑化処理後のグラフに対してクラスタリング処理を行うこととなる。
【0066】
図１１（Ａ)では、Ｒ－ＧＣＮ１によって得られたノード分類結果である出力グラフの一例が示されており、１２個のノードが４種の算術演算のいずれかに分類されている状態が示されている。さらに、図１１（Ａ）では、いずれの隣接ノードとも算術演算が異なり、周囲とは孤立した算術演算として分類された３つのノードｎ１～ｎ３が、□印を用いることで孤立ノードとして識別表示されている。
【0067】
図１１（Ｂ）では、図１１（Ａ）に示したグラフに含まれている３つの孤立ノードに対して、平滑化処理を実施した後のグラフが示されている。平滑化処理は、隣接ノードの機能比較に基づいて孤立したノードを削除する処理に相当し、以下の２つのルール１、２に従って実行される。
ルール１：自身に隣接するノードについて分類結果に関する多数決を取ることで、孤立ノードの分類を最も多かった分類に書き換えることで平滑化を行う。
ルール２：ルールによって、多数決により同機能を有する１つの分類に特定できない場合には、孤立ノードの分類をそのままの分類とする。
ルール１：自身に隣接するノードについて分類結果に関する多数決を取ることで、孤立ノードの分類を最も多かった分類に書き換えることで平滑化を行う。
ルール２：ルールによって、多数決により同機能を有する１つの分類に特定できない場合には、孤立ノードの分類をそのままの分類とする。
【0068】
図１１（Ｂ）においては、ノードｎ１に関してはルール１が成立するため、ノード分類を書き換える平滑化処理が実行され、ノードｎ２、ｎ３に関しては、ルール２が成立するため、ノード分類がそのまま維持されている。
【0069】
図１１（Ｃ）では、図１１（Ｂ）に示した平滑化処理を実行後のグラフに対して、同機能を有するノードに関してマージ処理を実施した後のグラフが示されている。マージ処理は、以下のルール３に従って実行される。
ルール３：隣接するノードにおいて、同一の機能に分類されているノード同士をマージする。
ルール３：隣接するノードにおいて、同一の機能に分類されているノード同士をマージする。
【0070】
【0071】
【0072】
手順１：隣接するノードに関して、同一分類を有するノードペアを１つ求める。
手順２：手順１で求めた同一分類を有する１つのノードペアに関して同等のノードを１つ加えるとともに、同一分類を有する１つのノードペアにおける隣接ノードとの接続関係を追記する。
手順３：手順１で求めた同一分類を有する１つのノードペアを削除する。
手順４：隣接するノードに関して、同一分類を有するノードペアがなくなるまで、手順１～３を繰り返す。
手順２：手順１で求めた同一分類を有する１つのノードペアに関して同等のノードを１つ加えるとともに、同一分類を有する１つのノードペアにおける隣接ノードとの接続関係を追記する。
手順３：手順１で求めた同一分類を有する１つのノードペアを削除する。
手順４：隣接するノードに関して、同一分類を有するノードペアがなくなるまで、手順１～３を繰り返す。
【0073】
図１２（Ａ）では、Ｒ－ＧＣＮ１によって得られたノード分類結果である出力グラフの一例として、先の図１１（Ａ）に示したものと同じグラフが示されており、１２個のノードを識別するための番号として１～１２の数字が付記されている。さらに、図１２（Ａ）では、手順１が実施されることで、ノード１とノード２が同一分類を有するノードペアとして求まった場合が示されている。
【0074】
図１２（Ｂ）では、手順２が実行されることで、ノードペアと同等のノード１’を追記した状態が示されている。
【0075】
図１２（Ｃ）では、手順３が実行されることで、ノード１とノード２による同一分類を有するノードペアが削除され、ノード１’に置き換わった状態が示されている。
【0076】
【0077】
手順１～４を繰り返した結果、図１２（Ｄ）に示すように、ノード１～４がノード４’としてマージされ、ノード５、６がノード６’としてマージされ、ノード７、８がノード７’としてマージされ、ノード９、１０がノード９’としてマージされる一方で、ノード１１、１２は、隣接するノードとの間で同一分類を有するノードペアとならなかったため、そのまま残っている。
【0078】
以上のように、実施の形態１によれば、１段目である第１推定工程において第１のＲ－ＧＣＮを用いることで第１の機能推定を行い、後段の第２推定工程において第１推定工程の推定結果に基づいて第２のＲ－ＧＣＮを用いることで第２の機能推定を行う構成を備えている。このような構成を備えることで、より上位階層の回路機能の推定を行うことができ、階層的な機能推定を実現できる。
【0079】
さらに、各階層の出力と上位階層のラベルとを紐付けることで、前段の第１段階での機能推定手法のクセを考慮して、後段の第２段階において学習させることが可能となる。換言すると、Ｒ－ＧＣＮを多段に直列接続する構成を採用することで、前段での推定結果が間違っていた場合にも、間違ったまま後段の学習データに使うことで、Ｅｎｄ－ｔｏ－Ｅｎｄで精度向上を図ることが可能となる。
【0080】
すなわち、Ｒ－ＧＣＮを複数個直列に接続することで，従来技術では不可能であった、より複雑で大規模なＬＳＩのネットリストの機能推定を実施することが可能となる。
【0081】
さらに、本開示に係る機能推定方法によれば、ネットリストからクラスターの境界が既知であるインスタンス有りの場合、およびネットリストからクラスターの境界が未知であるインスタンス無しの場合のいずれにおいても、第１推定工程による推定結果に対してクラスタリング処理を実行することができる。特に、インスタンス無しの場合においても、前段の出力グラフに基づいて機能の境界を自動的に判別してクラスタリングを行うことが可能である。
【0082】
従って、実施の形態１によれば、従来技術と比較して、ＬＳＩのネットリストに対する機能推定の汎化性向上を図ることができる機能推定方法および機能推定プログラムを実現することができる。
【0083】
なお、上述した実施の形態１では、Ｒ－ＧＣＮを２つ直列接続した２階層の接続構成について説明したが、本開示に係る機能推定方法および機能推定プログラムは、２階層の接続構成に限定されるものではない。図１３は、本開示の実施の形態１における接続構成の第１の具体例を示した図である。
【0084】
図１３では、２階層を３以上のｎ階層に拡張した場合の直列接続構成例を示している。図１３に示した具体例では、階層１～階層ｎが順次積層されたｎ階層の構成を有している。そして、ｉを２以上の整数とした場合に、（ｉ－１）階層目のＲ－ＧＣＮの出力から、ｉ階層目のＲ－ＧＣＮの入力データセットを作成することで、２階層の接続構成で得られる上述した効果と同等の効果を実現できる。
【0085】
図１４は、本開示の実施の形態１における接続構成の第２の具体例を示した図である。図１４に示すように、階層化された直列接続構成を、複数、並列接続した直並列構成を採用した場合にも、２階層の接続構成で得られる上述した効果と同等の効果を実現できる。
【0086】
また、上述した実施の形態１では、第１推定工程と第２推定工程とを備えた機能推定方法について詳細に説明したが、コンピュータを、ネットリストに基づいて第１のＲ－ＧＣＮを用いることで第１の機能推定を行う第１推定手段と、第１推定手段の推定結果に基づいて第２のＲ－ＧＣＮを用いることで第２の機能推定を行う第２推定手段として機能させる機能推定プログラムを実現することも可能である。
【0087】
また、上述した実施の形態１では、グラフ構造を畳み込んだネットワークであるＧＣＮとしてＲ－ＧＣＮを用いる場合を具体例として説明した。しかしながら、本開示は、グラフを扱う深層学習全般に適用可能であり、ＧＣＮを含む上位概念であるＧＮＮにおいて、ノードレベルでの分類を行うことに特徴を有するものである。
【符号の説明】
【0088】
１０ 第１推定工程、２０ 第２推定工程、Ｓ インスタンス行列、Ａｉｎ’ 新隣接行列（新たな第１の隣接行列）、Ａｏｗｎ’ 新隣接行列（新たな第２の隣接行列）、Ａｏｕｔ’ 新隣接行列（新たな第３の隣接行列）。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
