知財求人 - 知財ポータルサイト「IP Force」
(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】P2024149463
(43)【公開日】2024-10-18
(54)【発明の名称】演算方法、演算装置およびプログラム
(51)【国際特許分類】
G06F 30/398 20200101AFI20241010BHJP
G06F 30/27 20200101ALI20241010BHJP
G01R 31/30 20060101ALI20241010BHJP
G06F 119/08 20200101ALN20241010BHJP
【ＦＩ】
G06F30/398
G06F30/27
G01R31/30
G06F119:08
【審査請求】未請求
【請求項の数】14
【出願形態】ＯＬ
(21)【出願番号】P 2024061520
(22)【出願日】2024-04-05
(31)【優先権主張番号】P 2023061593
(32)【優先日】2023-04-05
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】314012076
【氏名又は名称】パナソニックＩＰマネジメント株式会社
(74)【代理人】
【識別番号】110002000
【氏名又は名称】弁理士法人栄光事務所
(72)【発明者】
【氏名】岩田 進裕
(72)【発明者】
【氏名】稲垣 善久
(72)【発明者】
【氏名】入来院 美代子
【テーマコード（参考）】
2G132
5B146
【Ｆターム（参考）】
2G132AA20
2G132AB14
2G132AC09
2G132AC10
2G132AL12
2G132AL21
5B146AA22
5B146DC03
5B146DJ07
5B146GL09
(57)【要約】
【課題】対象物の温度分布の予測を高精度かつ高速に行う。
【解決手段】演算方法は、発熱体を含む対象物に設定されたマルチグリッドと物性情報とを含む構造情報を、各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割する。演算方法は、第１構造情報を第１ＡＩモデルに入力し、第１グリッドに対応する対象物の温度分布である第１予測温度を解析し、第１構造情報、第２構造情報、または第１予測温度の全部もしくは一部の少なくとも１つを用いて第２ＡＩモデルに入力し、第２グリッドに対応する対象物の温度分布である第２予測温度を解析し、第１予測温度と第２予測温度とを用いて対象物の予測温度分布である第３予測温度を算出する。
【選択図】図５
【解決手段】演算方法は、発熱体を含む対象物に設定されたマルチグリッドと物性情報とを含む構造情報を、各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割する。演算方法は、第１構造情報を第１ＡＩモデルに入力し、第１グリッドに対応する対象物の温度分布である第１予測温度を解析し、第１構造情報、第２構造情報、または第１予測温度の全部もしくは一部の少なくとも１つを用いて第２ＡＩモデルに入力し、第２グリッドに対応する対象物の温度分布である第２予測温度を解析し、第１予測温度と第２予測温度とを用いて対象物の予測温度分布である第３予測温度を算出する。
【選択図】図５
【特許請求の範囲】
【請求項1】
発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、
前記第１構造情報を学習済みの第１ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析し、
前記第１構造情報、前記第２構造情報、または前記第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、
演算方法。
前記第１構造情報を学習済みの第１ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析し、
前記第１構造情報、前記第２構造情報、または前記第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、
演算方法。
【請求項2】
前記第２構造情報は、前記第１グリッド内の前記第２グリッドの相対位置を示す位置情報を有し、
前記位置情報に対応する箇所の前記第１予測温度を前記第２予測温度に変更し前記第３予測温度を算出する、
請求項１に記載の演算方法。
前記位置情報に対応する箇所の前記第１予測温度を前記第２予測温度に変更し前記第３予測温度を算出する、
請求項１に記載の演算方法。
【請求項3】
前記第１構造情報と前記第２構造情報とを前記第２ＡＩモデルに入力し前記第２予測温度を解析する、
請求項１に記載の演算方法。
請求項１に記載の演算方法。
【請求項4】
前記第２構造情報と前記第１予測温度とを前記第２ＡＩモデルに入力し前記第２予測温度を解析する、
請求項１に記載の演算方法。
請求項１に記載の演算方法。
【請求項5】
前記第１構造情報と前記第２構造情報と前記第１予測温度とを前記第２ＡＩモデルに入力し前記第２予測温度を解析する、
請求項１に記載の演算方法。
請求項１に記載の演算方法。
【請求項6】
前記第１予測温度から前記位置情報により特定される範囲の温度分布を抽出し、
抽出した前記温度分布と前記第２構造情報とを前記第２ＡＩモデルに入力し前記第２予測温度を解析する、
請求項２に記載の演算方法。
抽出した前記温度分布と前記第２構造情報とを前記第２ＡＩモデルに入力し前記第２予測温度を解析する、
請求項２に記載の演算方法。
【請求項7】
前記第１予測温度から前記位置情報により特定される範囲の温度分布を抽出し、
抽出した前記温度分布を前記第２ＡＩモデルに入力し前記第２予測温度を解析する、
請求項２に記載の演算方法。
抽出した前記温度分布を前記第２ＡＩモデルに入力し前記第２予測温度を解析する、
請求項２に記載の演算方法。
【請求項8】
前記構造情報は、前記物性情報として前記対象物の前記グリッドごとの熱伝導率と発熱量と輻射率との情報を含む、
請求項１に記載の演算方法。
請求項１に記載の演算方法。
【請求項9】
発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、
前記第１構造情報を学習済みの第１ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析し、
前記第１構造情報、前記第２構造情報、または前記第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、プロセッサを備える、
演算装置。
前記第１構造情報を学習済みの第１ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析し、
前記第１構造情報、前記第２構造情報、または前記第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、プロセッサを備える、
演算装置。
【請求項10】
発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割する処理と、
前記第１構造情報を学習済みの第１ＡＩモデルに入力し、前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析する処理と、
前記第１構造情報、前記第２構造情報、または前記第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析する処理と、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する処理と、をコンピュータに実行させる、
プログラム。
前記第１構造情報を学習済みの第１ＡＩモデルに入力し、前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析する処理と、
前記第１構造情報、前記第２構造情報、または前記第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析する処理と、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する処理と、をコンピュータに実行させる、
プログラム。
【請求項11】
発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、
前記第１構造情報のうち、前記第２グリッドに含まれる前記発熱体および前記対象物の物性情報を除く情報を学習済みの第１ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１中間温度を解析し、
前記第１中間温度と、前記第１構造情報または前記第２構造情報の全部もしくは一部の少なくとも１つとを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、
前記第１中間温度および前記第２予測温度を学習済みの第３ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析し、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、
演算方法。
前記第１構造情報のうち、前記第２グリッドに含まれる前記発熱体および前記対象物の物性情報を除く情報を学習済みの第１ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１中間温度を解析し、
前記第１中間温度と、前記第１構造情報または前記第２構造情報の全部もしくは一部の少なくとも１つとを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、
前記第１中間温度および前記第２予測温度を学習済みの第３ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析し、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、
演算方法。
【請求項12】
前記第３ＡＩモデルの学習において、前記第１グリッドに対応する領域のうち前記第２グリッドに対応する領域の損失がマスキングされる、
請求項１１に記載の演算方法。
請求項１１に記載の演算方法。
【請求項13】
発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、
前記第１構造情報のうち、前記第２グリッドに含まれる前記発熱体および前記対象物の物性情報を除く情報と、前記第２構造情報とを学習済みの第１ＡＩモデルにそれぞれ入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１中間温度と、前記第２グリッドに対応する前記対象物の温度分布である第２中間温度とのそれぞれを解析し、
前記第１中間温度および前記第２中間温度を学習済みの第４ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度、および、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、
演算方法。
前記第１構造情報のうち、前記第２グリッドに含まれる前記発熱体および前記対象物の物性情報を除く情報と、前記第２構造情報とを学習済みの第１ＡＩモデルにそれぞれ入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１中間温度と、前記第２グリッドに対応する前記対象物の温度分布である第２中間温度とのそれぞれを解析し、
前記第１中間温度および前記第２中間温度を学習済みの第４ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度、および、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、
前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、
演算方法。
【請求項14】
前記第４ＡＩモデルの学習において、前記第１グリッドに対応する領域のうち前記第２グリッドに対応する領域の損失がマスキングされる、
請求項１３に記載の演算方法。
請求項１３に記載の演算方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、演算方法、演算装置およびプログラムに関する。
【背景技術】
【0002】
特許文献１には、電子機器が発生する電磁波の解析をマルチグリッドモデルを用いて行う電磁波解析装置が開示されている。電磁波解析装置は、全体モデルに部分モデルをマージするとともに、部分モデル間の階層関係に基づいて親階層のグリッドを細分して子階層のグリッドとする。また、電磁波解析装置は、利用者により全体モデルから選択されたオブジェクトを包含するオブジェクト包含領域をサブグリッド領域としてグリッドを細分し、利用者により全体モデルから選択された領域をサブグリッド領域としてグリッドを細分する。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２００６－１２７２７５号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
近年、エレクトロニクス機器の処理高速化および高機能化が求められている。しかしながら、エレクトロニクス機器には、電力が供給されることにより発熱する発熱体（例えば、コイル、コンデンサ、Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ、Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎまたはバッテリ等）が数多く含まれ、発熱体による熱によって処理速度が低下するおそれがある。そのため、エレクトロニクス機器の開発段階の設計時に、例えば、基板に搭載予定の電子部品の配置に応じて、基板においてどのような発熱が生じるかを適切に評価したいというニーズがある。
【0005】
複数の発熱体が含まれる対象物（例えば、複数の発熱体である部品が配置された基板）の温度分布を、発熱体の発熱量および熱伝導率等からＣｏｍｐｕｔａｔｉｏｎａｌ Ｆｌｕｉｄ Ｄｙｎａｍｉｃ（以下、「ＣＦＤ」と称する）によって予測する方法がある。ＣＦＤを用いた温度分布の予測では、対象物に所定のサイズのグリッドを設定し各グリッドの温度を個別に計算することで対象物の温度分布を予測する。しかしながら、ＣＦＤによる温度分布の予測は、例えば数時間から数十時間という非常に長い時間を計算に要するという課題がある。
【0006】
特許文献１では、電子機器が発生する電磁波をマルチグリッドモデルを用いて解析する。マルチグリッドモデルを用いた計算では、重要な部分のグリッドを細分化し高精度な解析を行い、他の部分はグリッドのサイズを大きくすることで計算時間を短縮し高速化する。しかしながら、マルチグリッドモデルを用いてもＣＦＤによる温度分布の予測には依然時間がかかるという課題がある。
【0007】
本開示は、上述した従来の状況に鑑みて案出され、対象物の温度分布の予測を高精度かつ高速に行うことを目的とする。
【課題を解決するための手段】
【0008】
本開示は、発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、前記第１構造情報を学習済みの第１ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析し、前記第１構造情報、前記第２構造情報、または前記第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、演算方法を提供する。
【0009】
また、本開示は、発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、前記第１構造情報を学習済みの第１ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析し、前記第１構造情報、前記第２構造情報、または前記第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、プロセッサを備える、演算装置を提供する。
【0010】
また、本開示は、発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割する処理と、前記第１構造情報を学習済みの第１ＡＩモデルに入力し、前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析する処理と、前記第１構造情報、前記第２構造情報、または前記第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析する処理と、前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する処理と、をコンピュータに実行させる、プログラムを提供する。
【0011】
また、本開示は、発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、前記第１構造情報のうち、前記第２グリッドに含まれる前記発熱体および前記対象物の物性情報を除く情報を学習済みの第１ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１中間温度を解析し、前記第１中間温度と、前記第１構造情報または前記第２構造情報の全部もしくは一部の少なくとも１つとを用いて学習済みの第２ＡＩモデルに入力し、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、前記第１中間温度および前記第２予測温度を学習済みの第３ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度を解析し、前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、演算方法を提供する。
【0012】
また、本開示は、発熱体を含む対象物に設定されたマルチグリッドと前記発熱体および前記対象物の物性情報とを含む構造情報を、前記マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、前記マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が前記第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、前記第１構造情報のうち、前記第２グリッドに含まれる前記発熱体および前記対象物の物性情報を除く情報と、前記第２構造情報とを学習済みの第１ＡＩモデルにそれぞれ入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１中間温度と、前記第２グリッドに対応する前記対象物の温度分布である第２中間温度とのそれぞれを解析し、前記第１中間温度および前記第２中間温度を学習済みの第４ＡＩモデルに入力し、複数の前記第１グリッドに対応する前記対象物の温度分布である第１予測温度、および、前記第２グリッドに対応する前記対象物の温度分布である第２予測温度を解析し、前記第１予測温度と前記第２予測温度とを用いて前記対象物の予測温度分布である第３予測温度を算出する、演算方法を提供する。
【0013】
なお、これらの包括的または具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラム、または、記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。
【発明の効果】
【0014】
本開示によれば、対象物の温度分布の予測を高精度かつ高速に行うことができる。
【図面の簡単な説明】
【0015】
【図1】構造情報から温度分布を算出する方法を示す模式図
【図2】グリッド幅、計算時間および形状再現性の関係を示す図
【図3】粗グリッドと部品の情報との関係を示す図
【図4】演算装置のブロック図
【図5】実施の形態１に係るマルチグリッド予測温度の５つの算出方法の概要を示す図
【図6】粗グリット構造の一例を示す図
【図7】密グリッド構造と追加データとを示す図
【図8】実施の形態１に係る各ネットワークの入力データを示す図
【図9】実施の形態１に係るネットワーク１におけるマルチグリッド予測温度を算出する処理のフローチャート
【図10】実施の形態１に係るネットワーク１におけるマルチグリッド予測温度を算出する処理の模式図
【図11】実施の形態１に係るネットワーク２におけるマルチグリッド予測温度を算出する処理のフローチャート
【図12】実施の形態１に係るネットワーク２におけるマルチグリッド予測温度を算出する処理の模式図
【図13】実施の形態１に係るネットワーク３におけるマルチグリッド予測温度を算出する処理のフローチャート
【図14】実施の形態１に係るネットワーク３におけるマルチグリッド予測温度を算出する処理の模式図
【図15】実施の形態１に係るネットワーク４におけるマルチグリッド予測温度を算出する処理のフローチャート
【図16】実施の形態１に係るネットワーク４におけるマルチグリッド予測温度を算出する処理の模式図
【図17】実施の形態１に係るネットワーク５におけるマルチグリッド予測温度を算出する処理のフローチャート
【図18】実施の形態１に係るネットワーク５におけるマルチグリッド予測温度を算出する処理の模式図
【図19】実施の形態１に係る対象物の温度分布の再帰的な演算方法を説明する図
【図20】実施の形態１に係る対象物の温度分布の再帰的な演算処理の一例のフローチャート
【図21】親構造、子構造および孫構造の一例を示す概略図
【図22】実施の形態２に係る直列ネットワークにおけるマルチグリッド予測温度を算出する処理の模式図
【図23】実施の形態２に係る発熱体のデータの削除を説明するための模式図
【図24】実施の形態２に係るＡＩモデルの学習におけるマスキングを説明するための模式図
【図25】実施の形態２に係る直列ネットワークにおけるマルチグリッド予測温度を算出する処理のフローチャート
【図26】実施の形態２に係る並列ネットワークにおけるマルチグリッド予測温度を算出する処理の模式図
【図27】実施の形態２に係る並列ネットワークにおけるマルチグリッド予測温度を算出する処理のフローチャート
【発明を実施するための形態】
【0016】
以下、図面を適宜参照して、本開示に係る演算方法、演算装置およびプログラムを具体的に開示した各種の実施の形態について、詳細に説明する。ただし、必要以上に詳細な説明は省略する場合がある。例えば、すでによく知られた事項の詳細説明および実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。なお、添付図面および以下の説明は、当業者が本開示を十分に理解するために提供されるのであって、これらにより特許請求の記載の主題を限定することは意図されていない。
【0017】
【0018】
構造情報は、温度分布を算出したい対象物の情報である。対象物が、発熱する素子ＰＡを複数含む基板Ｗである例を用いて説明する。なお、対象物は基板に限られず、エンジンまたは発熱体を含む製品（例えば、スマートフォン、パーソナルコンピュータ等）等の発熱体を含む任意の物であってよい。
【0019】
構造情報は、基板Ｗの情報として、基板Ｗ内の素子ＰＡの位置情報、基板Ｗの熱伝導率、素子ＰＡの熱伝導率および輻射率等を含むデータである。また、対象物の温度分布を解析する手法としてグリッドモデルが挙げられる。グリッドモデルは、対象物を縦横線で区切られた１つ１つのマス目であるセルに分割し、各セルの温度を解析し対象物全体の予測の温度分布（以下、「予測温度分布」と称する）を算出する解析手法である。セルはグリッドと同じ意味を示す。このグリッドモデルで予測温度分布が算出される場合、構造情報は、基板Ｗに設定されたグリッド幅の情報をさらに含む。
【0020】
この構造情報を用いて、熱流体の基礎方程式をコンピュータで解く（例えば、ＣＦＤ）ことで基板Ｗの予測温度分布が算出される。しかしながら、熱流体の基礎方程式をコンピュータで解くことで予測温度分布を算出する方法では、算出時間が数時間から数十時間かかるという課題がある。
【0021】
Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（以下、「ＣＮＮ」と称する）が挙げられるディープラーニング等のＡｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ（以下、「ＡＩ」と称する）技術を用いることで予測温度分布を算出する時間を数秒から数十秒に大幅に短縮できる可能性がある。
【0022】
【0023】
発熱体である素子ＰＡと素子ＰＡよりも小さな素子ＳＰＡとを複数含む基板Ｗを対象物の例として用いて、予測温度分布を算出する際に基板Ｗに対して設定される（つまり、基板Ｗを仮想的に分割する）グリッドの大きさと計算時間および形状再現性との関係について説明する。形状再現性とは、グリッド法を用いて計算された対象物の予測温度分布が実際の温度分布をどの程度再現しているかを表す。つまり、形状再現性が高い程、計算された予測温度分布は実際の温度分布との一致率が高くなる。一方、形状再現性が低い程、計算した予測温度分布は実際の温度分布との一致率が低くなる。
【0024】
メッシュＫ２は、２種類の大きさの幅のグリッドを有するメッシュである。メッシュＫ２は、基板Ｗ全体に設定されたグリッドと、素子ＳＰＡを含む領域Ｒに基板Ｗ全体に設定されたグリッドの幅よりも小さな幅のグリッドとを有する。なお、メッシュおよびグリッドは、２次元の図で説明しているが、２次元に限られず３次元であってもよい。
【0025】
基板Ｗに対し設定したメッシュの各グリッドは、各グリッド位置における基板Ｗおよび／または素子ＰＡ、ＳＰＡの物性情報を有する。この物性情報を用いて熱流体の基礎方程式をコンピュータで解くことで、各グリッドの温度が算出される。
【0026】
メッシュＫ１は、メッシュＫ２の領域Ｒに設定された幅のグリッドが基板Ｗ全体に設定されたメッシュである。コンピュータによってメッシュＫ１の各グリッドの温度を計算し基板Ｗの予測温度分布を算出した場合、素子ＳＰＡの大きさに対して十分に小さいグリッド幅が設定されているため、素子ＳＰＡの情報を喪失せず基板Ｗの予測温度分布が算出される。つまり、メッシュＫ１を用いて基板Ｗの予測温度分布が計算されると、予測温度分布の形状再現性は高くなる。しかしながら、メッシュＫ１を用いて基板Ｗの予測温度分布が計算される場合、多くのグリッドそれぞれに対し計算が行われる必要があり計算時間が長くなる。
【0027】
メッシュＫ３は、メッシュＫ２の基板Ｗ全体に設定された幅のグリッドのみを有するメッシュである。つまり、メッシュＫ３は、領域Ｒも含め基板Ｗ全体に粗いグリッドが設定されたメッシュとなる。コンピュータによってメッシュＫ３の各グリッドの温度を計算し基板Ｗの予測温度分布を算出した場合、メッシュＫ１よりも計算されるグリッド数が少ないため計算時間が短くなる。しかしながら、メッシュＫ３を用いて基板Ｗの予測温度分布が計算される、素子ＳＰＡの情報が喪失してしまう可能性があり形状再現性が低くなる。粗いグリッド幅を用いて予測温度分布が計算されると、小さな素子の情報を喪失することに関しては図３で説明する。
【0028】
メッシュＫ２のように基板Ｗの構造に応じて異なるグリッド幅を設定するマルチグリッドの構造のメッシュを用いることで、計算時間を短縮しかつ形状再現性の高い予測温度分布を計算できると考えられる。しかしながら、ＣＮＮ等のＡＩには単一幅のグリッドによるメッシュの情報しか適応することができないという課題がある。
【0029】
図２のメッシュＫ２では２つのことなるグリッド幅を含むマルチグリッドのメッシュを用いて説明したが、マルチグリッドのメッシュは、２つのグリッド幅に限られず２つ以上の複数のグリッド幅のグリッドによって構成されてもよい。また、メッシュＫ１のような細かいグリッドのことを密グリッドと称する。複数の密グリッドのメッシュが設定された構造情報を密グリッド構造と称する。メッシュＫ３のように粗いグリッドのことを粗グリッドと称する。複数の粗グリッドのメッシュが設定された構造情報を粗グリッド構造と称する。また、細かいグリッドとは、例えば、マルチグリッドのメッシュにおいて複数の幅のグリッドの内、最大の幅のものより小さな幅のグリッドのことを指す。粗いグリッドとは、例えば、マルチグリッドのメッシュにおいて複数の幅のグリッドの内、最大の幅のグリッドのことを指す。粗グリッド構造は第１構造情報と読み替えられる。密グリッド構造は、第２構造情報と読み替えられる。
【0030】
【0031】
メッシュＫ４のグリッドは、基板Ｗ上の素子ＳＰＡに対して十分小さいグリッド幅を有する。メッシュＫ４のグリッドは、例えば、１つの素子ＳＰＡの位置に対して９つのグリッドが設定される。
【0032】
メッシュＫ５のグリッドは、素子ＳＰＡのサイズより大きいグリッド幅を有する。基板Ｗに設定されたメッシュＫ５の各グリッドに素子ＳＰＡの物性情報を紐づけられる際、例えば、素子ＳＰＡがグリッド内の面積占有率または体積占有率が所定の閾値以上の場合にグリッドに素子ＳＰＡが存在するとしてグリッドに物性情報が紐づけられる。図３の例において、素子ＳＰＡがグリッド内の面積占有率または体積占有率が５０％以上とすると、位置Ｆ１および位置Ｆ２の素子ＳＰＡに関しては、素子ＳＰＡを含むグリッドは体積占有率が５０％未満であるため、素子ＳＰＡの物性値はグリッドに紐づけられず情報が喪失してしまう。
【0033】
また、位置Ｆ３の素子ＳＰＡは、素子ＳＰＡを含むグリッドにおいて体積占有率が５０％以上であるため位置Ｆ４のグリッドに素子ＳＰＡの物性情報が紐づけられる。しかしながら、素子ＳＰＡよりもグリッドの幅が大きいため、グリッド内の素子ＳＰＡが存在しない領域に関しても素子ＳＰＡが存在するものとして物性情報が紐づけられてしまう。
【0034】
このように、素子に対してグリッド幅が大きい複数のグリッドのメッシュを基板Ｗに設定すると、基板Ｗ上の素子の物性情報を高精度にグリッドに紐づけることができない。このようなグリッドの温度をコンピュータによって計算し基板Ｗの予測温度分布を算出しても、十分に素子の物性情報が反映されておらず形状再現性が低くなる。
【0035】
以上の状況を鑑みて、基板Ｗ上の素子の位置およびサイズに応じて異なるグリッド幅が設定されたマルチグリッドの構造情報を用いることで、計算時間を短縮し形状再現性の高い予測温度分布を算出したい。しかしながら、マルチグリッドの構造情報を用いてＣＦＤの方法で予測温度分布を計算しても依然計算時間が長くなってしまうという課題がある。計算時間を短縮するために、マルチグリッドの構造情報を用いてディープラーニング等のＡＩ技術を用いて予測温度分布を計算し計算時間を短縮したい。しかしながら、ＣＮＮ等のディープラーニング技術には単一のグリッド幅で構成された構造情報しか適応（つまり、入力）することができず、マルチグリッドの構造情報をそのままＣＮＮ等のディープラーニング技術に適応することができないという課題がある。
【0036】
以下、本実施の形態では、マルチグリッドの構造情報とディープラーニング技術等のＡＩ技術とを用いて形状再現性の高い予測温度分布を短時間で算出する方法について説明する。以下、マルチグリッドの構造情報のことをマルチグリッド構造と称する。
【0037】
【0038】
演算装置１０は、対象物の予測温度分布を算出する装置である。演算装置１０は、プロセッサ１１、メモリ１２、通信Ｉ／Ｆ１３および表示デバイス１４を含む。
【0039】
プロセッサ１１は、例えばＣｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ、Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ ＵｎｉｔもしくはＦｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙである。プロセッサ１１は、演算装置１０の全体的な動作を司るコントローラとして機能する。プロセッサ１１は、演算装置１０の各部の動作を統括するための制御処理、演算装置１０の各部との間のデータの入出力処理、データの演算処理およびデータの記憶処理を行う。プロセッサ１１は、メモリ１２に記憶されたプログラムおよびＡＩモデルに従って動作する。プロセッサ１１は、メモリ１２に記憶された学習済みのＡＩモデルに従い対象物の予測温度分布を算出する。プロセッサ１１は、動作時にメモリ１２を使用し、プロセッサ１１が生成または取得したデータをメモリ１２に一時的に保存する。
【0040】
メモリ１２は、例えばＲａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ（以下、「ＲＡＭ」と称する）とＲｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ（以下、「ＲＯＭ」と称する）とを用いて構成され、演算装置１０の動作に必要なプログラム、対象物の予測温度分布を算出するための学習済みのＡＩモデル、さらには、動作中に生成されたデータを一時的に保持する。ＲＡＭは、例えば、演算装置１０の動作中に使用されるワークメモリである。ＲＯＭは、例えば、演算装置１０を制御するためのプログラムを予め記憶して保持する。
【0041】
通信Ｉ／Ｆ１３は、演算装置１０と外部装置（不図示）との間で無線または有線で通信を行うインターフェース回路である。外部装置とは、例えば、対象物の予測温度分布を算出するためのＡＩモデルを作成する装置または対象物の情報（対象物の撮影画像または対象物に含まれる発熱体の位置および物性情報等）を有する装置等である。ここでＩ／Ｆは、インターフェースのことを表す。通信Ｉ／Ｆ１３は、ネットワークを介して外部装置または外部のサーバ装置等と通信してもよい。通信Ｉ／Ｆ１３による通信方式は、例えば、Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ、Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ、Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ、４Ｇ、５Ｇ等の移動体通信、電力線通信、近距離無線通信（例えばＢｌｕｅｔｏｏｔｈ（登録商標）通信）または携帯電話用の通信等である。
【0042】
表示デバイス１４は、算出された対象物の予測温度分布の結果等が表示される。表示デバイス１４は、例えば、タッチパネルディスプレイまたはディスプレイ等である。また、表示デバイス１４は、ユーザ（例えば、対象物の予測温度分布を算出したい人）からの入力操作を受け付けてもよい。表示デバイス１４は、ユーザから対象物の構造情報に関する入力を受け付けてもよい。例えば、表示デバイス１４は、ユーザから対象物に設定するメッシュについて、グリッド幅およびグリッド幅を小さくする領域に関する情報の入力を受け付ける。
【0043】
【0044】
まず、入力情報としてマルチグリッド構造２０が用意される。マルチグリッド構造２０は、複数の粗グリッドによるメッシュの中に密グリッドの領域ｒｅを含む。マルチグリッド構造２０は、対象物および対象物に含まれる発熱体の熱伝導率、発熱量および輻射率および／またはグリッド幅等の情報をマルチグリッドで離散化した情報である。マルチグリッド構造２０は、二次元計算では画像、三次元計算では画像を高さ方向に積み重ねた情報として扱われる。つまり、マルチグリッド構造２０の各グリッドに対象物および対象物に含まれる発熱体の熱伝導率、発熱量および輻射率および／またはグリッド幅等の情報が紐づいている。
【0045】
マルチグリッド構造２０は、例えば、通信Ｉ／Ｆ１３が外部装置（不図示）から受信した対象物の情報およびユーザの表示デバイス１４への入力操作によってプロセッサ１１によって作成される。例えば、対象物を撮影した撮影画像に対してユーザが密グリッドを設定する領域、密グリッドの幅および粗グリッドの幅を入力する。プロセッサ１１は、表示デバイス１４から受信したユーザの入力情報および撮影画像に基づきマルチグリッド構造２０を作成する。なお、マルチグリッド構造２０の作成方法は上述した方法に限られない。また、演算装置１０は、外部装置から予め作成されたマルチグリッド構造２０を取得してもよい。
【0046】
上述したように、ＣＮＮを用いて学習されたネットワーク（以下、「ＣＮＮネットワーク」と称する）には固定長のグリッド情報による構造情報しか入力できないため、マルチグリッド構造２０をそのままＣＮＮネットワークに入力できない。対象物の予測温度分布をマルチグリッド構造２０を利用しＣＮＮネットワークを用いて算出するために、プロセッサ１１は、マルチグリッド構造２０を単一の幅の複数のグリッドで構成されるメッシュが設定される構造情報に分割する。プロセッサ１１は、マルチグリッド構造２０を粗グリッド構造３０および密グリッド構造４０に分割する。粗グリッド構造３０は、マルチグリッド構造２０の領域ｒｅ以外の領域のグリッド（つまり、グリッド幅が領域ｒｅのグリッド幅より大きい粗グリッド）によって構成される構造情報である。密グリッド構造４０は、マルチグリッド構造２０から領域ｒｅの構造情報を抽出した構造情報である。なお、図５に示すマルチグリッド構造２０は、密グリッドの領域が１つであるが、１つに限られず１つ以上の複数であってもよい。また、マルチグリッド構造２０が複数の密グリッドの領域を有する場合、それぞれの密グリッドのグリッド幅は異なってもよい。つまり、マルチグリッド構造２０に複数の密グリッドの領域が設定される場合、発熱体の大きさに応じてそれぞれの密グリッドのグリッド幅を変更してもよい。
【0047】
プロセッサ１１は、粗グリッド構造３０を学習済みのＣＮＮネットワークに入力し粗グリッド構造の温度分布を予測する。この粗グリッド構造３０を学習済みのＣＮＮネットワークに入力し温度分布を予測するネットワークを、粗ネットワークと称する。粗ネットワークで用いる学習済みのＣＮＮネットワークを粗ネットＡＩと称する。粗ネットＡＩは、第１ＡＩモデルと読み替えられる。粗グリッド構造３０を粗ネットＡＩに入力して算出される予測温度分布を粗グリッド予測温度と称する。粗グリッド予測温度３１の中で、マルチグリッド構造２０の領域ｒｅに対応する予測温度分布を粗グリッド抽出温度（例えば、粗グリッド抽出温度３２）と称する。粗グリッド予測温度は、第１予測温度と読み替えられる。
【0048】
プロセッサ１１は、学習済みのＣＮＮネットワークを用いて密グリッド構造の温度分布を予測する。この密グリッド構造４０の温度分布を予測するネットワークを、密ネットワークと称する。密ネットワークで用いる学習済みのＣＮＮネットワークを密ネットＡＩと称する。密ネットワークで算出される予測温度分布を密グリッド予測温度と称する。密グリッド予測温度は、第２予測温度と読み替えられる。密ネットワークは、粗ネットワークから粗グリッド構造３０または粗グリッド予測温度３１の全体または一部の少なくとも１つの情報を受け取る。密ネットワークは、密グリッド構造４０、粗グリッド構造３０または粗グリッド予測温度３１の全体または一部の少なくとも１つの情報を密ネットＡＩに入力し密グリッド予測温度４１を算出する。また、密ネットワークは、粗グリッド抽出温度３２を学習済みのＡＩモデルに入力し密グリッド予測温度４１を算出してもよい。当該学習済みのＡＩモデルをネットＡＩと称する。密ネットワークで用いられる密ネットＡＩおよびネットＡＩは、第２ＡＩモデルと読み替えられる。
【0049】
プロセッサ１１は、粗グリッド予測温度３１と密グリッド予測温度４１とを用いてマルチグリッド構造の予測温度分布を算出する。マルチグリッド構造の予測温度分布をマルチグリッド予測温度と称する。
【0050】
マルチグリッド構造２０からマルチグリッド予測温度２１を算出するための粗ネットワークと密ネットワークとを合わせてネットワークと称する。マルチグリッド予測温度２１は、第３予測温度と読み替えられる。
【0051】
なお、マルチグリッド構造２０に複数の密グリッド領域が含まれている場合、ネットワークは、それぞれの密グリッド領域に対して密グリッド予測温度を算出する密ネットワークを含んでもよい。つまり、ネットワークは、粗ネットワークと複数の密ネットワークを含んでもよい。ネットワークが複数の密ネットワークを含む場合、それぞれの密ネットワークが粗ネットワークから粗グリッド構造３０または粗グリッド予測温度３１の全体または一部の少なくとも１つの情報を受け取り密グリッド予測温度４１を算出する。
【0052】
密グリッド構造４０と粗グリッド構造３０とを密ネットＡＩに入力し算出された密グリッド予測温度４１を用いてマルチグリッド予測温度２１を算出するネットワークをネットワーク１と称する。
【0053】
密グリッド構造４０と粗グリッド予測温度３１とを密ネットＡＩに入力し算出された密グリッド予測温度４１を用いてマルチグリッド予測温度２１を算出するネットワークをネットワーク２と称する。
【0054】
密グリッド構造４０と粗グリッド構造３０と粗グリッド予測温度３１とを密ネットＡＩに入力し算出された密グリッド予測温度４１を用いてマルチグリッド予測温度２１を算出するネットワークをネットワーク３と称する。
【0055】
密グリッド構造４０と粗グリッド抽出温度３２とを密ネットＡＩに入力し算出された密グリッド予測温度４１を用いてマルチグリッド予測温度２１を算出するネットワークをネットワーク４と称する。
【0056】
粗グリッド抽出温度３２をネットＡＩに入力し算出された密グリッド予測温度４１を用いてマルチグリッド予測温度２１を算出するネットワークをネットワーク５と称する。
【0057】
このように、演算装置１０は、マルチグリッド構造２０を粗グリッド構造３０と密グリッド構造４０とに分割し、粗ネットワークと密ネットワークとを用いることで密グリッド予測温度４１を算出することができる。以下、粗ネットワークに入力する構造情報、密ネットワークに入力する構造情報およびネットワーク１～５に関して詳しく説明する。
【0058】
【0059】
粗グリッド構造３０は、一例として発熱体である３つの素子ＰＡと３つの素子ＳＰＡとを含む対象物（例えば、基板）の構造情報である。なお、発熱体の数および位置は一例であり限定されない。粗グリッド構造３０は、「（１）発熱体の発熱量」、「（２）面内熱伝導率」、「（３）面外熱伝導率」、「（４）輻射率」、「（５）グリッド幅Ｘ」、「（６）グリッド幅Ｙ」および「（７）グリッド幅Ｚ」の７つのレイヤ構造のデータである。つまり、粗グリッド構造３０は、１つのグリッドに対して（１）～（７）の情報が紐づいているデータである。グリッド幅Ｘ，Ｙ，Ｚは、直方体形状のグリッドの３辺の長さの情報である。面内熱伝導率は、グリッド内における熱伝導率である。面外熱伝導率は、グリッド間の熱伝導率である。なお、粗グリッド構造３０は、（１）～（７）の情報に限られないし、必ずしも（１）～（７）の情報を全て含まなくてもよい。また、粗グリッド構造は、グリッド幅よりもサイズが小さい素子ＳＰＡを含む領域ｒｅの情報を有する。
【0060】
【0061】
密グリッド構造４０は、図６で説明した粗グリッド構造３０の素子ＳＰＡを含む領域ｒｅを抽出し密グリッドのメッシュが設定された構造情報である。密グリッド構造４０は、「（１）発熱体の発熱量」、「（２）面内熱伝導率」、「（３）面外熱伝導率」、「（４）輻射率」、「（５）グリッド幅Ｘ」、「（６）グリッド幅Ｙ」、「（７）グリッド幅Ｚ」および「（８）相対位置」の８つのレイヤ構造のデータである。つまり、密グリッド構造４０は、１つのグリッドに対して（１）～（８）の情報が紐づいているデータである。相対位置は、マルチグリッド構造２０（図５参照）の中の密グリッド構造４０に対応する領域ｒｅの位置情報である。なお、密グリッド構造４０は、（１）～（８）の情報に限られないし、必ずしも（１）～（８）の情報を全て含まなくてもよい。
【0062】
追加データは、密ネットワーク（図５参照）が粗ネットワーク（図５参照）から受け取る情報である。追加データは、「（９）粗グリッド構造３０」、「（１０）粗グリッド予測温度３１」または「（１１）粗グリッド抽出温度３２」である。
【0063】
【0064】
ネットワーク１における密ネットワークへの入力データは、密グリッド構造４０および追加データとして（９）粗グリッド構造３０である。
【0065】
ネットワーク２における密ネットワークへの入力データは、密グリッド構造４０および追加データとして（１０）粗グリッド予測温度３１である。
【0066】
ネットワーク３における密ネットワークへの入力データは、密グリッド構造４０、追加データとして（９）粗グリッド構造および（１０）粗グリッド予測温度３１である。
【0067】
ネットワーク４における密ネットワークへの入力データは、密グリッド構造４０および追加データとして（１１）粗グリッド抽出温度３２である。
【0068】
ネットワーク５における密ネットワークへの入力データは追加データとして（１１）粗グリッド抽出温度３２である。
【0069】
＜ネットワーク１＞
ネットワーク１におけるマルチグリッド予測温度２１の算出方法について説明する。
ネットワーク１におけるマルチグリッド予測温度２１の算出方法について説明する。
【0070】
図９を参照して、ネットワーク１におけるマルチグリッド予測温度を算出する処理の一例を説明する。図９は、ネットワーク１におけるマルチグリッド予測温度を算出する処理のフローチャートである。図９のフローチャートの各処理はプロセッサ１１によって実行される。
【0071】
プロセッサ１１は、３次元構造データとしてレイヤ構造となっているデータを作成する（ステップＳｔ１００）。
【0072】
プロセッサ１１は、ステップＳｔ１００の処理で作成した３次元構造データに計算条件として対象物に含まれる発熱体の発熱量、発熱体の物性値（つまり、面内熱伝導率および面外熱伝導率）、輻射率および境界条件等を設定する（ステップＳｔ１０１）。プロセッサ１１は、ユーザから入力された発熱体の発熱量、熱伝導率等の物性値、輻射率、グリッド幅および密グリッドを設定する領域の情報に基づきステップＳｔ１０１の処理を実行する。なお、プロセッサ１１は、対象物の計算条件が保存されている外部装置から計算条件を取得し、取得した計算条件を用いてステップＳｔ１０１の処理を実行してもよい。
【0073】
プロセッサ１１は、ステップＳｔ１０１の処理で計算条件を設定した３次元構造データをマルチグリッドのメッシュに分割しマルチグリッド構造２０を作成する（ステップＳｔ１０２）。
【0074】
プロセッサ１１は、ステップＳｔ１０２の処理で作成したマルチグリッド構造２０から粗グリッド構造３０を作成し粗ネットワークの入力データを生成する（ステップＳｔ１０３）。プロセッサ１１は、例えば、ステップＳｔ１０１の処理で計算条件が設定された３次元構造データを、ステップＳｔ１０２の処理で作成したマルチグリッド構造２０の中の粗グリッドのサイズの情報に基づき、全体を粗グリッドで分割し粗グリッド構造３０を作成する。
【0075】
プロセッサ１１は、ステップＳｔ１０３の処理で生成した粗グリッド構造３０を学習済みの粗ネットＡＩに入力し粗グリッド予測温度３１を算出する（ステップＳｔ１０４）。
【0076】
プロセッサ１１は、ステップＳｔ１０２の処理で作成したマルチグリッド構造２０から密グリッド構造４０を作成し密ネットワークの入力データを生成する（ステップＳｔ１０５）。プロセッサ１１は、例えば、ステップＳｔ１０２の処理で作成したマルチグリッド構造２０の中から密グリッドの領域を抽出し密グリッド構造４０を作成する。
【0077】
プロセッサ１１は、ステップＳｔ１０３の処理で作成した粗グリッド構造３０とステップＳｔ１０５の処理で作成した密グリッド構造４０とを学習済みの密ネットＡＩに入力し密グリッド予測温度４１を算出する（ステップＳｔ１０６）。
【0078】
プロセッサ１１は、ステップＳｔ１０４の処理で算出した粗グリッド予測温度３１とステップＳｔ１０５の処理で算出した密グリッド予測温度４１とを統合して対象物全体の予測温度分布であるマルチグリッド予測温度２１を算出する（ステップＳｔ１０７）。
【0079】
次に、図１０を参照して、ネットワーク１におけるマルチグリッド予測温度を算出する処理を模式図を用いて説明する。図１０は、ネットワーク１におけるマルチグリッド予測温度を算出する処理の模式図である。図１０に示す「１」および「２」は、図９に示す「１」および「２」に対応する。
【0080】
プロセッサ１１は、マルチグリッドに分割された３次元構造データから粗ネットワークへの入力データとして粗グリッド構造３０を作成する。粗グリッド構造３０の領域ｒｅは、素子ＰＡよりもサイズの小さい素子ＳＰＡを含む。粗グリッド構造３０のグリッド幅は、素子ＳＰＡのサイズよりも大きい。
【0081】
プロセッサ１１は、粗ネットＡＩに粗グリッド予測温度３１を入力して粗グリッド予測温度３１を算出する。領域ｒｅの予測温度分布は、領域ｒｅに含まれる素子ＳＰＡがグリッド幅よりも小さいため図３で説明した通り形状再現性が低い予測温度分布となってしまう。
【0082】
プロセッサ１１は、密ネットワークへの入力データとしてマルチグリッドに分割された３次元構造データから密グリッド構造４０を作成する。密グリッド構造４０は、素子ＳＰＡを含む領域ｒｅの構造情報である。なお、粗グリッド構造３０はネットワーク１からネットワーク５まで同様であり、ネットワーク１からネットワーク５において粗グリッド予測温度３１は同様に算出される。図１２，１４，１６，１８において粗グリッド予測温度３１を算出する方法の説明を省略する。
【0083】
プロセッサ１１は、粗ネットワークから密ネットワークへの入力データとして粗グリッド構造３０を受け取る。プロセッサ１１は、密グリッド構造４０と粗グリッド構造３０とを密ネットＡＩに入力し密グリッド予測温度４１を算出する。密ネットＡＩへの入力データは、「（１）発熱量」、「（２）面内熱伝導率」、「（３）面外熱伝導率」、「（４）輻射率」、「（５）グリッド幅Ｘ」、「（６）グリッド幅Ｙ」、「（７）グリッド幅Ｚ」、「（８）相対位置」および「（９）粗グリッド構造」である。なお、プロセッサ１１は、粗グリッド構造３０をＣｏｎｖｏｌｕｔｉｏｎ等の処理を行い密グリッド構造４０と同じサイズにする。
【0084】
プロセッサ１１は、粗グリッド予測温度３１の領域ｒｅの部分の予測温度分布を密グリッド予測温度４１に変更することで粗グリッド予測温度３１と密グリッド予測温度４１とを統合しマルチグリッド予測温度２１を算出する。
【0085】
密グリッド予測温度４１は、素子ＳＰＡに対して十分小さい幅のグリッドが設定されている密グリッド構造４０を用いて算出されるため形状再現性が高い予測温度分布である。また、密グリッド予測温度４１は、粗ネットワークから粗グリッド構造３０を受け取り、粗グリッド構造３０も含めて算出されているため領域ｒｅの周りの構造情報も含んだ予測温度分布となっている。これにより、プロセッサ１１は、形状再現性を高く密グリッド予測温度４１を算出できる。
【0086】
演算装置１０は、粗グリッド予測温度３１において領域ｒｅの形状再現性の低い予測温度分布を、形状再現性の高い密グリッド予測温度４１に置き換えることにより、対象物全体で形状再現性が高い予測温度分布であるマルチグリッド予測温度２１を算出することができる。
【0087】
また、演算装置１０は、ＣＮＮネットワークを用いて対象物の予測温度分布を算出するため、従来のＣＦＤによる温度予測に要する時間よりも計算時間を短縮することができる。これにより、演算装置１０は、マルチグリッド構造を用いた対象物の予測温度分布を短い計算時間で形状再現性の高く算出することができる。
【0088】
＜ネットワーク２＞
ネットワーク２におけるマルチグリッド予測温度２１の算出方法について説明する。なお、ネットワーク１と同様の内容に関しては同一符合を付記し適宜説明を省略する。
ネットワーク２におけるマルチグリッド予測温度２１の算出方法について説明する。なお、ネットワーク１と同様の内容に関しては同一符合を付記し適宜説明を省略する。
【0089】
図１１を参照して、ネットワーク２におけるマルチグリッド予測温度を算出する処理の一例を説明する。図１１は、ネットワーク２におけるマルチグリッド予測温度を算出する処理のフローチャートである。図１１のフローチャートの各処理はプロセッサ１１によって実行される。
【0090】
プロセッサ１１は、ステップＳｔ１０４の処理で算出した粗グリッド予測温度３１とステップＳｔ１０５の処理で作成した密グリッド構造４０とを学習済みの密ネットＡＩに入力し密グリッド予測温度４１を算出する（ステップＳｔ２０１）。
【0091】
プロセッサ１１は、ステップＳｔ１０４の処理で算出した粗グリッド予測温度３１とステップＳｔ２０１の処理で算出した密グリッド予測温度４１とを統合して対象物全体の予測温度分布であるマルチグリッド予測温度２１を算出する（ステップＳｔ２０２）。
【0092】
次に、図１２を参照して、ネットワーク２におけるマルチグリッド予測温度を算出する処理を模式図を用いて説明する。図１２は、ネットワーク２におけるマルチグリッド予測温度を算出する処理の模式図である。図１２に示す「１」および「２」は、図１１に示す「１」および「２」に対応する。
【0093】
プロセッサ１１は、粗ネットワークから密ネットワークへの入力データとして粗グリッド予測温度３１を受け取る。プロセッサ１１は、密グリッド構造４０と粗グリッド予測温度３１とを密ネットＡＩに入力し密グリッド予測温度４１を算出する。密ネットＡＩへの入力データは、「（１）発熱量」、「（２）面内熱伝導率」、「（３）面外熱伝導率」、「（４）輻射率」、「（５）グリッド幅Ｘ」、「（６）グリッド幅Ｙ」、「（７）グリッド幅Ｚ」、「（８）相対位置」および「（１０）粗グリッド予測温度」である。なお、プロセッサ１１は、粗グリッド予測温度３１をＣｏｎｖｏｌｕｔｉｏｎ等の処理を行い密グリッド構造４０と同じサイズにする。
【0094】
プロセッサ１１は、粗グリッド予測温度３１の領域ｒｅの部分の予測温度分布を密グリッド予測温度４１に変更することで粗グリッド予測温度３１と密グリッド予測温度４１とを統合しマルチグリッド予測温度２１を算出する。
【0095】
密グリッド予測温度４１は、素子ＳＰＡに対して十分小さい幅のグリッドが設定されている密グリッド構造４０を用いて算出されるため形状再現性が高い予測温度分布である。また、密グリッド予測温度４１は、粗グリッド予測温度３１も含めて算出されているため、粗グリッド構造３０で算出された領域ｒｅの予測温度分布の情報を含んだ予測温度分布となっている。これにより、プロセッサ１１は、形状再現性を高く密グリッド予測温度４１を算出できる。
【0096】
＜ネットワーク３＞
ネットワーク３におけるマルチグリッド予測温度２１の算出方法について説明する。なお、ネットワーク１と同様の内容に関しては同一符合を付記し適宜説明を省略する。
ネットワーク３におけるマルチグリッド予測温度２１の算出方法について説明する。なお、ネットワーク１と同様の内容に関しては同一符合を付記し適宜説明を省略する。
【0097】
図１３を参照して、ネットワーク３におけるマルチグリッド予測温度を算出する処理の一例を説明する。図１３は、ネットワーク３におけるマルチグリッド予測温度を算出する処理のフローチャートである。図１３のフローチャートの各処理はプロセッサ１１によって実行される。
【0098】
プロセッサ１１は、ステップＳｔ１０３の処理で作成した粗グリッド構造３０とステップＳｔ１０４の処理で算出した粗グリッド予測温度３１とステップＳｔ１０５の処理で作成した密グリッド構造４０とを学習済みの密ネットＡＩに入力して密グリッド予測温度４１を算出する（ステップＳｔ３００）。
【0099】
プロセッサ１１は、ステップＳｔ１０４の処理で算出した粗グリッド予測温度３１とステップＳｔ３００の処理で算出した密グリッド予測温度４１とを統合して対象物全体の予測温度分布であるマルチグリッド予測温度２１を算出する（ステップＳｔ３０１）。
【0100】
次に、図１４を参照して、ネットワーク３におけるマルチグリッド予測温度を算出する処理を模式図を用いて説明する。図１４は、ネットワーク３におけるマルチグリッド予測温度を算出する処理の模式図である。図１４に示す「１」および「２」は、図１３に示す「１」および「２」に対応する。
【0101】
プロセッサ１１は、粗ネットワークから密ネットワークへの入力データとして粗グリッド構造３０と粗グリッド予測温度３１とを受け取る。プロセッサ１１は、密グリッド構造４０と粗グリッド構造３０と粗グリッド予測温度３１とを密ネットＡＩに入力し密グリッド予測温度４１を算出する。密ネットＡＩへの入力データは、「（１）発熱量」、「（２）面内熱伝導率」、「（３）面外熱伝導率」、「（４）輻射率」、「（５）グリッド幅Ｘ」、「（６）グリッド幅Ｙ」、「（７）グリッド幅Ｚ」、「（８）相対位置」、「（９）粗グリッド構造」および「（１０）粗グリッド予測温度」である。なお、プロセッサ１１は、粗グリッド構造３０および粗グリッド予測温度３１をＣｏｎｖｏｌｕｔｉｏｎ等の処理を行い密グリッド構造４０と同じサイズにする。
【0102】
プロセッサ１１は、粗グリッド予測温度３１の領域ｒｅの部分の予測温度分布を密グリッド予測温度４１に変更することで粗グリッド予測温度３１と密グリッド予測温度４１とを統合しマルチグリッド予測温度２１を算出する。
【0103】
密グリッド予測温度４１は、素子ＳＰＡに対して十分小さい幅のグリッドが設定されている密グリッド構造４０を用いて算出されるため形状再現性が高い予測温度分布である。また、密グリッド予測温度４１は、粗ネットワークから粗グリッド構造３０および粗グリッド予測温度３１を受け取り、粗グリッド予測温度３１および粗グリッド構造３０も含めて算出されているため領域ｒｅの周りの構造情報および予測温度分布も含んだ予測温度分布となっている。これにより、プロセッサ１１は、形状再現性を高く密グリッド予測温度４１を算出できる。
【0104】
＜ネットワーク４＞
ネットワーク４におけるマルチグリッド予測温度２１の算出方法について説明する。なお、ネットワーク１と同様の内容に関しては同一符合を付記し適宜説明を省略する。
ネットワーク４におけるマルチグリッド予測温度２１の算出方法について説明する。なお、ネットワーク１と同様の内容に関しては同一符合を付記し適宜説明を省略する。
【0105】
図１５を参照して、ネットワーク４におけるマルチグリッド予測温度を算出する処理の一例を説明する。図１５は、ネットワーク４におけるマルチグリッド予測温度を算出する処理のフローチャートである。図１５のフローチャートの各処理はプロセッサ１１によって実行される。
【0106】
プロセッサ１１は、ステップＳｔ１０４の処理で算出した粗グリッド予測温度３１から密グリッドの領域に対応する予測温度分布を粗グリッド抽出温度３２として抽出する（ステップＳｔ４００）。図６で説明した通り、粗グリッド構造３０は密グリッドの領域ｒｅ（図６参照）の情報を有するため、粗グリッド構造３０から算出された粗グリッド予測温度３１には密グリッドの領域ｒｅの位置情報が紐づいている。プロセッサ１１は、粗グリッド予測温度３１に紐づいている密グリッドの領域の位置情報を基に密グリッドの領域に対応する予測温度分布を抽出する。
【0107】
プロセッサ１１は、ステップＳｔ１０５の処理で作成した密グリッド構造４０とステップＳｔ４００の処理で抽出した粗グリッド抽出温度３２と密ネットＡＩに入力して密グリッド予測温度４１を算出する（ステップＳｔ４０１）。
【0108】
プロセッサ１１は、ステップＳｔ１０４の処理で算出した粗グリッド予測温度３１とステップＳｔ４０１の処理で算出した密グリッド予測温度４１とを統合して対象物の予測温度分布であるマルチグリッド予測温度２１を算出する（ステップＳｔ４０２）。
【0109】
次に、図１６を参照して、ネットワーク４におけるマルチグリッド予測温度を算出する処理を模式図を用いて説明する。図１６は、ネットワーク４におけるマルチグリッド予測温度を算出する処理の模式図である。図１６に示す「１」および「２」は、図１５に示す「１」および「２」に対応する。
【0110】
プロセッサ１１は、粗グリッド予測温度３１から領域ｒｅの予測温度分布を粗グリッド抽出温度３２として抽出する。
【0111】
プロセッサ１１は、粗ネットワークから密ネットワークへの入力データとして粗グリッド抽出温度３２を受け取る。プロセッサ１１は、密グリッド構造４０と粗グリッド抽出温度３２とを密ネットＡＩに入力し密グリッド予測温度４１を算出する。密ネットＡＩへの入力データは、「（１）発熱量」、「（２）面内熱伝導率」、「（３）面外熱伝導率」、「（４）輻射率」、「（５）グリッド幅Ｘ」、「（６）グリッド幅Ｙ」、「（７）グリッド幅Ｚ」、「（８）相対位置」および「（１１）粗グリッド抽出温度」である。
【0112】
プロセッサ１１は、粗グリッド予測温度３１の領域ｒｅの部分の予測温度分布を密グリッド予測温度４１に変更することで粗グリッド予測温度３１と密グリッド予測温度４１とを統合しマルチグリッド予測温度２１を算出する。
【0113】
密グリッド予測温度４１は、素子ＳＰＡに対して十分小さい幅のグリッドが設定されている密グリッド構造４０を用いて算出されるため形状再現性が高い予測温度分布である。また、密グリッド予測温度４１は、粗ネットワークから粗グリッド抽出温度３２を受け取り、粗グリッド抽出温度３２も含めて算出されているため粗グリッド予測温度３１の領域ｒｅの予測温度分布（つまり、粗グリッド抽出温度３２）も含んだ予測温度分布となっている。これにより、プロセッサ１１は、形状再現性を高く密グリッド予測温度４１を算出できる。
【0114】
＜ネットワーク５＞
ネットワーク５におけるマルチグリッド予測温度２１の算出方法について説明する。なお、ネットワーク１と同様の内容に関しては同一符合を付記し適宜説明を省略する。
ネットワーク５におけるマルチグリッド予測温度２１の算出方法について説明する。なお、ネットワーク１と同様の内容に関しては同一符合を付記し適宜説明を省略する。
【0115】
図１７を参照して、ネットワーク５におけるマルチグリッド予測温度を算出する処理の一例を説明する。図１７は、ネットワーク４におけるマルチグリッド予測温度を算出する処理のフローチャートである。図１７のフローチャートの各処理はプロセッサ１１によって実行される。
【0116】
プロセッサ１１は、ステップＳｔ１０４の処理で算出した粗グリッド予測温度３１から密グリッドの領域に対応する予測温度分布を粗グリッド抽出温度３２として抽出する（ステップＳｔ５００）。図６で説明した通り、粗グリッド構造３０は密グリッドの領域ｒｅ（図６参照）の情報を有するため、粗グリッド構造３０から算出された粗グリッド予測温度３１には密グリッドの領域ｒｅの位置情報が紐づいている。プロセッサ１１は、粗グリッド予測温度３１に紐づいている密グリッドの領域の位置情報を基に密グリッドの領域に対応する予測温度分布を抽出する。
【0117】
プロセッサ１１は、ステップＳｔ５００の処理で抽出した粗グリッド抽出温度３２をネットＡＩに入力して密グリッド予測温度４１を算出する（ステップＳｔ５０１）。ネットＡＩは、Ｖｅｒｙ－Ｄｅｅｐ Ｓｕｐｅｒ Ｒｅｓｏｌｕｔｉｏｎニューラルネットワーク等の公知の超解像技術を熱伝導率等の物性情報で学習させたＡＩモデルである。
【0118】
プロセッサ１１は、ステップＳｔ１０４の処理で算出した粗グリッド予測温度３１とステップＳｔ５０１の処理で算出した密グリッド予測温度４１とを統合して対象物の予測温度分布であるマルチグリッド予測温度２１を算出する（ステップＳｔ５０２）。
【0119】
次に、図１８を参照して、ネットワーク５におけるマルチグリッド予測温度を算出する処理を模式図を用いて説明する。図１８は、ネットワーク５におけるマルチグリッド予測温度を算出する処理の模式図である。図１８に示す「１」および「２」は、図１７に示す「１」および「２」に対応する。
【0120】
プロセッサ１１は、粗グリッド予測温度３１から領域ｒｅの予測温度分布を粗グリッド抽出温度３２として抽出する。
【0121】
プロセッサ１１は、粗ネットワークから密ネットワークへの入力データとして粗グリッド抽出温度３２を受け取る。プロセッサ１１は、粗グリッド抽出温度３２をネットＡＩに入力し密グリッド予測温度４１を算出する。ネットＡＩへの入力データは、「（１１）粗グリッド抽出温度」である。
【0122】
プロセッサ１１は、粗グリッド予測温度３１の領域ｒｅの部分の予測温度分布を密グリッド予測温度４１に変更することで粗グリッド予測温度３１と密グリッド予測温度４１とを統合しマルチグリッド予測温度２１を算出する。
【0123】
プロセッサ１１は、超解像技術等を利用したＡＩモデルを用いて粗グリッド抽出温度３２から密グリッド予測温度４１を算出することで形状再現性の高い予測温度分布を算出することができる。また、プロセッサ１１は、密グリッド構造４０を作成する処理を省略し、ネットＡＩに入力する情報が粗グリッド抽出温度３２のみであり入力するデータ量を削減することができる。これにより、プロセッサ１１は、処理時間を短縮しより高速に密グリッド予測温度４１およびマルチグリッド予測温度２１を算出することができる。
【0124】
また、ネットワーク２，３，４，５において、密ネットＡＩへの入力データに粗グリッド予測温度３１を用いる場合、密グリッドの領域（例えば、図５の領域ｒｅ）に対応する粗グリッド予測温度３１の情報が不正確であると密グリッド予測温度４１の精度が低くなる場合がある。例えば、粗グリッド構造３０のグリッドのサイズが、発熱体のサイズよりも大きい場合、発熱体が存在するのに消滅してしまったり発熱体がグリッド幅に合わせて拡大されてしまったりする。このような場合、密グリッドの領域に対応する粗グリッド予測温度３１の情報が不正確となる。
【0125】
このような状況を鑑みて、プロセッサ１１は、粗グリッド構造３０の密グリッドの領域内の発熱体および回路基材を除く構造体（例えば放熱板などの発熱しないもの）の情報を削除した粗グリッド構造３０を粗ネットＡＩに入力し粗グリッド予測温度３１を算出してもよい。例えば、図１２の例を用いて説明すると、プロセッサ１１は、素子ＳＰＡの情報を粗グリッド構造３０から削除した構造情報を粗ネットＡＩに入力し粗グリッド予測温度３１を算出する。これにより、プロセッサ１１は、密グリッドの領域に対応する粗グリッド予測温度３１の情報が不正確であるために密グリッド予測温度４１の精度が悪くなることを防ぐことができる。
【0126】
プロセッサ１１は、例えば、発熱体および回路基材を除く構造体のサイズが粗グリッド構造３０のグリッドのサイズよりも小さい場合に粗グリッド構造３０から当該発熱体の情報を削除する。また、プロセッサ１１は、発熱体のサイズおよび回路基材を除く構造体が粗グリッド構造３０のグリッドのサイズの予め定められた割合以下のサイズである（例えば、粗グリッド構造３０のグリッドのサイズの７０％以下等）場合に粗グリッド構造３０から当該発熱体および回路基材を除く構造体の情報を削除するとしてもよい。
【0127】
次に、ネットワーク１，２，３，４，５による予測温度分布の精度について説明する。以下、ネットワーク１，２，３，４，５による予測温度分布の精度の良し悪しは、従来のＣＦＤによって算出された予測温度分布との差分によって評価される。例えば、当該差分の対象物全体での平均値を精度の評価に用いる。ネットワーク１，２，３，４，５による予測温度分布とＣＦＤによって算出された温度分布との差分が小さい場合、精度は良いと評価され、差分が大きい場合、精度は悪いと評価される。
【0128】
まず、密ネットワークが粗ネットワークから何も入力情報を受け取らずに密グリッド構造４０のみから密グリッド予測温度４１を算出するネットワークをネットワーク６とする。ネットワーク１，２，３，４，５によるマルチグリッド予測温度２１の精度は、いずれもネットワーク６において算出されたマルチグリッド予測温度２１の精度よりも良い結果となった。
【0129】
ネットワーク１，２，３，４，５においてそれぞれ算出されたマルチグリッド予測温度２１において、精度の良さはネットワーク４、ネットワーク５、ネットワーク２、ネットワーク３、ネットワーク１の順番となった。つまり、ネットワーク１，２，３，４，５によるマルチグリッド予測温度２１の中で、ネットワーク４において算出されたマルチグリッド予測温度２１の精度が最も良い結果となった。
【0130】
ネットワーク１とネットワーク２のマルチグリッド予測温度２１の精度を比較すると、ネットワーク２のマルチグリッド予測温度２１の精度の方が良くなった。つまり、密グリッド予測温度４１の算出に粗グリッド構造３０を使うよりも粗グリッド予測温度３１を密ネットＡＩへの入力データとして使った方が高精度な結果になる。
【0131】
ネットワーク２とネットワーク３とのマルチグリッド予測温度２１の精度を比較すると、ネットワーク２のマルチグリッド予測温度２１の精度の方が良くなった。つまり、密グリッド予測温度４１の算出に粗グリッド予測温度３１だけでなく粗グリッド構造３０の情報も密ネットＡＩへの入力データとして加えると精度が低くなる。
【0132】
ネットワーク２とネットワーク４とのマルチグリッド予測温度２１の精度を比較すると、ネットワーク４のマルチグリッド予測温度２１の精度の方が良くなった。つまり、密グリッド予測温度４１の算出に粗グリッド予測温度３１の全体を使うよりも、密グリッドに対応する一部である粗グリッド抽出温度３２を密ネットＡＩへの入力データとして使った方が高精度な結果になる。
【0133】
ネットワーク５は、密グリッド予測温度４１の算出に粗グリッド抽出温度３２しか用いないがネットワーク１～５の中で２番目に精度が高い結果となった。これにより、粗グリッド抽出温度３２をネットＡＩに入力し密グリッド予測温度４１を算出する場合でも、十分に高精度な予測温度分布が得られる。
【0134】
また、本実施の形態において、対象物の温度分布の予測について説明したが、本開示の内容は温度分布に限られず電磁波または音等の分布についても適用できる。構造情報は、熱に関する物性情報の替わりに電磁波または音の伝搬に関する物性情報等を有する。
【0135】
【0136】
マルチグリッド構造２０は、密グリッドの領域である領域ｒｅＡの中に、領域ｒｅＡのグリッド幅より小さい幅のグリッドによって構成される領域ｒｅＢが設定される場合がある。例えば、密グリッドの領域の中に複数のサイズの発熱体が存在する場合、発熱体のサイズに応じて密グリッドの中にさらに小さいグリッド幅の密グリッドを設定する場合がある。なお、領域ｒｅＢの中にさらにグリッド幅の小さい領域が設定されてもよく、密グリッドの領域の中に設定される異なるグリッド幅の領域の数は２個に限定されず何個でもよい。
【0137】
このように、密グリッドの領域の中に異なるグリッド幅の領域を複数設定される場合、再帰的な処理を用いて密グリッド予測温度を算出する。
【0138】
まず、プロセッサ１１は、マルチグリッド構造２０を、粗グリッド構造３０、密グリッド構造４０および密グリッド構造５０に分割する。粗グリッド構造３０は、マルチグリッド構造２０の領域ｒｅＡ以外の領域のグリッド（つまり、グリッド幅が領域ｒｅＡのグリッド幅より大きい粗グリッド）によって構成される構造情報である。密グリッド構造４０は、マルチグリッド構造２０から領域ｒｅＡの構造情報を抽出し、領域ｒｅＢ以外の領域のグリッドによって構成される構造情報である。密グリッド構造５０は、マルチグリッド構造２０から領域ｒｅＢの構造情報を抽出した構造情報である。
【0139】
プロセッサ１１は、粗ネットワークで粗グリッド予測温度を算出する。
【0140】
プロセッサ１１は、粗ネットワークの情報を用いて密ネットワーク１で密グリッド構造４０の密グリッド予測温度を算出する。例えば、ネットワーク１の場合、プロセッサ１１は、粗ネットワークの情報として粗グリッド構造３０を用いて、粗グリッド構造３０と密グリッド構造４０とを密ネットＡＩに入力し密グリッド予測温度を算出する。ネットワーク２の場合、プロセッサ１１は、粗ネットワークの情報として粗グリッド予測温度を用いて、粗グリッド予測温度と密グリッド構造４０とを密ネットＡＩに入力し密グリッド予測温度を算出する。ネットワーク３の場合、プロセッサ１１は、粗ネットワークの情報として粗グリッド構造３０と粗グリッド予測温度とを用いて、粗グリッド構造３０と粗グリッド予測温度と密グリッド構造４０とを密ネットＡＩに入力し密グリッド予測温度を算出する。ネットワーク４の場合、プロセッサ１１は、粗ネットワークの情報として、粗グリッド抽出温度を用いて、粗グリッド抽出温度と密グリッド構造４０とを密ネットＡＩに入力して密グリッド予測温度を算出する。ネットワーク５の場合、プロセッサ１１は粗ネットワークの情報として粗グリッド抽出温度を用いて、粗グリッド抽出温度をネットＡＩに入力して密グリッド予測温度を算出する。
【0141】
次に、プロセッサ１１は、密ネットワーク１を上位ネットワークとし、上位ネットワークの情報を用いて密グリッド構造５０の密グリッド予測温度を算出する。ネットワーク１の場合、プロセッサ１１は上位ネットワークの情報として密グリッド構造４０を用いて、密グリッド構造４０と密グリッド構造５０とを密ネットＡＩに入力し密グリッド予測温度を算出する。ネットワーク２の場合、プロセッサ１１は、上位ネットワークの情報として密グリッド予測温度を用いて、密グリッド予測温度と密グリッド構造５０とを密ネットＡＩに入力し密グリッド予測温度を算出する。ネットワーク３の場合、プロセッサ１１は、上位ネットワークの情報として密グリッド構造４０と密グリッド予測温度とを用いて、密グリッド構造４０と密グリッド予測温度と密グリッド構造５０とを密ネットＡＩに入力して密グリッド予測温度を算出する。ネットワーク４の場合、プロセッサ１１は、上位ネットワークの情報として密グリッド抽出温度を用いて、密グリッド抽出温度と密グリッド構造５０とを密ネットＡＩに入力して密グリッド予測温度を算出する。密グリッド抽出温度とは、上位ネットワークで算出された密グリッド予測温度の中から領域ｒｅＢの予測温度分布を抽出したものである。ネットワーク５の場合、プロセッサ１１は、上位ネットワークの情報として密グリッド抽出温度を用いて、密グリッド抽出温度をネットＡＩに入力して密グリッド予測温度を算出する。
【0142】
このように、密グリッドＡの領域にさらに小さいグリッド幅のグリッドで構成される密グリッドＢが設定される場合、密グリッドＢの密グリッド予測温度は、密グリッドＡの密グリッド予測温度を算出する密ネットワークを上位ネットワークとし算出される。また、密グリッドＢの中にさらに小さいグリッド幅のグリッドで構成される密グリッドＣが設定される場合、密グリッドＣの密グリッド予測温度は、１つグリッドのサイズが大きい密グリッドＢを上位ネットワークとして算出される。このように、１つの密グリッドの中に何個もより小さい密グリッドが設定される場合、１つサイズの大きい密グリッドの密グリッド予測温度を算出する密ネットワークのことを上位ネットワークと称する。
【0143】
プロセッサ１１は、再帰的な処理によって算出されたそれぞれの密グリッド予測温度と粗グリッド予測温度とを統合してマルチグリッド予測温度を算出する。
【0144】
次に、図２０を参照して、対象物の温度分布の再帰的な演算処理の一例を説明する。図２０は、対象物の温度分布の再帰的な演算処理の一例のフローチャートである。図９と同様の処理に関しては同一符合を付記し説明を省略する。
【0145】
プロセッサ１１は、ステップＳｔ１０２の処理でマルチグリッドに分割した３次元構造データから粗グリッド構造を作成する。プロセッサ１１は、ステップＳｔ１０２の処理でマルチグリッドに分割した３次元構造データから密グリッド構造を作成する。密グリッドの領域の中にさらに小さいグリッド幅の密グリッドが設定されている場合、プロセッサ１１は、グリッドのサイズに応じてそれぞれ密グリッド構造を作成する（ステップＳｔ６００）。
【0146】
プロセッサ１１は、粗ネットワークの情報を用いて密ネットワークで密グリッド構造の温度を予測し密グリッド予測温度を算出する（ステップＳｔ６０１）。なお、プロセッサ１１は、ネットワーク１～４で密グリッド予測温度を算出する場合、ステップＳｔ６００の処理で作成した密グリッド構造と粗ネットワークの情報とを用いて密ネットワークで密グリッド構造の温度を予測し密グリッド予測温度を算出する。
【0147】
プロセッサ１１は、再帰的な処理を開始する（ステップＳｔ６０２）。
【0148】
プロセッサ１１は、上位ネットワークの情報を用いて密ネットワークで温度を予測し密グリッド予測温度を算出する（ステップＳｔ６０３）。
【0149】
プロセッサ１１は、ステップＳｔ６００で作成した全ての密グリッド構造に対応する密グリッド予測温度を算出した場合、再帰的な処理を終了する（ステップＳｔ６０４）。
【0150】
プロセッサ１１は、粗ネットワークおよび全ての密ネットワークの予測温度分布を統合して対象物全体の予測温度分布を算出する（ステップＳｔ６０５）。
【0151】
以上により、本実施の形態に係る演算方法は、１つの密グリッドの中に何個もより小さい密グリッドが設定される場合、再帰的な処理を行うことで高精度に密グリッド予測温度を算出することができる。これにより、演算方法は、１つの密グリッドの中に何個もより小さい密グリッドが設定される場合においても、対象物全体の予測温度分布を高精度に算出することができる。
【0152】
以上により、演算装置１０は、構造情報をマルチグリッドに分割したマルチグリッド構造２０からＣＮＮネットワークを用いて高精度に予測温度分布を算出することができる。具体的には以下の通りマルチグリッド予測温度２１は算出される。マルチグリッド構造２０は、対象物において小さい発熱体等が存在する微細な構造部分は構造情報を密グリッドで分割され、それ以外の領域には粗グリッドで分割されている。演算装置１０は、マルチグリッド構造２０から粗グリッド構造３０と密グリッド構造４０とを作成する。演算装置１０は、作成した粗グリッド構造３０を粗グリッドネットワークにおいて粗グリッド予測温度３１を算出する。演算装置１０は、マルチグリッド構造２０の密グリッドの領域の温度は密ネットワークで密グリッド予測温度４１を算出する。演算装置１０は、粗グリッド予測温度３１と密グリッド予測温度４１とを統合しマルチグリッド予測温度２１を算出する。これにより、演算装置１０は、対象物の微細な構造部分に関しても形状再現性高く予測温度分布を算出することができる。
【0153】
また、演算装置１０は、粗ネットワークから粗グリッド構造３０、粗グリッド予測温度３１または粗グリッド抽出温度３２の少なくとも１つを密ネットワークへの入力データとすることで、形状再現性高く高精度に密グリッド予測温度４１を算出することができる。
【0154】
また、演算装置１０は、粗ネットワークおよび密ネットワークでの予測温度分布の算出のためにＣＮＮネットワークを用いるので、従来のＣＦＤによる計算時間よりも計算時間を大幅に短縮することができる。
【0155】
（実施の形態１のまとめ）
以上の実施の形態１の記載により、下記技術が開示される。
以上の実施の形態１の記載により、下記技術が開示される。
【0156】
＜技術１＞
本実施の形態に係る演算方法は、発熱体を含む対象物に設定されたマルチグリッドと発熱体および対象物の物性情報とを含む構造情報を、マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、第１構造情報を学習済みの第１ＡＩモデルに入力し、複数の第１グリッドに対応する対象物の温度分布である第１予測温度を解析し、第１構造情報、第２構造情報、または第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、第２グリッドに対応する対象物の温度分布である第２予測温度を解析し、第１予測温度と第２予測温度とを用いて対象物の予測温度分布である第３予測温度を算出する。
本実施の形態に係る演算方法は、発熱体を含む対象物に設定されたマルチグリッドと発熱体および対象物の物性情報とを含む構造情報を、マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、第１構造情報を学習済みの第１ＡＩモデルに入力し、複数の第１グリッドに対応する対象物の温度分布である第１予測温度を解析し、第１構造情報、第２構造情報、または第１予測温度の全部もしくは一部の少なくとも１つを用いて学習済みの第２ＡＩモデルに入力し、第２グリッドに対応する対象物の温度分布である第２予測温度を解析し、第１予測温度と第２予測温度とを用いて対象物の予測温度分布である第３予測温度を算出する。
【0157】
これにより、本実施の形態に係る演算方法は、対象物の微細な構造部分に関しても形状再現性高く予測温度分布を算出することができる。また、演算方法は、第１構造情報、第２構造情報または第１予測温度の全部もしくは一部の少なくとも１つを用いて第２予測温度を算出するため形状再現性高く高精度に対象物の予測温度分布を算出することができる。また、演算方法は、ＡＩモデルを用いて対象物の予測温度分布を算出するので従来のＣＦＤによる計算時間よりも計算時間を大幅に短縮することができる。これにより、演算方法は、対象物の温度分布の予測を高精度かつ高速に行うことができる。
【0158】
＜技術２＞
技術１に記載の演算方法において、第２構造情報は、第１グリッド内の第２グリッドの相対位置を示す位置情報を有し、位置情報に対応する箇所の第１予測温度を第２予測温度に変更し第３予測温度を算出する。
技術１に記載の演算方法において、第２構造情報は、第１グリッド内の第２グリッドの相対位置を示す位置情報を有し、位置情報に対応する箇所の第１予測温度を第２予測温度に変更し第３予測温度を算出する。
【0159】
これにより、本実施の形態に係る演算方法は、第２グリッドの位置に対応する箇所の第１予測温度を、形状再現性の高い第２予測温度に変更することで、形状再現性が高い第３予測温度を算出することができる。
【0160】
＜技術３＞
技術１また２に記載の演算方法は、第１構造情報と第２構造情報とを第２ＡＩモデルに入力し第２予測温度を解析する。
技術１また２に記載の演算方法は、第１構造情報と第２構造情報とを第２ＡＩモデルに入力し第２予測温度を解析する。
【0161】
これにより、本実施の形態に係る演算方法は、第２グリッドの位置に対応する箇所の温度分布を、第２構造情報だけでなく第１構造情報も含めて第２ＡＩモデルに入力し算出する。これにより、演算方法は、第２グリッドの周りの構造情報を含めて高精度に第２予測温度を算出することができる。
【0162】
＜技術４＞
技術１から３のいずれか１つに記載の演算方法は、第２構造情報と第１予測温度とを第２ＡＩモデルに入力し第２予測温度を解析する。
技術１から３のいずれか１つに記載の演算方法は、第２構造情報と第１予測温度とを第２ＡＩモデルに入力し第２予測温度を解析する。
【0163】
これにより、本実施の形態に係る演算方法は、第２グリッドの周りの予測温度の情報を含めて高精度に第２予測温度を算出することができる。
【0164】
＜技術５＞
技術１から４のいずれか１つに記載の演算方法は、第１構造情報と第２構造情報と第１予測温度とを第２ＡＩモデルに入力し第２予測温度を解析する。
技術１から４のいずれか１つに記載の演算方法は、第１構造情報と第２構造情報と第１予測温度とを第２ＡＩモデルに入力し第２予測温度を解析する。
【0165】
これにより、本実施の形態に係る演算方法は、第２ＡＩモデルへの入力データに第２構造情報の他に第１構造情報と第１予測温度との情報を含めることで、高精度に第２予測温度を算出することができる。
【0166】
＜技術６＞
技術１から５のいずれか１つに記載の演算方法は、第１予測温度から位置情報により特定される範囲の温度分布を抽出し、抽出した温度分布と第２構造情報とを第２ＡＩモデルに入力し第２予測温度を解析する。
技術１から５のいずれか１つに記載の演算方法は、第１予測温度から位置情報により特定される範囲の温度分布を抽出し、抽出した温度分布と第２構造情報とを第２ＡＩモデルに入力し第２予測温度を解析する。
【0167】
これにより、本実施の形態に係る演算方法は、第２ＡＩモデルへの入力データに第２構造情報の他に第１予測温度から抽出された第１グリッド内の第２グリッドの位置情報により特定される範囲の温度分布を含めることで、高精度に第２予測温度を算出することができる。
【0168】
＜技術７＞
技術１から６のいずれか１つに記載の演算方法は、第１予測温度から位置情報により特定される範囲の温度分布を抽出し、抽出した温度分布を第２ＡＩモデルに入力し第２予測温度を解析する。
技術１から６のいずれか１つに記載の演算方法は、第１予測温度から位置情報により特定される範囲の温度分布を抽出し、抽出した温度分布を第２ＡＩモデルに入力し第２予測温度を解析する。
【0169】
これにより、本実施の形態に係る演算方法は、第１予測温度から抽出された第１グリッド内の第２グリッドの位置情報により特定される範囲の温度分布だけから高精度に第２予測温度を解析することができる。
【0170】
＜技術８＞
技術１から７のいずれか１つに記載の演算方法において、構造情報は、物性情報として対象物のグリッドごとの熱伝導率と発熱量と輻射率との情報を含む。
技術１から７のいずれか１つに記載の演算方法において、構造情報は、物性情報として対象物のグリッドごとの熱伝導率と発熱量と輻射率との情報を含む。
【0171】
これにより、本実施の形態に係る演算方法は、各グリッドの温度を算出することができる。
【0172】
（実施の形態２）
実施の形態２では、実施の形態１と比較して対象物の温度分布の予測をより高精度に行う演算方法について説明する。なお、実施の形態２に係る演算方法の説明においては、実施の形態１に係る演算方法と同一の内容の説明は簡略化あるいは省略し、差分に着目して説明する。
実施の形態２では、実施の形態１と比較して対象物の温度分布の予測をより高精度に行う演算方法について説明する。なお、実施の形態２に係る演算方法の説明においては、実施の形態１に係る演算方法と同一の内容の説明は簡略化あるいは省略し、差分に着目して説明する。
【0173】
実施の形態２の説明において、粗グリッド構造のことを、密グリッド構造に対する上位構造と表現する。また、密グリッド構造のことを、粗グリッド構造に対する下位構造と表現する。また、１つの密グリッドの中に何個もより小さい密グリッドが設定される場合、特定の密グリッド構造よりも１つサイズの小さい密グリッド構造のことを、当該特定の密グリッド構造に対する下位構造と表現する。また、特定の密グリッド構造よりも１つサイズの大きい密グリッド構造のことを、当該特定の密グリッド構造に対する上位構造と表現する。実施の形態１の図１９を例に挙げて具体的に説明すると、粗グリッド構造３０は、密グリッド構造４０に対する上位構造である。また、密グリッド構造４０は、粗グリッド構造３０に対する下位構造であり、密グリッド構造５０に対する上位構造である。また、密グリッド構造５０は、密グリッド構造４０に対する下位構造である。また、密グリッド構造５０は、粗グリッド構造３０に対しても下位の構造である。また、実施の形態１および実施の形態２において、粗グリッド構造に対する上位構造はないものとして説明する。したがって、粗グリッド構造のことを、最上位の構造と表現する場合がある。
【0174】
また、実施の形態１の説明において、１つの密グリッドの中に何個もより小さい密グリッドが設定される場合、１つサイズの大きい密グリッドの密グリッド予測温度を算出する密ネットワークのことを上位ネットワークと称して説明した。実施の形態２の説明においては、あるグリッドを基準とした場合に、当該グリッドよりも１つサイズの大きいグリッドの予測温度を算出するネットワークのことを上位ネットワークと称する。また、当該グリッドよりも１つサイズの小さいグリッドの予測温度を算出するネットワークのことを下位ネットワークと称して説明する。実施の形態１の図１９を例に挙げて具体的に説明すると、粗ネットワークは、密ネットワーク１の上位ネットワークである。また、密ネットワーク１は、粗ネットワークの下位ネットワークであり、密ネットワーク２の上位ネットワークである。また、密ネットワーク２は、密ネットワーク１の下位ネットワークである。
【0175】
上述の実施の形態１において、演算方法は、上位ネットワークで算出されたあるグリッドの予測温度を、当該グリッドよりも１つサイズの小さいグリッドの予測温度の算出に用いていた。言い換えると、上位構造の予測温度が、下位構造の予測温度の算出に用いられていた。具体的には、密グリッド予測温度の算出に粗グリッド予測温度が用いられていた。実施の形態２では、演算方法は、上位構造の予測温度を下位構造の予測温度の算出に用いるだけでなく、下位構造の予測温度を上位構造の予測温度の算出に用いる。
【0176】
また、実施の形態２では、演算方法は、上位構造の予測温度の算出の際、学習済みのＡＩモデルへの入力データから、下位構造における発熱体に係る情報と下位構造の情報とを除く。また、実施の形態２では、下位構造の予測温度等を用いて上位構造の予測温度を解析するＡＩモデルの学習において、上位構造に含まれる下位構造の領域の損失はマスキングされる。
【0177】
【0178】
親構造７００は、実施の形態１における粗グリッド構造（例えば、粗グリッド構造３０）と同義である。つまり、親構造７００は、最上位の構造である。ここでは、説明の便宜上「粗グリッド構造」ではなく「親構造」と表現する。親構造７００は、一例として発熱体である３つの素子ＰＡと３つの素子ＳＰＡと１つの素子ＳＳＰＡとを含む対象物、つまり基板Ｗの構造情報である。素子ＳＳＰＡは、素子ＳＰＡよりも小さな素子である。
【0179】
子構造８００は、実施の形態１における密グリッド構造（例えば、密グリッド構造４０）と同義である。ここでは、説明の便宜上「密グリッド構造」ではなく「子構造」と表現する。子構造８００は、親構造７００の素子ＳＰＡを含む領域が抽出され、密グリッドのメッシュが設定された構造情報である。
【0180】
孫構造９００は、実施の形態１における密グリッド構造（例えば、密グリッド構造５０）と同義である。孫構造９００と子構造８００とは、いずれも実施の形態１における密グリッド構造と同義であるが、孫構造９００は子構造８００の下位構造である。子構造８００と孫構造９００との関係は、図１９の例の密グリッド構造４０と密グリッド構造５０との関係に相当する。ここでは、説明の便宜上「密グリッド構造」ではなく「孫構造」と表現する。孫構造９００は、子構造８００の素子ＳＳＰＡを含む領域が抽出され、子構造８００に設定された密グリッドのグリッド幅よりも更に小さいグリッド幅の密グリッドのメッシュが設定された構造情報である。
【0181】
親構造は、第１構造情報と読み替えられる。子構造および孫構造は、第２構造情報と読み替えられる。
【0182】
＜直列ネットワーク＞
次に、図２２を参照して、実施の形態２に係るマルチグリッド予測温度の算出方法の一例の概要を説明する。図２２は、実施の形態２に係る直列ネットワークにおけるマルチグリッド予測温度９５０を算出する処理の模式図である。
次に、図２２を参照して、実施の形態２に係るマルチグリッド予測温度の算出方法の一例の概要を説明する。図２２は、実施の形態２に係る直列ネットワークにおけるマルチグリッド予測温度９５０を算出する処理の模式図である。
【0183】
マルチグリッド予測温度９５０の算出のために、まず、入力情報としてマルチグリッド構造（不図示）が用意される。演算装置１０のプロセッサ１１は、当該マルチグリッド構造を親構造７００、子構造８００および孫構造９００に分割する。プロセッサ１１は、親構造７００を学習済みのＣＮＮネットワークに入力し、親中間温度７０１を予測する。親中間温度７０１は、親構造７００の予測された中間温度分布である。中間温度分布とは、温度分布等の更なる予測のために用いられる、仮の温度分布である。ここでは、中間温度分布と、中間温度分布を用いて予測される温度分布とを区別するために、「中間温度分布」という用語を用いる。親中間温度７０１を予測する学習済みのＣＮＮネットワークを、中間親ネットＡＩと称する。中間親ネットＡＩは、最上位の構造の温度分布を予測するＡＩモデルであり、実施の形態１での粗ネットＡＩに相当する。したがって、中間親ネットＡＩは、第１ＡＩモデルと読み替えられる。また、親中間温度は、第１中間温度と読み替えられる。
【0184】
プロセッサ１１は、中間親ネットＡＩに親構造７００を入力する際、親構造７００から子構造８００および孫構造９００のそれぞれの発熱体を削除する。詳細は、図２３を参照して後述する。
【0185】
プロセッサ１１は、子構造８００と親中間温度７０１とを学習済みのＣＮＮネットワークに入力し、子中間温度８０１を予測する。子中間温度８０１は、子構造８００の中間温度分布である。子中間温度８０１を予測する学習済みのＣＮＮネットワークを、中間子ネットＡＩと称する。また、子中間温度は、第２中間温度と読み替えられる。
【0186】
プロセッサ１１は、中間子ネットＡＩに子構造８００を入力する際、子構造８００から孫構造９００の発熱体を削除する。
【0187】
プロセッサ１１は、孫構造９００と子中間温度８０１とを学習済みのＣＮＮネットワークに入力し、孫予測温度９０２を予測する。孫予測温度９０２は、孫構造９００の予測された温度分布である。孫予測温度９０２を予測する学習済みのＣＮＮネットワークを、予測孫ネットＡＩと称する。中間子ネットＡＩおよび予測孫ネットＡＩは、最上位の構造以外の構造の温度分布を予測するＡＩモデルであり、実施の形態１での密ネットＡＩに相当する。したがって、中間子ネットＡＩおよび予測孫ネットＡＩは、第２ＡＩモデルと読み替えられる。また、孫予測温度は、第２予測温度と読み替えられる。
【0188】
プロセッサ１１は、孫予測温度９０２と子中間温度８０１とを学習済みのＣＮＮネットワークに入力し、子予測温度８０２を予測する。子予測温度８０２は、子構造８００の予測された温度分布である。子予測温度８０２を予測する学習済みのＣＮＮネットワークを、予測子ネットＡＩと称する。
【0189】
予測子ネットＡＩの学習において、子構造８００の領域のうち孫構造９００の領域の損失（以下、「ＬＯＳＳ」とも称する）がマスキングされる。詳細は、図２４を参照して後述する。簡単に言うと、子予測温度８０２のうち孫構造９００の領域の温度分布の精度は求められなくてもよくなる。これは、既に孫予測温度９０２が予測されているためである。
【0190】
プロセッサ１１は、子予測温度８０２と親中間温度７０１とを学習済みのＣＮＮネットワークに入力し、親予測温度７０２を予測する。親予測温度７０２は、親構造７００の予測された温度分布である。親予測温度７０２を予測する学習済みのＣＮＮネットワークを、予測親ネットＡＩと称する。
【0191】
予測親ネットＡＩの学習において、親構造７００の領域のうち子構造８００の領域の損失がマスキングされる。したがって、予測親ネットＡＩの学習において、孫構造９００の領域の損失もまた、マスキングされる。これにより、親予測温度７０２のうち子構造８００の領域の温度分布の精度は求められなくてもよくなる。これは、既に子予測温度８０２および孫予測温度９０２が予測されているためである。
【0192】
予測子ネットＡＩおよび予測親ネットＡＩは、温度分布の予測のために下位構造の温度分布を用いるＡＩモデルであり、学習の際には特定の領域の損失がマスキングされる。予測子ネットＡＩおよび予測親ネットＡＩは、第３ＡＩモデルと読み替えられる。
【0193】
プロセッサ１１は、親予測温度７０２と子予測温度８０２と孫予測温度９０２とを用いてマルチグリッド予測温度９５０を算出する。このように、マルチグリッド予測温度９５０の算出のために、仮の温度分布を含む各温度分布を段階的に予測するネットワークを、直列ネットワークと称する。
【0194】
【0195】
図２２を参照して説明したように、プロセッサ１１は、中間親ネットＡＩに親構造７００を入力する際、親構造７００から子構造８００および孫構造９００のそれぞれの発熱体を削除する。図２２の例では、プロセッサ１１は、子構造８００に含まれる３つの素子ＳＰＡと、孫構造９００に含まれる１つの素子ＳＳＰＡとを、親構造７００から削除する。親構造７００は、１つのグリッドに対して図６に示す（１）から（７）までの情報が紐づいているデータである。親構造７００から子構造８００および孫構造９００のそれぞれの発熱体が削除されるとは、より正確には、親構造７００の領域のうち孫構造９００を含む子構造８００の領域について、図６に示す（１）から（７）までの情報のうち（１）から（４）までの情報が削除されることである。ここで、プロセッサ１１は、情報が削除された領域に、空気の物性値を与えてもよいし、対象物である基板Ｗの材料の物性値を与えてもよい。
【0196】
同様に、プロセッサ１１は、中間子ネットＡＩに子構造８００を入力する際、子構造８００から孫構造９００に含まれる１つの素子ＳＳＰＡを削除する。子構造８００は、１つのグリッドに対して図７に示す（１）から（８）までの情報が紐づいているデータである。子構造８００から孫構造９００の発熱体が削除されるとは、より正確には、子構造８００の領域のうち孫構造９００の領域について、図７に示す（１）から（８）までの情報のうち（１）から（４）までの情報が削除されることである。ここで、プロセッサ１１は、情報が削除された領域に、空気の物性値を与えてもよいし、対象物である基板Ｗの材料の物性値を与えてもよい。
【0197】
このように、プロセッサ１１は、ある構造（例えば、親構造７００または子構造８００）の中間温度分布を予測する際に、当該構造から、当該構造よりも下位の構造（例えば、子構造８００または孫構造９００）に含まれる発熱体を削除してもよい。これにより、上位構造の粗いグリッドにより下位構造を分割することによる、予測温度分布の誤差を排除できる。
【0198】
【0199】
ＡＩモデルの学習の際、ＡＩモデルによる予測温度と正解温度との誤差、言い換えると損失が算出される。損失は、例えば、以下の式（１）により算出される。そして、算出された損失が小さくなるように、ＡＩモデルが温度を予測するためのパラメータが調整される
【0200】
【数1】
【0201】
図２４に示すように、子予測温度８１０には、孫構造９００の領域の温度分布９１０が含まれる。子予測温度８１０は、子構造８００の予測温度である。ここで、子予測温度８１０は、学習フェーズにおけるＡＩモデルにより予測された温度分布である。
【0202】
子構造８００の正解温度である子正解温度８２０には、孫構造９００の領域の正解温度９２０が含まれる。図２４の例では、温度分布９１０と正解温度９２０との間で損失がある。従来であれば、全てのグリッドについて式（１）により損失が算出され、算出された損失が小さくなるように、ＡＩモデルが温度を予測するためのパラメータが調整される。これにより、ＡＩモデルによる予測温度は、正解温度に近づく。
【0203】
しかしながら、実施の形態２に係る予測子ネットＡＩの学習の際には、全てのグリッドのうち孫構造９００の領域のグリッドを除いたグリッドについて、式（１）により損失が算出される。つまり、予測子ネットＡＩの学習の際、孫構造９００の領域の損失がマスキングされる。この場合、予測子ネットＡＩにより予測された子予測温度８０２のうち、孫構造９００の領域の温度分布は正解温度から乖離し得る。しかし、予測孫ネットＡＩにより孫予測温度９０２が既に予測されているため、もし子予測温度８０２のうち孫構造９００の領域の温度分布の精度が良くなかったとしても、孫予測温度９０２が用いられることで、マルチグリッド予測温度９５０は高精度に算出される。これにより、全てのグリッドについて損失が算出される場合の、上位構造の粗いグリッドに合わせた下位構造の予測温度と正解温度との誤差を排除できる。
【0204】
なお、図２４では、子予測温度８０２を予測するＡＩモデルの学習の際に孫構造９００の領域の損失がマスキングされる例を示したが、親予測温度７０２を予測するＡＩモデルの学習の際には、子構造８００の領域の損失がマスキングされる。つまり、親予測温度７０２を予測するＡＩモデルの学習の際、全てのグリッドのうち子構造８００の領域のグリッドを除いたグリッドについて、式（１）により損失が算出される。子構造８００の領域には孫構造９００の領域も含まれるため、親予測温度７０２のうち子構造８００および孫構造９００のそれぞれの領域の温度分布の損失は算出されない。しかし、既に予測された子予測温度８０２と孫予測温度９０２とが用いられることで、マルチグリッド予測温度９５０は高精度に算出される。
【0205】
次に、図２５を参照して、直列ネットワークにおけるマルチグリッド予測温度９５０を算出する処理の一例を説明する。図２５は、実施の形態２に係る直列ネットワークにおけるマルチグリッド予測温度９５０を算出する処理のフローチャートである。図２５のフローチャートの各処理はプロセッサ１１によって実行される。
【0206】
プロセッサ１１は、３次元構造データとしてレイヤ構造となっているデータを作成する（ステップＳｔ１００）。
【0207】
プロセッサ１１は、ステップＳｔ１００の処理で作成した３次元構造データに計算条件として対象物に含まれる発熱体の発熱量、発熱体の物性値（つまり、面内熱伝導率および面外熱伝導率）、輻射率および境界条件等を設定する（ステップＳｔ１０１）。プロセッサ１１は、ユーザから入力された発熱体の発熱量、熱伝導率等の物性値、輻射率、グリッド幅および密グリッドを設定する領域の情報に基づきステップＳｔ１０１の処理を実行する。なお、プロセッサ１１は、対象物の計算条件が保存されている外部装置から計算条件を取得し、取得した計算条件を用いてステップＳｔ１０１の処理を実行してもよい。
【0208】
プロセッサ１１は、ステップＳｔ１０１の処理で計算条件を設定した３次元構造データをマルチグリッドのメッシュに分割しマルチグリッド構造を作成する（ステップＳｔ１０２）。
【0209】
プロセッサ１１は、ステップＳｔ１０２の処理で作成したマルチグリッド構造から親構造７００を作成し、親構造７００から子構造８００および孫構造９００のそれぞれの領域の発熱体の情報を削除することで、中間親ネットＡＩへの入力データを生成する（ステップＳｔ１０００）。
【0210】
プロセッサ１１は、ステップＳｔ１０００の処理で生成した入力データを中間親ネットＡＩに入力し、親中間温度７０１を算出する（ステップＳｔ１００１）。
【0211】
プロセッサ１１は、ステップＳｔ１０２の処理で作成したマルチグリッド構造から子構造８００を作成し、子構造８００から孫構造の領域の発熱体の情報を削除することで、中間子ネットＡＩへの入力データを生成する（ステップＳｔ１００２）。ステップＳｔ１００２の処理で生成される入力データには、ステップＳｔ１００１で算出された親中間温度７０１が含まれる。
【0212】
プロセッサ１１は、ステップＳｔ１００２の処理で生成した入力データを中間子ネットＡＩに入力し、子中間温度８０１を算出する（ステップＳｔ１００３）。
【0213】
プロセッサ１１は、ステップＳｔ１０２の処理で作成したマルチグリッド構造から孫構造９００を作成し、予測孫ネットＡＩへの入力データを生成する（ステップＳｔ１００４）。ステップＳｔ１００４の処理で生成される入力データには、ステップＳｔ１００３で算出された子中間温度８０１が含まれる。
【0214】
プロセッサ１１は、ステップＳｔ１００４の処理で生成した入力データを予測孫ネットＡＩに入力し、孫予測温度９０２を算出する（ステップＳｔ１００５）。
【0215】
プロセッサ１１は、ステップＳｔ１００３の処理で算出された子中間温度８０１と、ステップＳｔ１００５の処理で算出された孫予測温度９０２とを含む、予測子ネットＡＩへの入力データを生成する（ステップＳｔ１００６）。
【0216】
プロセッサ１１は、ステップＳｔ１００６の処理で生成した入力データを予測子ネットＡＩに入力し、子予測温度８０２を算出する（ステップＳｔ１００７）。
【0217】
プロセッサ１１は、ステップＳｔ１００１の処理で算出された親中間温度７０１と、ステップＳｔ１００７の処理で算出された子予測温度８０２とを含む、予測親ネットＡＩへの入力データを生成する（ステップＳｔ１００８）。
【0218】
プロセッサ１１は、ステップＳｔ１００８の処理で生成した入力データを予測親ネットＡＩに入力し、親予測温度７０２を算出する（ステップＳｔ１００９）。
【0219】
プロセッサ１１は、ステップＳｔ１００５の処理で算出した孫予測温度９０２とステップＳｔ１００７の処理で算出した子予測温度８０２とステップＳｔ１００９の処理で算出した親予測温度７０２とを統合して、対象物全体の予測温度分布であるマルチグリッド予測温度９５０を算出する（ステップＳｔ１０１０）。
【0220】
以上により、演算装置１０は、構造情報をマルチグリッドに分割したマルチグリッド構造からＣＮＮネットワークを用いて高精度に予測温度分布を算出することができる。具体的には以下の通りマルチグリッド予測温度９５０が算出される。マルチグリッド構造は、対象物において小さい発熱体等が存在する微細な構造部分は構造情報を密グリッドで分割され、それ以外の領域には粗グリッドで分割されている。また、当該密グリッドの中により小さい密グリッドが設定されている。演算装置１０は、マルチグリッド構造から親構造７００と子構造８００と孫構造９００とを作成する。演算装置１０は、作成した親構造７００を中間親ネットＡＩに入力して親中間温度７０１を算出する。このとき、親構造７００から子構造８００および孫構造９００のそれぞれの領域の発熱体が削除される。また、演算装置１０は、作成した子構造８００と算出した親中間温度７０１とを中間子ネットＡＩに入力して子中間温度８０１を算出する。このとき、子構造８００から孫構造９００の領域の発熱体が削除される。また、演算装置１０は、作成した孫構造９００と算出した子中間温度８０１とを予測孫ネットＡＩに入力して、孫予測温度９０２を算出する。演算装置１０は、子中間温度８０１と孫予測温度９０２とを予測子ネットＡＩに入力して、子予測温度８０２を算出する。予測子ネットＡＩの学習の際に、子構造８００の下位構造である孫構造９００の領域の温度分布の損失がマスキングされる。演算装置１０は、子予測温度８０２と親中間温度７０１とを予測親ネットＡＩに入力して、親予測温度７０２を算出する。予測親ネットＡＩの学習の際に、親構造７００よりも下位の構造である子構造８００の領域の温度分布の損失と孫構造９００の領域の温度分布の損失とがマスキングされる。演算装置１０は、親予測温度７０２と子予測温度８０２と孫予測温度９０２とを統合しマルチグリッド予測温度９５０を算出する。これにより、演算装置１０は、対象物の微細な構造部分に関しても、形状再現性がより高い予測温度分布を算出することができる。
【0221】
＜並列ネットワーク＞
次に、図２６を参照して、実施の形態２に係るマルチグリッド予測温度の算出方法の一例の概要を説明する。図２６は、実施の形態２に係る並列ネットワークにおけるマルチグリッド予測温度９５０を算出する処理の模式図である。上述の直列ネットワークでは、各温度分布が段階的に算出されていた。つまり、直列ネットワークにおける各処理は、段階的に行われていた。一方、並列ネットワークでは、各温度分布を算出する処理が並列に行われる。
次に、図２６を参照して、実施の形態２に係るマルチグリッド予測温度の算出方法の一例の概要を説明する。図２６は、実施の形態２に係る並列ネットワークにおけるマルチグリッド予測温度９５０を算出する処理の模式図である。上述の直列ネットワークでは、各温度分布が段階的に算出されていた。つまり、直列ネットワークにおける各処理は、段階的に行われていた。一方、並列ネットワークでは、各温度分布を算出する処理が並列に行われる。
【0222】
マルチグリッド予測温度９５０の算出のために、まず、入力情報としてマルチグリッド構造（不図示）が用意される。演算装置１０のプロセッサ１１は、当該マルチグリッド構造を親構造７００、子構造８００および孫構造９００に分割する。
【0223】
プロセッサ１１は、親構造７００を中間親ネットＡＩへ入力し、親中間温度７０１を予測する。プロセッサ１１は、中間親ネットＡＩに親構造７００を入力する際、親構造７００から子構造８００および孫構造９００のそれぞれの発熱体を削除する。また、プロセッサ１１は、子構造８００を中間子ネットＡＩへ入力し、子中間温度８０１を予測する。プロセッサ１１は、中間子ネットＡＩに子構造８００を入力する際、子構造８００から孫構造９００の発熱体を削除する。また、プロセッサ１１は、孫構造９００を中間孫ネットＡＩへ入力し、孫中間温度９０１を予測する。孫中間温度９０１は、孫構造９００の中間温度分布である。孫中間温度９０１を予測する学習済みのＣＮＮネットワークを、中間孫ネットＡＩと称する。中間孫ネットＡＩは、最上位の構造以外の構造の温度分布を予測するＡＩモデルであり、実施の形態１での密ネットＡＩに相当する。したがって、中間孫ネットＡＩは、第２ＡＩモデルと読み替えられる。また、孫中間温度は、第２中間温度と読み替えられる。親中間温度７０１、子中間温度８０１および孫中間温度９０１を算出するこれらの処理は、並列に行われてよい。
【0224】
プロセッサ１１は、親中間温度７０１と子中間温度８０１と孫中間温度９０１とを学習済みのＣＮＮネットワークに入力し、親予測温度７０２と子予測温度８０２と孫予測温度９０２とを予測する。親予測温度７０２と子予測温度８０２と孫予測温度９０２とを予測する学習済みのＣＮＮネットワークを、予測ネットＡＩと称する。予測ネットＡＩは、各構造の温度分布を予測するＡＩモデルである。予測ネットＡＩは、第４ＡＩモデルと読み替えられる。
【0225】
予測ネットＡＩの学習において、出力される温度分布の構造よりも下位の構造の領域の損失がマスキングされる。これにより、親予測温度７０２における子構造８００の領域の温度分布、および、子予測温度８０２における孫構造９００の領域の温度分布は精度に欠ける可能性がある。しかし、プロセッサ１１は、親予測温度７０２、子予測温度８０２および孫予測温度９０２を用いて、マルチグリッド予測温度９５０を高精度に算出できる。
【0226】
次に、図２７を参照して、並列ネットワークにおけるマルチグリッド予測温度９５０を算出する処理の一例を説明する。図２７は、実施の形態２に係る並列ネットワークにおけるマルチグリッド予測温度９５０を算出する処理のフローチャートである。図２７のフローチャートの各処理はプロセッサ１１によって実行される。なお、直列ネットワークと同様の内容に関しては同一符合を付記し適宜説明を省略する。
【0227】
プロセッサ１１は、ステップＳｔ１０２の処理で作成したマルチグリッド構造から子構造８００を作成し、子構造８００から孫構造の領域の発熱体の情報を削除することで、中間子ネットＡＩへの入力データを生成する（ステップＳｔ１０１１）。
【0228】
プロセッサ１１は、ステップＳｔ１０１１の処理で生成した入力データを中間子ネットＡＩに入力し、子中間温度８０１を算出する（ステップＳｔ１０１２）。
【0229】
プロセッサ１１は、ステップＳｔ１０２の処理で作成したマルチグリッド構造から孫構造９００を作成し、中間孫ネットＡＩへの入力データを生成する（ステップＳｔ１０１３）。
【0230】
プロセッサ１１は、ステップＳｔ１０１３の処理で生成した入力データを中間孫ネットＡＩに入力し、孫中間温度９０１を算出する（ステップＳｔ１０１４）。
【0231】
プロセッサ１１は、ステップＳｔ１０００の処理およびステップＳｔ１００１の処理による親中間温度７０１の算出、ステップＳｔ１０１１の処理およびステップＳｔ１０１２の処理による子中間温度８０１の算出、および、ステップＳｔ１０１３の処理およびステップＳｔ１０１４の処理による孫中間温度９０１の算出を、並列に行ってもよい。
【0232】
プロセッサ１１は、ステップＳｔ１００１の処理で算出した親中間温度７０１と、ステップＳｔ１０１２の処理で算出した子中間温度８０１と、ステップＳｔ１０１４の処理で算出した孫中間温度９０１とを含む、予測ネットＡＩへの入力データを生成する（ステップＳｔ１０１５）。
【0233】
プロセッサ１１は、ステップＳｔ１０１５の処理で生成した入力データを予測ネットＡＩに入力し、親予測温度７０２、子予測温度８０２および孫予測温度９０２を算出する（Ｓｔ１０１６）。
【0234】
プロセッサ１１は、ステップＳｔ１０１６の処理で算出した親予測温度７０２と子予測温度８０２と孫予測温度９０２とを統合して、対象物全体の予測温度分布であるマルチグリッド予測温度９５０を算出する（ステップＳｔ１０１７）。
【0235】
以上により、演算装置１０は、構造情報をマルチグリッドに分割したマルチグリッド構造からＣＮＮネットワークを用いて高精度に予測温度分布を算出することができる。具体的には以下の通りマルチグリッド予測温度９５０が算出される。マルチグリッド構造は、対象物において小さい発熱体等が存在する微細な構造部分は構造情報を密グリッドで分割され、それ以外の領域には粗グリッドで分割されている。また、当該密グリッドの中により小さい密グリッドが設定されている。演算装置１０は、マルチグリッド構造から親構造７００と子構造８００と孫構造９００とを作成する。演算装置１０は、作成した親構造７００を中間親ネットＡＩに入力して親中間温度７０１を算出する。このとき、親構造７００から子構造８００および孫構造９００のそれぞれの領域の発熱体が削除される。また、演算装置１０は、作成した子構造８００を中間子ネットＡＩに入力して子中間温度８０１を算出する。このとき、子構造８００から孫構造９００の領域の発熱体が削除される。また、演算装置１０は、作成した孫構造９００を中間孫ネットＡＩに入力して孫中間温度９０１を算出する。演算装置１０は、親中間温度７０１と子中間温度８０１と孫中間温度９０１とを予測ネットＡＩに入力して、親予測温度７０２と子予測温度８０２と孫予測温度９０２とを算出する。予測ネットＡＩの学習の際に、予測ネットＡＩが予測する温度分布の構造よりも下位の構造の領域の温度分布の損失がマスキングされる。演算装置１０は、親予測温度７０２と子予測温度８０２と孫予測温度９０２とを統合しマルチグリッド予測温度９５０を算出する。これにより、演算装置１０は、対象物の微細な構造部分に関しても、形状再現性がより高い予測温度分布を算出することができる。
【0236】
（実施の形態２のまとめ）
以上の実施の形態２の記載により、下記技術が開示される。
以上の実施の形態２の記載により、下記技術が開示される。
【0237】
＜技術９＞
本実施の形態に係る演算方法は、発熱体を含む対象物に設定されたマルチグリッドと発熱体および対象物の物性情報とを含む構造情報を、マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、第１構造情報のうち、第２グリッドに含まれる発熱体および対象物の物性情報を除く情報を学習済みの第１ＡＩモデルに入力し、複数の第１グリッドに対応する対象物の温度分布である第１中間温度を解析し、第１中間温度と、第１構造情報または第２構造情報の全部もしくは一部の少なくとも１つとを用いて学習済みの第２ＡＩモデルに入力し、第２グリッドに対応する対象物の温度分布である第２予測温度を解析し、第１中間温度および第２予測温度を学習済みの第３ＡＩモデルに入力し、複数の第１グリッドに対応する対象物の温度分布である第１予測温度を解析し、第１予測温度と第２予測温度とを用いて対象物の予測温度分布である第３予測温度を算出する。
本実施の形態に係る演算方法は、発熱体を含む対象物に設定されたマルチグリッドと発熱体および対象物の物性情報とを含む構造情報を、マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、第１構造情報のうち、第２グリッドに含まれる発熱体および対象物の物性情報を除く情報を学習済みの第１ＡＩモデルに入力し、複数の第１グリッドに対応する対象物の温度分布である第１中間温度を解析し、第１中間温度と、第１構造情報または第２構造情報の全部もしくは一部の少なくとも１つとを用いて学習済みの第２ＡＩモデルに入力し、第２グリッドに対応する対象物の温度分布である第２予測温度を解析し、第１中間温度および第２予測温度を学習済みの第３ＡＩモデルに入力し、複数の第１グリッドに対応する対象物の温度分布である第１予測温度を解析し、第１予測温度と第２予測温度とを用いて対象物の予測温度分布である第３予測温度を算出する。
【0238】
これにより、本実施の形態に係る演算方法は、対象物の微細な構造部分に関しても形状再現性高く予測温度分布を算出することができる。本実施の形態に係る演算方法は、上位構造の温度分布を用いて下位構造の温度分布を予測するだけでなく、下位構造の温度分布を用いて上位構造の温度分布を予測できるので、より高精度に対象物の予測温度分布を算出できる。また、本実施の形態に係る演算方法は、上位構造の温度分布を予測する際、下位構造の発熱体の情報を削除するため、より高精度に上位構造の温度分布を予測できる。
【0239】
＜技術１０＞
技術９に記載の第３ＡＩモデルの学習において、第１グリッドに対応する領域のうち第２グリッドに対応する領域の損失がマスキングされる。
技術９に記載の第３ＡＩモデルの学習において、第１グリッドに対応する領域のうち第２グリッドに対応する領域の損失がマスキングされる。
【0240】
これにより、上位構造の粗いグリッドに合わせた下位構造の予測温度と正解温度との誤差を排除できる。
【0241】
＜技術１１＞
本実施の形態に係る演算方法は、発熱体を含む対象物に設定されたマルチグリッドと発熱体および対象物の物性情報とを含む構造情報を、マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、第１構造情報のうち、第２グリッドに含まれる発熱体および対象物の物性情報を除く情報と、第２構造情報とを学習済みの第１ＡＩモデルにそれぞれ入力し、複数の第１グリッドに対応する対象物の温度分布である第１中間温度と、第２グリッドに対応する対象物の温度分布である第２中間温度とのそれぞれを解析し、第１中間温度および第２中間温度を学習済みの第４ＡＩモデルに入力し、複数の第１グリッドに対応する対象物の温度分布である第１予測温度、および、第２グリッドに対応する対象物の温度分布である第２予測温度を解析し、第１予測温度と第２予測温度とを用いて対象物の予測温度分布である第３予測温度を算出する。
本実施の形態に係る演算方法は、発熱体を含む対象物に設定されたマルチグリッドと発熱体および対象物の物性情報とを含む構造情報を、マルチグリッドを構成する各グリッドのグリッド幅が第１幅を有する複数の第１グリッドの構造情報を有する第１構造情報と、マルチグリッドの一部の範囲を構成する各グリッドのグリッド幅が第１幅より小さい幅を有する複数の第２グリッドの構造情報を有する少なくとも１つの第２構造情報と、に分割し、第１構造情報のうち、第２グリッドに含まれる発熱体および対象物の物性情報を除く情報と、第２構造情報とを学習済みの第１ＡＩモデルにそれぞれ入力し、複数の第１グリッドに対応する対象物の温度分布である第１中間温度と、第２グリッドに対応する対象物の温度分布である第２中間温度とのそれぞれを解析し、第１中間温度および第２中間温度を学習済みの第４ＡＩモデルに入力し、複数の第１グリッドに対応する対象物の温度分布である第１予測温度、および、第２グリッドに対応する対象物の温度分布である第２予測温度を解析し、第１予測温度と第２予測温度とを用いて対象物の予測温度分布である第３予測温度を算出する。
【0242】
これにより、本実施の形態に係る演算方法は、対象物の微細な構造部分に関しても形状再現性高く予測温度分布を算出することができる。本実施の形態に係る演算方法は、上位構造の温度分布を用いて下位構造の温度分布を予測するだけでなく、下位構造の温度分布を用いて上位構造の温度分布を予測できるので、より高精度に対象物の予測温度分布を算出できる。また、本実施の形態に係る演算方法は、上位構造の温度分布を予測する際、下位構造の発熱体の情報を削除するため、より高精度に上位構造の温度分布を予測できる。
【0243】
＜技術１２＞
技術１１に記載の第４ＡＩモデルの学習において、第１グリッドに対応する領域のうち第２グリッドに対応する領域の損失がマスキングされる。
技術１１に記載の第４ＡＩモデルの学習において、第１グリッドに対応する領域のうち第２グリッドに対応する領域の損失がマスキングされる。
【0244】
これにより、上位構造の粗いグリッドに合わせた下位構造の予測温度と正解温度との誤差を排除できる。
【0245】
以上、添付図面を参照しながら各種の実施の形態について説明したが、本開示はかかる例に限定されない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例、修正例、置換例、付加例、削除例、均等例に想到し得ることは明らかであり、それらについても本開示の技術的範囲に属すると了解される。また、発明の趣旨を逸脱しない範囲において、上述した各種の実施の形態における各構成要素を任意に組み合わせてもよい。
【産業上の利用可能性】
【0246】
本開示の技術は、対象物の温度分布の予測を高精度かつ高速に行う演算方法、演算装置およびプログラムとして有用である。
【符号の説明】
【0247】
１，２，３，４，５ ネットワーク
１０ 演算装置
１１ プロセッサ
１２ メモリ
１３ 通信Ｉ／Ｆ
１４ 表示デバイス
２０ マルチグリッド構造
２１，９５０ マルチグリッド予測温度
３０ 粗グリッド構造
３１ 粗グリッド予測温度
３２ 粗グリッド抽出温度
４０ 密グリッド構造
４１ 密グリッド予測温度
７００ 親構造
７０１ 親中間温度
７０２ 親予測温度
８００ 子構造
８０１ 子中間温度
８０２ 子予測温度
９００ 孫構造
９０１ 孫中間温度
９０２ 孫予測温度
ＰＡ，ＳＰＡ 素子
Ｗ 基板
Ｋ１，Ｋ２，Ｋ３，Ｋ４，Ｋ５ メッシュ
Ｒ，ｒｅ 領域
１０ 演算装置
１１ プロセッサ
１２ メモリ
１３ 通信Ｉ／Ｆ
１４ 表示デバイス
２０ マルチグリッド構造
２１，９５０ マルチグリッド予測温度
３０ 粗グリッド構造
３１ 粗グリッド予測温度
３２ 粗グリッド抽出温度
４０ 密グリッド構造
４１ 密グリッド予測温度
７００ 親構造
７０１ 親中間温度
７０２ 親予測温度
８００ 子構造
８０１ 子中間温度
８０２ 子予測温度
９００ 孫構造
９０１ 孫中間温度
９０２ 孫予測温度
ＰＡ，ＳＰＡ 素子
Ｗ 基板
Ｋ１，Ｋ２，Ｋ３，Ｋ４，Ｋ５ メッシュ
Ｒ，ｒｅ 領域
【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】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】