特開 2023-156901 機械学習プログラム、機械学習方法、熱解析装置

(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】P2023156901

(43)【公開日】2023-10-25

(54)【発明の名称】機械学習プログラム、機械学習方法、熱解析装置

(51)【国際特許分類】

   G06F 30/27 20200101AFI20231018BHJP

   G06F 30/20 20200101ALI20231018BHJP

   G06F 30/10 20200101ALI20231018BHJP

   G06F 119/08 20200101ALN20231018BHJP

【ＦＩ】

G06F30/27

G06F30/20

G06F30/10 100

G06F119:08

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022066545

(22)【出願日】2022-04-13

(71)【出願人】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】曾根田 弘光

(72)【発明者】

【氏名】小川 雅俊

【テーマコード（参考）】

5B146

【Ｆターム（参考）】

5B146DC03

5B146DJ01

5B146DJ11

5B146DJ14

(57)【要約】

【課題】高速且つ高精度にヒートシンクの熱解析を行うことを課題とする。
【解決手段】熱解析装置は、説明変数であるヒートシンクの形状情報と目的変数であるヒートシンクの熱分布情報とを含む訓練データを取得する。熱解析装置は、訓練データに基づいて、機械学習モデルの、ヒートシンクの複数の位置の温度関係を制約する式を含む損失関数に従った機械学習を実行する。
【選択図】図１

【特許請求の範囲】

【請求項1】

説明変数であるヒートシンクの形状情報と目的変数である前記ヒートシンクの熱分布情報とを含む訓練データを取得し、
前記訓練データに基づいて、機械学習モデルの、ヒートシンクの複数の位置の温度関係を制約する式を含む損失関数に従った機械学習を実行する、
処理をコンピュータに実行させることを特徴とする機械学習プログラム。

【請求項2】

前記取得する処理は、
前記ヒートシンクの形状情報を用いて算出された前記ヒートシンクのフィン間隔を前記説明変数にさらに含む前記訓練データを取得し、
前記実行する処理は、
前記ヒートシンクの形状情報および前記フィン間隔を説明変数、前記ヒートシンクの熱分布情報を前記目的変数に含む前記訓練データに基づいて、前記機械学習を実行する、
ことを特徴とする請求項１に記載の機械学習プログラム。

【請求項3】

前記制約する式は、前記ヒートシンクにおける熱分布を物理法則に即して記述する関数である物理ベース損失関数である、
ことを特徴とする請求項１又は２に記載の機械学習プログラム。

【請求項4】

前記物理ベース損失関数は、前記ヒートシンクの熱抵抗と包絡体積の関係式である、
ことを特徴とする請求項３に記載の機械学習プログラム。

【請求項5】

前記物理ベース損失関数は、前記ヒートシンクにおいて熱源からの距離が異なる複数の位置の温度の大小関係に応じた値を返す、
ことを特徴とする請求項３に記載の機械学習プログラム。

【請求項6】

前記複数の位置は、
第１の位置と、
前記第１の位置よりも前記熱源に近い第２の位置と、
を含み、
前記物理ベース損失関数は、前記第１の位置の温度が前記第２の位置の温度よりも低い場合には、前記第１の位置の温度が前記第２の位置の温度よりも高い場合よりも、小さい値を返す、
ことを特徴とする請求項５に記載の機械学習プログラム。

【請求項7】

前記物理ベース損失関数は、前記第１の位置の温度と前記第２の位置の温度との差を引数とするＲｅＬＵ関数を含む、
ことを特徴とする請求項６に記載の機械学習プログラム。

【請求項8】

説明変数であるヒートシンクの形状情報と目的変数である前記ヒートシンクの熱分布情報とを含む訓練データを取得し、
前記訓練データに基づいて、機械学習モデルの、ヒートシンクの複数の位置の温度関係を制約する式を含む損失関数に従った機械学習を実行する、
処理をコンピュータが実行することを特徴とする機械学習方法。

【請求項9】

説明変数であるヒートシンクの形状情報と目的変数である前記ヒートシンクの熱分布情報とを含む訓練データを用いてヒートシンクの複数の位置の温度関係を制約する式を含む損失関数に従った機械学習により生成された機械学習モデルに、設計対象であるヒートシンクの形状情報を入力し、
前記ヒートシンクの形状情報の入力に応じて前記機械学習モデルが出力する出力結果に基づき、前記設計対象であるヒートシンクの熱分布情報を取得する、
制御部を有することを特徴とする熱解析装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、ヒートシンクの設計における機械学習技術に関する。

【背景技術】

【0002】

ヒートシンクの設計に熱解析が用いられることが知られている。近年では、物理モデルや機械学習モデルを用いた熱解析のシミュレーションにより、ヒートシンクの形状を最適化することも行われている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１９－１１８９４０号公報

【特許文献2】特開２００３－２２３４７０号公報

【特許文献3】米国特許出願公開第２０１７／００９１３５６号明細書

【発明の概要】

【発明が解決しようとする課題】

【0004】

熱解析に物理モデルを用いると、計算時間が長くなり高速化の課題はあるが、物理法則に即した結果が得られやすい。機械学習モデルを用いると、高速化できるが、物理法則に即した結果が得られなかったり、訓練データのない領域での解析精度が低下したりする。

【0005】

一つの側面では、高速且つ高精度にヒートシンクの熱解析を行うことができる機械学習プログラム、機械学習方法、熱解析装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

第１の案では、機械学習プログラムは、説明変数であるヒートシンクの形状情報と目的変数であるヒートシンクの熱分布情報とを含む訓練データを取得し、訓練データに基づいて、機械学習モデルの、ヒートシンクの複数の位置の温度関係を制約する式を含む損失関数に従った機械学習を実行する、処理をコンピュータに実行させることを特徴とする。

【発明の効果】

【0007】

一実施形態によれば、高速且つ高精度にヒートシンクの熱解析を行うことができる。

【図面の簡単な説明】

【0008】

【図1】図１は、実施形態に係る熱解析装置１の機能構成を示す機能ブロックである。

【図2】図２は、入力情報２１ａの例を模式的に示す図である。

【図3】図３は、出力情報２１ｂの例を模式的に示す図である。

【図4】図４は、機械学習部２２による機械学習モデルＭの機械学習方法を模式的に示す図である。

【図5】図５は、解析部２１による熱解析方法を模式的に示す図である。

【図6】図６は、ハードウェア構成例を説明する図である。

【発明を実施するための形態】

【0009】

以下、実施形態を図面に基づいて詳細に説明する。この実施形態により発明は限定されない。各形態は、矛盾のない範囲内で適宜組み合わされてよい。

【0010】

ヒートシンクを組み込んだ機器の開発のペースがハイスピード化するにつれ、熱設計もハイスピード化することが望まれている。近年、発熱量の増大に伴い、開発のごく初期の段階からあらかじめ熱設計をしておく必要性が出てきている。その場合、長期間をかけて、特定のモデルに対して厳密に熱性能を推定することだけが有用なのではなく、ごく短期間（数分程度）に推定値を出すことが有用となってくる。また、熱解析に習熟した者でなくても手軽に熱性能を推定できることが望ましい。ヒートシンクは、発熱源、例えば機器やデバイスごとに個別設計されるのが一般的であり、その設計には、熱性能、サイズ、重量などをバランスよく最適化する必要がある。

【0011】

ヒートシンクの形状を最適化するために、熱解析シミュレーションが行われる。シミュレーションには、物理モデルや機械学習モデルが利用されるが、次のような利点・欠点がある。物理モデルを用いると、物理現象に則した結果が得られるが、計算時間が長くなり、高速化の課題が生じる。また、物理モデルによる推定値と実測値に乖離が生じることもある。機械学習モデルを用いることで、計算時間は短くなり高速化は可能になる。訓練データ点では機械学習モデルによる推定値と実測値の乖離が小さい。ただし、訓練データのない領域の推定の信頼性が低い。推定結果が物理法則と一致する保証もない。こういったことから、高精度化の課題が残る。

【0012】

ヒートシンクの開発スピードの高速化のためには、熱解析シミュレーションの高速化及び高精度化が必要である。しかし、シミュレーションに用いる物理モデル或いは機械学習モデルにはそれぞれ上述のような欠点がある。開示される技術によれば、それらの欠点が克服された、高速且つ高精度にヒートシンクの熱解析を行うことができるようになる。

【0013】

図１は、実施形態に係る熱解析装置１の機能構成を示す機能ブロックである。熱解析装置１は、ヒートシンクの熱解析を行う装置である。熱解析装置１は、制御部２と、記憶部３とを含む。記憶部３には、制御部２による制御に必要なさまざまな情報が記憶される。図１には、記憶部３に記憶される情報のうち、機械学習モデルＭが例示される。

【0014】

制御部２は、熱解析装置１全体の処理を司る処理部であり、解析部２１と機械学習部２２とを有する。解析部２１には、入力情報２１ａが入力される。入力情報２１ａは、ヒートシンクの形状情報を含む。ヒートシンクの種類等に応じてさまざまに異なり得る入力情報２１ａが、解析部２１に入力される。

【0015】

解析部２１は、入力情報２１ａに基づいて熱解析を行い、熱解析の結果を出力情報２１ｂとして出力する。出力情報２１ｂは、ヒートシンクの熱分布情報を含む。入力情報２１ａに応じたさまざまな出力情報２１ｂが、解析部２１によって出力される。

【0016】

解析部２１に入力される入力情報２１ａ、及び、解析部２１が出力する出力情報２１ｂについて、図２及び図３も参照して説明する。

【0017】

図２は、入力情報２１ａの例を模式的に示す図である。入力情報２１ａは、設計対象であるヒートシンク４の形状情報を含む。ヒートシンク４は、発熱源の放熱に用いられる。この例では、発熱源は、リード７とともに基板８上に実装されるＣＰＵ６である。ＣＰＵ６における基板８とは反対側の面が、熱伝導材５を介してヒートシンク４と熱的に接続される。

【0018】

ヒートシンク４は、ベース４１と、複数のフィン４２とを含む。ベース４１は、熱伝導材５を介してＣＰＵ６に熱的に接触する。ヒートシンク４は、例えばベース４１の中央部とＣＰＵ６とが対向するように、ＣＰＵ６に対して配置される。複数のフィン４２は、各々がベース４１の異なる位置を基端とし、間隔をあけて延在する。

【0019】

入力情報２１ａは、ヒートシンク４の寸法を含む。ヒートシンク４の寸法は、ヒートシンク４全体の寸法（例えば包絡形状寸法）、ヒートシンク４の各部の寸法等である。ヒートシンク４の各部の寸法の例は、ベース４１の寸法（幅、長さ、高さ等）、フィン４２の寸法（幅、長さ、高さ等）等である。

【0020】

入力情報２１ａは、発熱部品すなわちこの例ではＣＰＵ６の温度情報を含む。温度情報の例は、ＣＰＵ６自体の温度、ＣＰＵ６のケース温度（パッケージ等の温度）、ＣＰＵ６の周辺温度（アンビエント温度）等である。入力情報２１ａは、ＣＰＵ６の形状情報、また、ＣＰＵ６の位置情報すなわちＣＰＵ６がヒートシンク４のどの部分に対向してヒートシンク４に熱的に接続されるのか等の情報も含んでよい。他にも、ＣＰＵ６に対して設けられる図示しないファンに関する情報等が入力情報２１ａに含まれてよい。

【0021】

図３は、出力情報２１ｂの例を模式的に示す図である。出力情報２１ｂは、設計対象であるヒートシンク４の熱分布情報を含む。この例では、ヒートシンク４の熱分布が、ヒートシンク４に対して設定された３次元グリッドに従って示される。グリッドの交点に対応する位置を、位置Ｙと称し図示する。出力情報２１ｂは、ヒートシンク４における複数の位置Ｙと、温度とを対応付ける情報であってよい。

【0022】

図１に戻り、解析部２１は、機械学習モデルＭを用いて、ヒートシンク４の熱解析を行う。機械学習モデルＭは、任意のヒートシンクの形状情報が入力されると、そのヒートシンクの熱分布情報を出力するように、予め訓練データを用いて機械学習されたモデルである。解析部２１は、ヒートシンク４の形状情報を含む入力情報２１ａを機械学習モデルＭに入力することによって、機械学習モデルＭから、ヒートシンク４の熱分布情報を含む出力情報２１ｂを取得する。なお、機械学習モデルＭにおいて扱われる形状情報及び熱分布情報は、機械学習モデルＭでの処理に適したデータ形式に変換されたデータであってよい。

【0023】

機械学習部２２は、機械学習モデルＭの機械学習を実行する。機械学習モデルＭの機械学習に用いられる訓練データを、訓練データ２２ａと称し図示する。機械学習部２２は、訓練データ２２ａを取得し、取得した訓練データ２２ａに基づいて、機械学習モデルＭの機械学習を実行する。

【0024】

図４は、機械学習部２２による機械学習モデルＭの機械学習方法を模式的に示す図である。この例では、機械学習モデルＭは、ニューラルネットワークＮＮを含んで構成される。訓練データ２２ａは、説明変数と、目的変数とを含む。先に説明変数について説明し、その後、目的変数について説明する。

【0025】

説明変数は、さまざまなヒートシンクの形状情報であり、先に図２を参照して説明したヒートシンク４の入力情報２１ａと同様の情報を含む。例えば、訓練データ２２ａ用に準備されたヒートシンクの形状情報が、機械学習部２２に入力される。機械学習部２２は、入力されたヒートシンクの形状情報を、説明変数として取得する。

【0026】

さらに、機械学習部２２は、フィン間隔も説明変数として取得してよい。図４に示される例では、ヒートシンクの物理モデルを用いて、フィン間隔が取得される。この物理モデルは、熱伝導、放熱、熱抵抗等の物理特性に基づいて、最適なフィン間隔を算出する。例えば、下記の式に従って、最適なフィン間隔が算出される。

【0027】

【数1】

【0028】

物理モデルは、制御部２の機械学習部２２が利用できるように、例えば記憶部３に記憶されてよい。制御部２の解析部２１も、その物理モデルを利用可能である。

【0029】

目的変数は、説明変数に係るヒートシンクの熱分布情報であり、先に図３を参照して説明したようなヒートシンク４の出力情報２１ｂと同様の情報を含む。例えば、上述の説明変数に係るヒートシンクの熱分布情報が、機械学習部２２に入力される。機械学習部２２は、入力されたヒートシンクの熱分布情報を、目的変数として取得する。

【0030】

目的変数は、正解データであり、熱分布の実測値（実験結果）や、同一又は類似の形状を有するヒートシンクに対して行われた過去の熱分布シミュレーション結果等を用いて準備される。

【0031】

機械学習部２２は、上述のような訓練データ２２ａを取得し、取得した訓練データ２２ａに基づいて、機械学習モデルＭの機械学習を実行する。機械学習モデルＭは、ヒートシンクの形状情報が入力されると、ヒートシンクの熱分布情報を出力するように学習される。機械学習モデルＭが出力する熱分布情報は、推定データである。機械学習部２２は、機械学習モデルＭが出力する熱分布情報（推定データ）が、訓練データ２２ａの目的変数である熱分布情報（正解データ）に近づくように、機械学習モデルＭを学習させる。

【0032】

具体的に、機械学習部２２は、損失関数ｆに従った機械学習を実行する。本実施形態では、損失関数ｆは、ヒートシンクの複数の位置Ｙの温度関係を制約する式を含む。損失関数ｆは、例えば以下の式によって表される。

【0033】

【数2】

【0034】

上記の式（２）の右辺第１項のＬは、説明変数と目的変数との差を表す一般的な損失関数である。右辺第２項のλ_ＰＨＹＬ_ＰＨＹは、ヒートシンクの複数の位置Ｙの温度関係を制約する式を構成する。具体的に、λ_ＰＨＹは、定数であり、Ｌ_ＰＨＹは、ヒートシンク４の複数の位置Ｙの温度関係を制約する物理ベース損失関数である。

【0035】

物理ベース損失関数Ｌ_ＰＨＹは、ヒートシンクにおける熱分布を物理法則に即して記述する式であり、より具体的には、ヒートシンク４の熱抵抗と包絡体積の関係式である。例えば、物理ベース損失関数Ｌ_ＰＨＹは、ヒートシンクにおける熱源（例えば図２のＣＰＵ６等）からの距離が異なる複数の位置Ｙの温度の大小関係に応じた値を返す。

【0036】

具体的に、ヒートシンクにおける複数の位置Ｙのうち、第１の位置Ｙａ、及び、第１の位置Ｙａよりも熱源に近い第２の位置Ｙｂを例に挙げて説明する。物理法則に従えば、位置Ｙａの温度は、位置Ｙｂの温度よりも低くなる。

【0037】

物理ベース損失関数Ｌ_ＰＨＹは、位置Ｙａの温度が位置Ｙｂの温度よりも低い場合には、位置Ｙａの温度が位置Ｙｂの温度よりも高い場合よりも、小さい値を返す。位置Ｙａの温度及び位置Ｙｂの温度の大小関係が物理法則に即しているので、物理ベース損失関数Ｌ_ＰＨＹが小さくなる。

【0038】

一方で、物理ベース損失関数Ｌ_ＰＨＹは、位置Ｙａの温度が位置Ｙｂの温度よりも高い場合には、位置Ｙａの温度が位置Ｙｂの温度よりも低い場合よりも、大きい値を返す。位置Ｙａの温度及び位置Ｙｂの温度の大小関係が物理法則に即しておらず、物理ベース損失関数Ｌ_ＰＨＹが大きくなる。

【0039】

上述のような物理ベース損失関数Ｌ_ＰＨＹは、例えば、位置Ｙａの温度と位置Ｙｂの温度との差を引数とするＲｅＬＵ関数含む。そのような物理ベース損失関数Ｌ_ＰＨＹの一例を以下に示す。

【0040】

【数3】

【0041】

上記の式（３）のハット付きＹａは、位置Ｙａの温度を示す。ハット付きＹｂは、位置Ｙｂの温度を示す。物理ベース損失関数Ｌ_ＰＨＹは、ハット付きＹａがハット付きＹｂよりも大きい場合には、その差の大きさに応じた値を返す。物理ベース損失関数Ｌ_ＰＨＹは、ハット付きＹａがハット付きＹｂよりも小さい場合には、ゼロを返す。

【0042】

機械学習部２２は、損失関数ｆを最小化するような最適化関数を求め、その最適化関数に従って、機械学習モデルＭのニューラルネットワークＮＮのパラメータを更新等（フィッティング）する。

【0043】

機械学習モデルＭは、物理ベース損失関数Ｌ_ＰＨＹを含む損失関数ｆを最小化するように訓練される。このように訓練された機械学習モデルＭは、従来の機械学習モデルと同様に高速な熱解析が行えるだけでなく、物理法則に即した高精度な熱解析を行えるモデルとして機能する。この機械学習モデルＭをヒートシンク４の熱解析に用いることで、高速且つ高精度な解析が可能になる。所望の放熱特性を得ることが可能な、より具体的には例えばＣＰＵ６等のデバイスを閾値温度以下に管理することが可能な、ベース４１やフィン４２の適切な寸法等を導出（設計等）できるようになる。ヒートシンク４の形状情報にフィン間隔が含まれる場合には、適切なフィン間隔も導出できるようになる。

【0044】

図５は、解析部２１による熱解析方法を模式的に示す図である。解析部２１には、設計対象であるヒートシンク４の形状情報を含む入力情報２１ａが入力され、これにより、解析部２１は、ヒートシンク４の形状情報を取得する。解析部２１は、先に図４を参照して説明した機械学習部２２と同様に、ヒートシンクの物理モデルを用いて、フィン間隔も、ヒートシンク４の形状情報として取得してもよい。解析部２１は、機械学習モデルＭに、ヒートシンク４の形状情報を入力する。

【0045】

機械学習モデルＭは、ヒートシンク４の形状情報が入力されたことに応じて、ヒートシンク４の熱分布情報を出力する。解析部２１は、機械学習モデルＭの出力結果に基づき、ヒートシンク４の熱分布情報を取得する。解析部２１は、取得したヒートシンク４の熱分布情報を、出力情報２１ｂとして出力する。

【0046】

例えば以上のようにして、設計対象であるヒートシンク４の熱解析を行うことができる。機械学習モデルＭを用いることにより、高速且つ高精度なヒートシンク４の熱解析が可能になる。

【0047】

図６は、ハードウェア構成例を説明する図である。熱解析装置１は、通信装置１ａ、表示装置１ｂ、ＨＤＤ（Hard Disk Drive）１ｃ、メモリ１ｄ、プロセッサ１ｅを有するコンピュータによって実現される。通信装置１ａ、表示装置１ｂ、ＨＤＤ１ｃ、メモリ１ｄ及びプロセッサ１ｅは、バス等で相互に接続される。

【0048】

通信装置１ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。表示装置１ｂは、是正結果などを表示する装置であり、例えばタッチパネルやディスプレイなどである。ＨＤＤ１ｃは、図１に示した機能を動作させるプログラムやＤＢを記憶する。プログラムは、制御部２による制御を実行する制御プログラムであり、より具体的には解析部２１による熱解析を実行する熱解析プログラム、機械学習部２２による機械学習モデルＭの機械学習を実行する機械学習プログラム等である。

【0049】

プロセッサ１ｅは、プログラムをＨＤＤ１ｃ等から読み出してメモリ１ｄに展開することで、図１等で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、熱解析装置１が有する制御部２と同様の機能を実行する。具体的には、プロセッサ１ｅは、プログラムをＨＤＤ１ｃ等から読み出す。そして、プロセッサ１ｅは、制御部２等と同様の処理を実行するプロセスを実行する。

【0050】

このように、熱解析装置１は、プログラムを読み出して実行することで、ヒートシンク４の熱解析を行う。また、熱解析装置１は、媒体読取装置によって記録媒体からプログラムを読み出し、読み出されたプログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、プログラムは、熱解析装置１によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。

【0051】

このプログラムは、インターネットなどのネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto－Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することができる。

【0052】

以上説明した技術は、例えば次のように説明される。開示される技術の一つは、機械学習プログラムである。図１～図４及び図６等を参照して説明したように、機械学習プログラムは、説明変数であるヒートシンクの形状情報と目的変数である当該ヒートシンクの熱分布情報とを含む訓練データ２２ａを取得し、訓練データ２２ａに基づいて、機械学習モデルＭの、ヒートシンクの複数の位置Ｙの温度関係を制約する式を含む損失関数ｆに従った機械学習を実行する、処理をコンピュータに実行させる。

【0053】

上記の機械学習プログラムによれば、機械学習モデルＭの、ヒートシンクの複数の位置Ｙの温度関係を制約する式を含む損失関数ｆに従った機械学習が実行される。このように学習された機械学習モデルＭは、従来の機械学習モデルと同様に高速な熱解析が行えるだけでなく、物理法則に即した高精度な熱解析を行えるモデルとして機能する。従って、高速且つ高精度にヒートシンクの熱解析を行うことができるようになる。

【0054】

取得する処理は、ヒートシンクの形状情報を用いて算出されたヒートシンクのフィン間隔を説明変数にさらに含む訓練データ２２ａを取得し、実行する処理は、ヒートシンクの形状情報およびフィン間隔を説明変数、ヒートシンクの熱分布情報を目的変数に含む訓練データ２２ａに基づいて、機械学習を実行してよい。例えばこのような説明変数を用いることで、所望の放熱特性を得ることが可能な、ヒートシンクの適切な形状のみならずフィン間隔までも導出できるようになる。

【0055】

制約する式は、ヒートシンクにおける熱分布を物理法則に即して記述する関数である物理ベース損失関数_ＬＰＨＹであってよい。物理ベース損失関数_ＬＰＨＹは、ヒートシンクの熱抵抗と包絡体積の関係式であってよい。より具体的には、物理ベース損失関数Ｌ_ＰＨＹは、ヒートシンクにおいて熱源（例えばＣＰＵ６）からの距離が異なる複数の位置Ｙの温度の大小関係に応じた値を返してよい。複数の位置Ｙは、第１の位置Ｙａと、第１の位置Ｙａよりも熱源に近い第２の位置Ｙｂと、を含み、物理ベース損失関数Ｌ_ＰＨＹは、第１の位置Ｙａの温度が第２の位置Ｙｂの温度よりも低い場合には、第１の位置Ｙａの温度が第２の位置Ｙｂの温度よりも高い場合よりも、小さい値を返してよい。物理ベース損失関数Ｌ_ＰＨＹは、第１の位置Ｙａの温度と第２の位置Ｙｂの温度との差を引数とするＲｅＬＵ関数を含んでよい。例えばこのような物理ベース損失関数Ｌ_ＰＨＹを含む損失関数ｆを用いることで、物理法則に即した熱解析結果を得ることのできる機械学習モデルＭが得られる。

【0056】

図１～図４及び図６等を参照して説明した機械学習方法も、開示される技術の一つである。機械学習方法では、説明変数であるヒートシンクの形状情報と目的変数であるヒートシンクの熱分布情報とを含む訓練データ２２ａを取得し、訓練データ２２ａに基づいて、機械学習モデルＭの、ヒートシンクの複数の位置の温度関係を制約する式を含む損失関数ｆに従った機械学習を実行する、処理をコンピュータが実行する。このような機械学習方法によっても、高速且つ高精度にヒートシンクの熱解析を行うことができるようになる。

【0057】

図１～図３及び図５等を参照して説明した熱解析装置１も、開示される技術の一つである。熱解析装置１は、説明変数であるヒートシンクの形状情報と目的変数であるヒートシンクの熱分布情報とを含む訓練データ２２ａを用いてヒートシンクの複数の位置の温度関係を制約する式を含む損失関数ｆに従った機械学習により生成された機械学習モデルＭに、設計対象であるヒートシンク４の形状情報を入力し、ヒートシンク４の形状情報の入力に応じて機械学習モデルＭが出力する出力結果に基づき、設計対象であるヒートシンク４の熱分布情報を取得する、制御部２を有する。このような熱解析装置１によれば、高速且つ高精度にヒートシンクの熱解析を行うことができる。

【0058】

以上の実施形態に関し、さらに以下の付記を開示する。

【0059】

（付記１）説明変数であるヒートシンクの形状情報と目的変数である前記ヒートシンクの熱分布情報とを含む訓練データを取得し、
前記訓練データに基づいて、機械学習モデルの、ヒートシンクの複数の位置の温度関係を制約する式を含む損失関数に従った機械学習を実行する、
処理をコンピュータに実行させることを特徴とする機械学習プログラム。

【0060】

（付記２）前記取得する処理は、
前記ヒートシンクの形状情報を用いて算出された前記ヒートシンクのフィン間隔を前記説明変数にさらに含む前記訓練データを取得し、
前記実行する処理は、
前記ヒートシンクの形状情報および前記フィン間隔を説明変数、前記ヒートシンクの熱分布情報を前記目的変数に含む前記訓練データに基づいて、前記機械学習を実行する、
ことを特徴とする付記１に記載の機械学習プログラム。

【0061】

（付記３）前記制約する式は、ヒートシンクにおける熱分布を物理法則に即して記述する関数である物理ベース損失関数である、
ことを特徴とする付記１又は２に記載の機械学習プログラム。

【0062】

（付記４）前記物理ベース損失関数は、ヒートシンクの熱抵抗と包絡体積の関係式である、
ことを特徴とする付記３に記載の機械学習プログラム。

【0063】

（付記５）前記物理ベース損失関数は、ヒートシンクにおいて熱源からの距離が異なる複数の位置の温度の大小関係に応じた値を返す、
ことを特徴とする付記３又は４に記載の機械学習プログラム。

【0064】

（付記６）前記複数の位置は、
第１の位置と、
前記第１の位置よりも前記熱源に近い第２の位置と、
を含み、
前記物理ベース損失関数は、前記第１の位置の温度が前記第２の位置の温度よりも低い場合には、前記第１の位置の温度が前記第２の位置の温度よりも高い場合よりも、小さい値を返す、
ことを特徴とする付記５に記載の機械学習プログラム。

【0065】

（付記７）前記物理ベース損失関数は、前記第１の位置の温度と前記第２の位置の温度との差を引数とするＲｅＬＵ関数を含む、
ことを特徴とする付記６に記載の機械学習プログラム。

【0066】

（付記８）説明変数であるヒートシンクの形状情報と目的変数である前記ヒートシンクの熱分布情報とを含む訓練データを取得し、
前記訓練データに基づいて、機械学習モデルの、ヒートシンクの複数の位置の温度関係を制約する式を含む損失関数に従った機械学習を実行する、
処理をコンピュータが実行することを特徴とする機械学習方法。

【0067】

（付記９）前記取得する処理は、
前記ヒートシンクの形状情報を用いて算出された前記ヒートシンクのフィン間隔を前記説明変数にさらに含む前記訓練データを取得し、
前記実行する処理は、
前記ヒートシンクの形状情報および前記フィン間隔を説明変数、前記ヒートシンクの熱分布情報を前記目的変数に含む前記訓練データに基づいて、前記機械学習を実行する、
ことを特徴とする付記８に記載の機械学習方法。

【0068】

（付記１０）前記制約する式は、ヒートシンクにおける熱分布を物理法則に即して記述する関数である物理ベース損失関数である、
ことを特徴とする付記８又は９に記載の機械学習方法。

【0069】

（付記１１）前記物理ベース損失関数は、ヒートシンクの熱抵抗と包絡体積の関係式である、
ことを特徴とする付記１０に記載の機械学習方法。

【0070】

（付記１２）前記物理ベース損失関数は、ヒートシンクにおいて熱源からの距離が異なる複数の位置の温度の大小関係に応じた値を返す、
ことを特徴とする付記１０又は１１に記載の機械学習方法。

【0071】

（付記１３）前記複数の位置は、
第１の位置と、
前記第１の位置よりも前記熱源に近い第２の位置と、
を含み、
前記物理ベース損失関数は、前記第１の位置の温度が前記第２の位置の温度よりも低い場合には、前記第１の位置の温度が前記第２の位置の温度よりも高い場合よりも、小さい値を返す、
ことを特徴とする付記１２に記載の機械学習方法。

【0072】

（付記１４）前記物理ベース損失関数は、前記第１の位置の温度と前記第２の位置の温度との差を引数とするＲｅＬＵ関数を含む、
ことを特徴とする付記１３に記載の機械学習方法。

【0073】

（付記１５）説明変数であるヒートシンクの形状情報と目的変数である前記ヒートシンクの熱分布情報とを含む訓練データを用いてヒートシンクの複数の位置の温度関係を制約する式を含む損失関数に従った機械学習により生成された機械学習モデルに、設計対象であるヒートシンクの形状情報を入力し、
前記ヒートシンクの形状情報の入力に応じて前記機械学習モデルが出力する出力結果に基づき、前記設計対象であるヒートシンクの熱分布情報を取得する、
制御部を有することを特徴とする熱解析装置。

【0074】

（付記１６）前記制御部は、
前記ヒートシンクの形状情報を用いて算出された前記ヒートシンクのフィン間隔を取得し、
前記機械学習モデルに、前記ヒートシンクの形状情報および前記フィン間隔を入力する、
ことを特徴とする付記１５に記載の熱解析装置。

【0075】

（付記１７）前記制約する式は、ヒートシンクにおける熱分布を物理法則に即して記述する関数である物理ベース損失関数である、
ことを特徴とする付記１５又は１６に記載の熱解析装置。

【0076】

（付記１８）前記物理ベース損失関数は、ヒートシンクの熱抵抗と包絡体積の関係式である、
ことを特徴とする付記１７に記載の熱解析装置。

【0077】

（付記１９）前記物理ベース損失関数は、ヒートシンクにおいて熱源からの距離が異なる複数の位置の温度の大小関係に応じた値を返す、
ことを特徴とする付記１７又は１８に記載の熱解析装置。

【0078】

（付記２０）前記複数の位置は、
第１の位置と、
前記第１の位置よりも前記熱源に近い第２の位置と、
を含み、
前記物理ベース損失関数は、前記第１の位置の温度が前記第２の位置の温度よりも低い場合には、前記第１の位置の温度が前記第２の位置の温度よりも高い場合よりも、小さい値を返す、
ことを特徴とする付記１９に記載の熱解析装置。

【0079】

（付記２１）前記物理ベース損失関数は、前記第１の位置の温度と前記第２の位置の温度との差を引数とするＲｅＬＵ関数を含む、
ことを特徴とする付記２０に記載の熱解析装置。

【符号の説明】

【0080】

１ 熱解析装置
１ａ 通信装置
１ｂ 表示装置
１ｃ ＨＤＤ
１ｄ メモリ
１ｅ プロセッサ
２ 制御部
２１ 解析部
２１ａ 入力情報
２１ｂ 出力情報
２２ 機械学習部
２２ａ 訓練データ
３ 記憶部
４ ヒートシンク
４１ ベース
４２ フィン
５ 熱伝導材
６ ＣＰＵ
７ リード
８ 基板
Ｍ 機械学習モデル
ＮＮ ニューラルネットワーク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】