知財求人 - 知財ポータルサイト「IP Force」
特許7416278訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-01-09
(45)【発行日】2024-01-17
(54)【発明の名称】訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置
(51)【国際特許分類】
G06F 30/398 20200101AFI20240110BHJP
G06F 30/27 20200101ALI20240110BHJP
G06F 119/10 20200101ALN20240110BHJP
【ＦＩ】
G06F30/398
G06F30/27
G06F119:10
【請求項の数】
9
(21)【出願番号】P 2022554999
(86)(22)【出願日】2020-10-06
(86)【国際出願番号】 JP2020037829
(87)【国際公開番号】W WO2022074728
(87)【国際公開日】2022-04-14
【審査請求日】2023-01-04
(73)【特許権者】
【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】山田 広明
(72)【発明者】
【氏名】山根 昇平
(72)【発明者】
【氏名】山▲崎▼ 崇史
(72)【発明者】
【氏名】巨智部 陽一
(72)【発明者】
【氏名】大原 敏靖
【審査官】合田 幸裕
(56)【参考文献】
【文献】特開２００８－０７８３９２（ＪＰ，Ａ）
【文献】特開２０１９－１０１９２４（ＪＰ，Ａ）
【文献】特開２０１９－０８２８７４（ＪＰ，Ａ）
【文献】特開２０１１－１５８３７３（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１８／００８９５６０（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｆ ３０／３９８
Ｇ０６Ｆ ３０／２７
Ｇ０６Ｆ １１９／１０
ＩＥＥＥ Ｘｐｌｏｒｅ
ＪＳＴＰｌｕｓ（ＪＤｒｅａｍＩＩＩ）
(57)【特許請求の範囲】
【請求項1】
第１の複数の回路情報のそれぞれに含まれる回路の特性インピーダンスを算出し、算出された前記特性インピーダンスに基づいて、前記複数の回路情報を分類し、
前記分類の処理により第１のグループに分類された第２の複数の回路情報から一又は複数の回路情報を選択し、
選択された前記一又は複数の回路情報に基づいて、機械学習用の訓練データを生成する、
処理をコンピュータに実行させることを特徴とする訓練データ生成プログラム。
【請求項2】
前記生成する処理は、選択された前記一又は複数の回路情報に対応する回路を流れる電流の空間分布と、選択された前記一又は複数の回路情報に対応する回路の電磁波放射状況とが対応付けられた訓練データを生成する処理を含む、ことを特徴とする請求項１に記載の訓練データ生成プログラム。
【請求項3】
前記訓練データの集合を用いて、前記電流の空間分布を特徴量とし、前記電磁波放射状況を目的変数とする機械学習モデルを訓練する処理を前記コンピュータにさらに実行させる、ことを特徴とする請求項２に記載の訓練データ生成プログラム。
【請求項4】
前記第１の複数の回路情報は、前記回路に関する基板特性のパラメータごとに前記基板特性のパラメータに割り当てられた範囲内で数値を変動させることにより生成される、ことを特徴とする請求項１に記載の訓練データ生成プログラム。
【請求項5】
前記算出する処理は、前記第１の複数の回路情報のそれぞれに含まれる回路ごとに、前記第１の複数の回路情報に対応する複数の回路の間で前記基板特性のパラメータが不連続である点を境界に前記回路の線路が分割された部分線路の特性インピーダンスを算出する処理を含み、前記分類する処理は、前記回路ごとに算出された前記部分線路の特性インピーダンスの集合に基づいて前記複数の回路情報をクラスタリングする処理を含む、
ことを特徴とする請求項４に記載の訓練データ生成プログラム。
【請求項6】
前記分類する処理は、前記部分線路の特性インピーダンスの集合に対応するベクトルを用いて前記回路のペア間のベクトルの距離を算出し、前記距離に基づいて前記複数の回路情報をクラスタリングする処理を含む、ことを特徴とする請求項５に記載の訓練データ生成プログラム。
【請求項7】
前記第１の複数の回路情報のうち、前記算出する処理で算出された前記特性インピーダンスが、前記訓練データを用いる機械学習モデルのタスクが適用されるドメインに対応する特性インピーダンスの範囲外である回路情報を除外する処理を前記コンピュータにさらに実行させる、ことを特徴とする請求項１に記載の訓練データ生成プログラム。
【請求項8】
第１の複数の回路情報のそれぞれに含まれる回路の特性インピーダンスを算出し、算出された前記特性インピーダンスに基づいて、前記複数の回路情報を分類し、
前記分類の処理により第１のグループに分類された第２の複数の回路情報から一又は複数の回路情報を選択し、
選択された前記一又は複数の回路情報に基づいて、機械学習用の訓練データを生成する、
処理をコンピュータが実行することを特徴とする訓練データ生成方法。
【請求項9】
第１の複数の回路情報のそれぞれに含まれる回路の特性インピーダンスを算出し、算出された前記特性インピーダンスに基づいて、前記複数の回路情報を分類し、
前記分類の処理により第１のグループに分類された第２の複数の回路情報から一又は複数の回路情報を選択し、
選択された前記一又は複数の回路情報に基づいて、機械学習用の訓練データを生成する、
処理を実行する制御部を含む訓練データ生成装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、訓練データ生成技術に関する。
【背景技術】
【0002】
電子回路におけるＥＭＩ（Electromagnetic Interference）予測に機械学習技術が用いられる。ここでＥＭＩとは、電子回路から放射される電磁波放射状況を指す。また、ＥＭＩは、電磁波放射状況のうち遠方の電磁界の状況を指す側面から遠方界とも呼ばれる。
【0003】
例えば、回路情報と、当該回路情報に対する電磁波解析のシミュレーション結果とが対応付けられた訓練データから生成される訓練済みの機械学習モデルを用いて、予測対象とする回路におけるＥＭＩ強度が予測される。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１８－１９４９１９号公報
【文献】特開２０１１－１５８３７３号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、上記の機械学習モデルによりＥＭＩ強度を予測する場合、上記の機械学習モデルの訓練に様々な基板特性を持つ回路の訓練データが必要となるので、機械学習に用いる訓練データの数が増大する。
【0006】
１つの側面では、本発明は、機械学習用の訓練データ数の削減を実現できる訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置を提供することを目的とする。
【課題を解決するための手段】
【0007】
１つの案では、訓練データ生成プログラムは、第１の複数の回路情報のそれぞれに含まれる回路の特性インピーダンスを算出し、算出された前記特性インピーダンスに基づいて、前記複数の回路情報を分類し、前記分類の処理により第１のグループに分類された第２の複数の回路情報から一又は複数の回路情報を選択し、選択された前記一又は複数の回路情報に基づいて、機械学習用の訓練データを生成する、処理をコンピュータに実行させる。
【発明の効果】
【0008】
機械学習用の訓練データ数の削減を実現できる。
【図面の簡単な説明】
【0009】
【発明を実施するための形態】
【0010】
以下に添付図面を参照して本願に係る訓練データ生成プログラム、訓練データ生成方法及び訓練データ生成装置について説明する。なお、この実施例は開示の技術を限定するものではない。そして、各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
【実施例1】
【0011】
図１は、実施例１に係るサーバ装置１０の機能的構成の一例を示すブロック図である。図１に示すサーバ装置１０は、電子回路におけるＥＭＩ強度を予測する機械学習モデルの訓練に用いる訓練データを生成する訓練データ生成機能を提供するコンピュータの一例である。以下、電子回路におけるＥＭＩ強度を予測する機械学習モデルのことを「ＥＭＩ予測モデル」と記載する場合がある。
【0012】
このような訓練データ生成機能は、上記の訓練データを用いてＥＭＩ予測モデルの機械学習を実行する機械学習サービスの一機能としてパッケージ化され得る。この他、上記の訓練データ生成機能、或いは上記の機械学習サービスは、訓練済みのＥＭＩ予測モデルを提供するモデル提供サービス、或いは訓練済みのＥＭＩ予測モデルを用いて回路のＥＭＩ強度を予測するＥＭＩ予測サービスの一機能としてパッケージ化され得る。さらに、上記のモデル提供サービス、あるいは上記のＥＭＩ予測サービスは、電磁波解析のシミュレーションを実行するシミュレーションサービスの一機能としてパッケージ化され得る。
【0013】
例えば、サーバ装置１０は、上記の訓練データ生成機能を実現する訓練データ生成プログラムを任意のコンピュータにインストールさせることにより実装できる。一例として、サーバ装置１０は、上記の訓練データ生成機能をオンプレミスに提供するサーバとして実装することができる。他の一例として、サーバ装置１０は、ＳａａＳ（Software as a Service）型のアプリケーションとして実装することで、上記の訓練データ生成機能をクラウドサービスとして提供することもできる。
【0014】
また、サーバ装置１０は、図１に示すように、ネットワークＮＷを介して、クライアント端末３０と通信可能に接続され得る。例えば、ネットワークＮＷは、有線または無線を問わず、インターネットやＬＡＮ（Local Area Network）などの任意の種類の通信網であってよい。
【0015】
クライアント端末３０は、上記の訓練データ生成機能の提供を受けるコンピュータの一例である。例えば、クライアント端末３０には、パーソナルコンピュータなどのデスクトップ型のコンピュータなどが対応し得る。これはあくまで一例に過ぎず、クライアント端末３０は、ラップトップ型のコンピュータや携帯端末装置、ウェアラブル端末などの任意のコンピュータであってよい。
【0016】
なお、図１には、上記の訓練データ生成機能がクライアントサーバシステムで提供される例を挙げるが、この例に限定されず、スタンドアロンで上記の訓練データ生成機能が提供されることとしてもよい。
【0017】
上記のＥＭＩ予測は、１つの側面として、電子回路基板の設計、いわゆる回路設計に有用な一面がある。すなわち、回路設計では、規格や法規制の面から、回路で観測される放射電磁波が周波数ごとに定められた規定値以内に収めることの関心が高い。このことから、回路設計では、電磁波解析のシミュレーションによりＥＭＩ予測が行われる。ところが、シミュレーションの実施には、回路のモデリングコストやシミュレータの計算コストなどの要因がハードルとなる。
【0018】
このような背景から、ニューラルネットワーク、例えばＣＮＮ（Convolutional Neural Network）等の機械学習技術が用いられる。例えば、上記の背景技術の欄で説明した通り、回路情報と、当該回路情報に対する電磁波解析のシミュレーション結果とが対応付けられた訓練データから生成される訓練済みのＥＭＩ予測モデルを用いて、解析対象の回路におけるＥＭＩ強度が予測される。
【0019】
このようにＥＭＩ予測モデルを用いて回路のＥＭＩ強度を予測する場合、ＥＭＩ予測の精度が一定の水準に達するためには、ＥＭＩに影響を与える回路の特徴が抽出された訓練データがＥＭＩ予測モデルの訓練に用いられることが条件となる。
【0020】
しかしながら、ＥＭＩに影響を与える回路の特徴には、様々なものがある。例えば、回路上に配置される線路の形状、あるいは回路の線路上の素子、例えば抵抗やコイル、コンデンサなどの配置が挙げられる。したがって、上記のＥＭＩ予測の訓練には、膨大な量の訓練データが必要となる。
【0021】
このことから、訓練データ数の削減を実現する技術として、先進技術１および先進技術２がある。ここで挙げる先進技術１および先進技術２は、公知である特許文献や非特許文献等に記載がある従来技術とは区別される。
【0022】
先進技術１では、回路に配線された線路の分岐の有無に応じて回路が「単純回路」と「複雑回路」が分類される。例えば、回路のうち分岐がない回路が「単純回路」に分類される一方で、分岐がある回路が「複雑回路」に分類される。このような分類の下、先進技術１では、複雑回路は単純回路の組合せで表現できるという着眼点が訓練データ数の削減という課題の解決に活用される。
【0023】
図２は、単純回路および複雑回路の一例を示す図である。図２には、一例として、複雑回路Ｃ１が示されると共に、当該複雑回路Ｃ１に対応する単純回路の組合せの一例として、単純回路ｃ１および単純回路ｃ２が示されている。図２に示すように、複雑回路Ｃ１は、分岐点ｂ１を境界にして単純回路ｃ１１および単純回路ｃ１２へ分割できる。この場合、分岐点ｂ１から分岐する３つの部分線路のうち、励振源ＥＳ１を含む部分線路と、励振源ＥＳ１を含まない部分線路の各々との組合せを単純回路ｃ１１および単純回路ｃ１２の線路として複雑回路Ｃ１が分割される。これら単純回路ｃ１１および単純回路ｃ１２が合成されることにより複雑回路Ｃ１が得られるのは勿論のこと、単純回路ｃ１１のＥＭＩ強度２００Ａおよび単純回路ｃ１２のＥＭＩ強度２００Ｂが合成されることにより複雑回路Ｃ１のＥＭＩ強度２０が得られる。
【0024】
図３は、ＥＭＩ予測モデルの機械学習方法の一例を示す図である。図３に示すように、ＥＭＩ予測モデルＭ１の機械学習には、訓練データセットＤＳ１が用いられる。例えば、訓練データセットＤＳ１は、単純回路ｃ１１～ｃＮの回路情報と、単純回路ｃ１１～ｃＮの各々で観測されるＥＭＩ強度４００Ａ～４００Ｎとが対応付けられた訓練データの集合である。ここで言う「回路情報」には、電子回路に含まれる素子の回路網の情報、例えばネットリストなどが含まれ得る。また、ここで言う「ＥＭＩ強度」は、あくまで一例として、特定の周波数ドメインにおけるＥＭＩ強度の分布、いわゆるＥＭＩスペクトルであってよい。
【0025】
例えば、単純回路ｃ１１の回路情報がＥＭＩ予測モデルｍ１へ入力された場合、ＥＭＩ予測モデルｍ１からＥＭＩ強度３００Ａが出力される。同様に、単純回路ｃ１２～ｃＮの回路情報がＥＭＩ予測モデルｍ１へ入力されることにより、ＥＭＩ予測モデルｍ１からＥＭＩ強度３００Ｂ～３００Ｎの出力が得られる。その上で、ＥＭＩ予測モデルｍ１の出力であるＥＭＩ強度３００Ｂ～３００Ｎと、正解ラベルのＥＭＩ強度４００Ａ～４００Ｎとの損失に基づいてＥＭＩ予測モデルｍ１のパラメータが更新される。このように、単純回路ｃ１１～ｃＮの回路情報を特徴量、いわゆる説明変数とし、ＥＭＩ強度を目的変数として、ＥＭＩ予測モデルｍ１の機械学習が実行される。これにより、単純回路のＥＭＩ予測を実現する訓練済みのＥＭＩ予測モデルＭ１が得られる。
【0026】
図４は、複雑回路のＥＭＩ予測の一例を示す図である。図４には、一例として、図３に示された訓練済みのＥＭＩ予測モデルＭ１を用いて複雑回路Ｃ１のＥＭＩ強度を予測する事例が示されている。図４に示すように、複雑回路Ｃ１が予測対象とされる場合、複雑回路Ｃ１は、分岐点ｂ１を境界にして単純回路ｃ１１および単純回路ｃ１２へ分割される。その後、単純回路ｃ１１のＥＭＩ予測および単純回路ｃ１２のＥＭＩ予測が並行して実施される。すなわち、単純回路ｃ１１の回路情報をＥＭＩ予測モデルＭ１へ入力することによりＥＭＩ予測モデルＭ１の出力としてＥＭＩ強度の推定値２００Ａが得られる。また、単純回路ｃ１２の回路情報をＥＭＩ予測モデルＭ１へ入力することによりＥＭＩ予測モデルＭ１の出力としてＥＭＩ強度の推定値２００Ｂが得られる。これらＥＭＩ強度の推定値２００ＡおよびＥＭＩ強度の推定値２００Ｂが合成されることにより、複雑回路Ｃ１のＥＭＩ強度の推定値２０が得られる。
【0027】
このように、先進技術１では、単純回路用のＥＭＩ予測モデルＭ１による単純回路のＥＭＩ予測の結果を合成することにより複雑回路のＥＭＩ予測を実現できる。このため、先進技術１によれば、複雑回路の訓練データを削減できる。さらに、先進技術１では、回路の線路の分岐パターンが多いＥＭＩ予測モデルのドメインほど訓練データ数の削減効果が高まる。
【0028】
次に、先進技術２では、インダクタ（Ｌ）、キャパシタ（Ｃ）、抵抗器（Ｒ）などのＬＣＲ素子を有する素子あり回路は電流が素子で反射されるパターンと電流が素子で反射されないパターンとの２つの組合せで表現できる点が着眼点の１つとされる。以下、素子あり回路で流れる電流成分のうち素子で反射される電流成分のことを「反射成分」と記載すると共に、素子で反射されない電流成分のことを「非反射成分」と記載する場合がある。
【0029】
例えば、先進技術２では、素子あり回路が反射相当の回路と非反射相当の回路とに分割される。ここで言う「反射相当の回路」とは、反射成分および非反射成分の比が１対０である条件、言い換えれば非反射成分が観測されず、反射成分のみが観測される条件下で素子あり回路の配線のうち電流が観測される部分の線路を配線とする回路のことを指す。一方、「非反射相当の回路」とは、反射成分および非反射成分の比が０対１である条件、言い換えれば反射成分が観測されず、かつ非反射成分のみが観測される条件下で素子あり回路の配線のうち電流が観測される部分の線路を配線とする回路のことを指す。
【0030】
その上で、先進技術２では、１つの素子あり回路につき反射相当の回路および非反射相当の回路の２つに絞り込んで、ＥＭＩ予測モデルｍ２の機械学習が実行される。この際、ＥＭＩ予測モデルｍ２の説明変数を反射相当の回路の回路情報または非反射相当の回路の回路情報から計算される電流分布とすることができる。ここで言う「回路情報」には、電子回路に含まれる素子の回路網の情報、例えばネットリストの他、各素子の物性値、例えば抵抗値やインダクタンス、静電容量などが含まれ得る。例えば、周波数ドメインに含まれる周波数成分ごとに計算された電流分布の全てをＥＭＩ予測モデルｍ２の機械学習に用いることもできるが、詳細は後述するが、周波数ドメインを代表する電流分布として共振周波数の電流分布を用いることができる。このようにして得られた反射相当の回路または非反射相当の回路の電流分布がＥＭＩ予測モデルｍ２へ入力されることにより得られたＥＭＩ予測モデルｍ１の出力と、正解ラベルのＥＭＩ強度との損失に基づいてＥＭＩ予測モデルｍ２のパラメータが更新される。これにより、反射相当の回路および非反射相当の回路のみが訓練済みであるＥＭＩ予測モデルＭ２が得られる。
【0031】
ここで、反射相当の回路および非反射相当の合成で素子あり回路のＥＭＩ予測を実現する側面から、先進技術２では、素子あり回路のＥＭＩ予測時に参照される参照データとして、次のような参照データが生成される。
【0032】
例えば、参照データには、素子あり回路に配置される素子の物性値と、反射成分および非反射成分の比との対応関係が定義されたルックアップテーブルや関数などを用いることができる。あくまで一例として、インダクタ（Ｌ）の値が極度に大きい領域、キャパシタ（Ｃ）の値が極度に小さい領域、さらには、抵抗器（Ｒ）の値が極度に大きい領域では反射が起こる。一方、これら以外の領域では反射は十分に小さくなる。
【0033】
あくまで一例として、キャパシタ（Ｃ）が配置された回路から参照データが生成される例を説明する。この場合、反射成分および非反射成分の比が１対０となる素子の物性値および反射成分および非反射成分の比が０対１となる素子の物性値が探索される。例えば、キャパシタ（Ｃ）の静電容量が１ｎＦである条件下では反射成分は観測されず、非反射成分のみが観測される。この場合、キャパシタ（Ｃ）の静電容量「１ｎＦ」と、反射成分「０」および非反射成分「１」とが対応付けられる。また、キャパシタ（Ｃ）の静電容量が１ｐＦである条件下では反射成分と非反射成分が同等の割合で観測される。この場合、キャパシタ（Ｃ）の静電容量「１ｐＦ」と、反射成分「０．５」および非反射成分「０．５」とが対応付けられる。さらに、キャパシタ（Ｃ）の静電容量が１００ｆＦである条件下では、非反射成分は観測されず、反射成分のみが観測される。この場合、キャパシタ（Ｃ）の静電容量「１ｆＦ」と、反射成分「１」および非反射成分「０」とが対応付けられる。これらの対応関係が参照データとして生成される。なお、ここでは、１００ｆＦから１ｎＦまでのキャパシタ（Ｃ）の静電容量の範囲のうち１ｐＦに対応する反射成分および非反射成分の比を１つ例に挙げたが、任意の個数の対応関係が定義されてもよい。
【0034】
これら訓練済みのＥＭＩ予測モデルＭ２および参照データが得られた状況の下、先進技術２では、素子あり回路のＥＭＩ予測を実現できる。図５は、素子あり回路のＥＭＩ予測の一例を示す図である。図５には、一例として、訓練済みのＥＭＩ予測モデルＭ２を用いて素子あり回路Ｃ２のＥＭＩ強度を予測する事例が示されている。図５に示すように、素子あり回路Ｃ２が予測対象とされる場合、素子あり回路Ｃ２の回路情報に含まれるキャパシタ（Ｃ）の静電容量「１．０ｐＦ」に対応する反射成分および非反射成分の比「０．５：０．５」が参照データから参照される。そして、素子あり回路Ｃ２は、反射相当の回路ｃ２１と非反射相当の回路ｃ２２とに分割される。
【0035】
その後、反射相当の回路ｃ２１のＥＭＩ予測および非反射相当の回路ｃ２２のＥＭＩ予測が並行して実施される。すなわち、反射相当の回路ｃ２１の回路情報を回路シミュレータへ入力することにより反射相当の回路ｃ２１の電流分布Ｉ１が計算される。このように計算された反射相当の回路ｃ２１の電流分布Ｉ１をＥＭＩ予測モデルＭ２へ入力することによりＥＭＩ予測モデルＭ２の出力としてＥＭＩ強度の推定値２１０Ａが得られる。また、非反射相当の回路ｃ２２の回路情報を回路シミュレータへ入力することにより非反射相当の回路ｃ２２の電流分布Ｉ２が計算される。このように計算された非反射相当の回路ｃ２２の電流分布Ｉ２をＥＭＩ予測モデルＭ２へ入力することによりＥＭＩ予測モデルＭ２の出力としてＥＭＩ強度の推定値２１０Ｂが得られる。これらＥＭＩ強度の推定値２１０ＡおよびＥＭＩ強度の推定値２１０Ｂが参照データから参照された反射成分および非反射成分の比「０．５：０．５」にしたがって合成されることにより、素子あり回路Ｃ２のＥＭＩ強度の推定値２１が得られる。
【0036】
このように、先進技術２では、反射相当の回路および非反射相当の回路のＥＭＩ予測の結果を合成することにより素子あり回路のＥＭＩ予測を実現できる。このため、先進技術２によれば、１つの素子あり回路につき反射相当の回路および非反射相当の回路の２つ以外の回路の訓練データを削減できる。さらに、先進技術２は、回路に配置される素子およびその物性値のパターンが多いＥＭＩ予測モデルのドメインほど訓練データ数の削減効果が高まる。
【0037】
しかしながら、先進技術１および先進技術２であっても、基板特性にバリエーションがあるドメインに関するＥＭＩ予測モデルの機械学習に用いる訓練データ数を削減するのは困難である。
【0038】
ここで言う「基板特性」とは、線路の幅（線幅）、基板の厚さ（層厚）、基板樹脂の種類（誘電率）といった回路が印刷される基板に関わる特性を指す。ここに例示する基板特性のうち少なくともいずれか１つの基板特性が変化すれば、その他の基板特性が同一であってもＥＭＩも変化する。
【0039】
図６は、基板特性のバリエーションの一例を示す図である。図６には、基板特性のバリエーションの一例として、線路の幅（線幅）が異なる基板ＢＰ１１および基板ＢＰ１２の上面図が例示されている。図６に示すように、基板ＢＰ１１および基板ＢＰ１２の間では、同一の形状の線路Ｌ１１および線路Ｌ１２がプリントされる一方で線路Ｌ１１および線路Ｌ１２の線幅は異なる。このように線幅のバリエーションがある場合、基板ＢＰ１１および基板ＢＰ１２の間で電気特性も変わるので、基板ＢＰ１１および基板ＢＰ１２のＥＭＩも変化する。
【0040】
図７は、基板特性のバリエーションの他の一例を示す図である。図７には、基板特性のバリエーションの一例として、基板の厚さ（層厚）が異なる基板ＢＰ２１および基板ＢＰ２２の断面図が例示されている。図７に示すように、基板ＢＰ２１の線路Ｌ２１１および線路Ｌ２１２と、基板ＢＰ２２の線路Ｌ２２１および線路Ｌ２２２との間で線幅が同一であり、かつプリントのパターンが同一である一方で層厚Ｗ２１および層厚Ｗ２２は異なる。このように層厚のバリエーションがある場合、基板ＢＰ２１および基板ＢＰ２２の間で電気特性も変わるので、基板ＢＰ２１および基板ＢＰ２２のＥＭＩも変化する。
【0041】
なお、図６及び図７では、基板特性の例として、線幅および層厚を挙げたが、他の基板特性、例えば基板樹脂の種類（誘電率）についても同様の課題が生じる。例えば、基板樹脂の種類の例として、紙フェノール基板（ＦＲ－１，ＦＲ－２）やガラスエポキシ樹脂基板（ＦＲ－４，ＦＲ－５）、ガラスコンポジット基板（ＣＥＭ－３）などのバリエーションがある。これら基板樹脂の種類が異なれば、誘電率も異なるので、ＥＭＩも変化する。
【0042】
このように、様々な基板特性を持つ回路の特徴をＥＭＩ予測モデルで訓練させるには、膨大なバリエーションの訓練データが必要となる。ところが、先進技術１や先進技術２で例示された分割および合成は、線路の分岐パターンや回路上の素子の物性値パターンに関する訓練データのバリエーションの削減をサポートするものに過ぎない。それ故、先進技術１や先進技術２は、基板特性に関する訓練データのバリエーションの削減に適用するのは困難である。
【0043】
そこで、本実施例に係る訓練データ生成機能は、同一の回路形状を持つ回路群を特性インピーダンスに基づいて分類し、同一のグループに分類された複数の回路のうち一部を選択して残りを削除してＥＭＩ予測モデルの機械学習用の訓練データを生成する。
【0044】
本実施例における着眼点の１つは、基板特性が異なるが電流分布およびＥＭＩが共通する回路を回路の特性インピーダンスから識別できるという点にある。すなわち、線幅、層厚および誘電率は、線路の特性インピーダンス、すなわち交流回路における抵抗値を決める。このような特性インピーダンスは回路に流れる電流分布を定める。さらに、電流分布は回路から放射されるＥＭＩを決める。したがって、基板特性が異なっても、回路の特性インピーダンスが同じであれば、電流分布とＥＭＩは同じになる。
【0045】
図８は、特性インピーダンス及びＥＭＩの関連性の一面を示す図である。図８には、同一の回路形状を持つ回路に関する２つの基板特性パラメータセットｐｓ１およびｐｓ２が例示されている。図８に示すように、基板特性パラメータセットｐｓ１には、線幅「０．５ｍｍ」、層厚「０．２ｍｍ」、電極厚み「０．０１ｍｍ」、比誘電率「３．０」および周波数「１ＧＨｚ」の４つの基板特性パラメータが含まれる。基板特性パラメータセットｐｓ１は、図８に示す基板ＢＰ３１の通りに模式化できる。このような基板ＢＰ３１の回路情報を回路シミュレータへ入力すると、基板ＢＰ３１の電流分布Ｉ３１およびＥＭＩ強度３１０を算出できる。また、基板特性パラメータセットｐｓ２には、線幅「１．０ｍｍ」、層厚「０．４ｍｍ」、電極厚み「０．０２ｍｍ」、比誘電率「３．０」および周波数「１ＧＨｚ」の４つの基板特性パラメータが含まれる。基板特性パラメータセットｐｓ２は、図８に示す基板ＢＰ３２の通りに模式化できる。このような基板ＢＰ３２の回路情報を回路シミュレータへ入力すると、基板ＢＰ３２の電流分布Ｉ３２およびＥＭＩ強度３２０を算出できる。
【0046】
これら基板ＢＰ３１および基板ＢＰ３２の間で基板特性パラメータが異なることは目視で明らかである。その一方で、基板ＢＰ３１および基板ＢＰ３２は、いずれも特性インピーダンスは４９．５Ωの同値である。このように特性インピーダンスが同値である場合、基板ＢＰ３１および基板ＢＰ３２の間で、電流分布Ｉ３１およびＥＭＩ３１０と、電流分布Ｉ３２およびＥＭＩ３２０とが同じになる。このため、ＥＭＩ予測モデルの説明変数を電流分布とする条件下では、基板ＢＰ３１および基板ＢＰ３２の各回路に対応する訓練データは特徴量空間上で同一の位置に存在するとみなすことができる。したがって、基板ＢＰ３１および基板ＢＰ３２のうち一方に対応する訓練データを削除したとしても、ＥＭＩ予測モデルのＥＭＩ予測の精度に悪影響を与えないことが明らかである。
【0047】
このことから、本実施例に係る訓練データ生成機能では、特性インピーダンスが共通するグループの回路のうち一部を選択し、残りは削除する。例えば、特性インピーダンスが共通する回路の数がＭ個であるとしたとき、Ｍ個のうち最小で１つ選択することにより、最大でＭ－１個を削除することができる。なお、以下では、あくまで一例として、特性インピーダンスが共通するＭ個の回路のうち１つ選択して残りのＭ－１個を削除する例を説明するが、選択する回路の数および削除する回路の数は任意に設定できる。
【0048】
図９は、フィルタリングの一例を示す図である。図９には、同一の回路形状で異なる基板特性パラメータが列挙された回路の模式図と、各回路から計算された特性インピーダンスと、各回路に対応する訓練データがデータセットから除外されるか否かを示すフィルタリング結果との対応関係が表形式で示されている。図９に示す例で言えば、基板ＢＰ４１～基板ＢＰ４６の６つの回路のうち基板ＢＰ４１および基板ＢＰ４６の２つの回路の特性インピーダンスが一致する。この場合、あくまで一例として、基板ＢＰ４１の回路に対応する訓練データが訓練データの集合の１つとして選択されると共に、基板ＢＰ４６の回路に対応する訓練データが訓練データの集合から削除される。これら基板ＢＰ４１および基板ＢＰ４６以外の基板ＢＰ４２～基板ＢＰ４５の回路では特性インピーダンスが一致しない。よって、基板ＢＰ４２～基板ＢＰ４５の回路に対応する訓練データは、訓練データの集合の１つとして選択される。
【0049】
以上のように、本実施例に係る訓練データ生成機能は、同一の回路形状で異なる基板特性を持ち、かつ特性インピーダンスが類似する複数の回路のうち一部の回路を選択して電流分布を特徴量とするＥＭＩ予測モデルの訓練に用いる訓練データを生成する。それ故、削除された回路の訓練データが生成されない分、訓練データ数を低減させることができる。したがって、本実施例に係る訓練データ生成機能によれば、基板特性に関する訓練データのバリエーションを削減できる。
【0050】
次に、本実施例に係るサーバ装置１０の機能的構成について説明する。図１には、サーバ装置１０が有する機能に対応するブロックが模式化されている。図１に示すように、サーバ装置１０は、通信インタフェイス部１１と、記憶部１３と、制御部１５とを有する。なお、図１には、上記のデータ生成機能に関連する機能部が抜粋して示されているに過ぎず、図示以外の機能部、例えば既存のコンピュータがデフォルトまたはオプションで装備する機能部がサーバ装置１０に備わることとしてもよい。
【0051】
通信インタフェイス部１１は、他の装置、例えばクライアント端末３０との間で通信制御を行う通信制御部の一例に対応する。あくまで一例として、通信インタフェイス部１１は、ＬＡＮカードなどのネットワークインターフェイスカードにより実現され得る。例えば、通信インタフェイス部１１は、クライアント端末３０から訓練データ生成のリクエストや訓練データ生成機能に関する各種のユーザ設定を受け付ける。また、通信インタフェイス部１１は、訓練データ生成機能により生成された訓練データの集合や訓練済みのＥＭＩ予測モデルなどをクライアント端末３０へ出力したりする。
【0052】
記憶部１３は、各種のデータを記憶する機能部である。あくまで一例として、記憶部１３は、ストレージ、例えば内部、外部または補助のストレージにより実現される。例えば、記憶部１３は、回路情報群１３Ａと、訓練データセット１３Ｂと、モデルデータ１３Ｍとを記憶する。これら回路情報群１３Ａ、訓練データセット１３Ｂ及びモデルデータ１３Ｍ以外にも、記憶部１３は、上記の訓練データ生成機能の提供を受けるユーザのアカウント情報などの各種のデータを記憶することができる。なお、回路情報群１３Ａ、訓練データセット１３Ｂ及びモデルデータ１３Ｍの各データの説明は、参照または生成が行われる処理の説明と合わせて後述する。
【0053】
制御部１５は、サーバ装置１０の全体制御を行う処理部である。例えば、制御部１５は、ハードウェアプロセッサにより実現される。図１に示すように、制御部１５は、設定部１５Ａと、算出部１５Ｂと、分類部１５Ｃと、選択部１５Ｄと、生成部１５Ｅと、訓練部１５Ｆとを有する。
【0054】
設定部１５Ａは、訓練データ生成機能に関する各種のパラメータを設定する処理部である。あくまで一例として、設定部１５Ａは、クライアント端末３０から訓練データ生成のリクエストを受け付けた場合、動作を開始することができる。この際、設定部１５Ａは、特性インピーダンスに基づく回路の分類、例えばクラスタリングで回路間の類似度を評価する側面から、周波数ドメインのうち特性インピーダンスの算出対象とする周波数ｆを設定する。この他、設定部１５Ａは、特性インピーダンスに基づく回路のクラスタリングでクラスタ間の距離ｄと比較する閾値Ｔｈを設定する。これら周波数ｆや閾値Ｔｈには、クライアント端末３０を介して受け付けたユーザ設定を適用することとしてもよいし、上記の訓練データ生成機能の設計者等により定められたシステム設定を適用することもできる。
【0055】
算出部１５Ｂは、回路の特性インピーダンスを算出する処理部である。あくまで一例として、算出部１５Ｂは、記憶部１３に記憶された回路情報群１３Ａを参照する。ここで、回路情報群１３Ａは、回路情報の集合である。このような回路情報の一例として、ＳＰＩＣＥ(Simulation Program with Integrated Circuit Emphasis）などの回路シミュレータで用いられるネットリスト等の回路接続情報が挙げられる。例えば、回路接続情報は、ＣＡＤ（Computer-Aided Design）システム等の設計支援プログラムからインポートすることにより取得することができる。このような回路情報で定められた回路形状ごとに、算出部１５Ｂは、基板特性パラメータごとに基板特性パラメータに割り当てられた範囲内で数値を変動させる。例えば、算出部１５Ｂは、基板特性パラメータごとにバリエーションとして割り当てられた範囲内の数値、例えば同一のドメインの回路設計の履歴で用いられた数値を網羅して設定する。これにより、同一の回路形状で異なる基板特性を持つ複数の訓練データ候補の回路を列挙する。
【0056】
図１０は、回路の列挙方法の一例を示す図である。図１０には、回路情報群１３Ａのうち回路情報１３Ａ１が用いられる例が抜粋して示されている。図１０に示すように、回路情報１３Ａ１に対応する回路形状が選択された場合、基板特性パラメータセットＰＳ１～ＰＳｎに対応するｎ個の訓練データ候補の回路が列挙される。例えば、基板特性パラメータセットＰＳ１の例で言えば、線幅「Ｗ１１（ｍｍ）」、層厚「ｈ１１（ｍｍ）」、電極厚み「ｔ１１（ｍｍ）」および比誘電率「３．０ＧＨｚ」の４つの基板特性パラメータを持つ訓練データ候補の回路が定義される。また、基板特性パラメータセットＰＳ２の例で言えば、線幅「Ｗ１２（ｍｍ）」、層厚「ｈ１２（ｍｍ）」、電極厚み「ｔ１２（ｍｍ）」および比誘電率「３．０ＧＨｚ」の４つの基板特性パラメータを持つ訓練データ候補の回路が定義される。さらに、基板特性パラメータセットＰＳｎの例で言えば、線幅「Ｗ１ｎ（ｍｍ）」、層厚「ｈ１ｎ（ｍｍ）」、電極厚み「ｔ１ｎ（ｍｍ）」および比誘電率「３．０ＧＨｚ」の４つの基板特性パラメータを持つ訓練データ候補の回路が定義される。
【0057】
このように列挙された複数の訓練データ候補の回路の間で基板特性パラメータが不連続である点を境界にして、算出部１５Ｂは、各訓練データ候補の回路の線路を分割する分割線を設定する。その上で、算出部１５Ｂは、先に設定された分割線にしたがって各訓練データ候補の回路の線路を分割する。これにより、訓練データ候補の回路ごとに線路が分割線により分割された部分線路が得られる。
【0058】
図１１は、線路の分割線の設定方法の一例を示す図である。図１１には、図１０に示されたｎ個の基板特性パラメータセットＰＳ１～ＰＳｎに対応するｎ個の訓練データ候補の回路ＴＲ１～ＴＲｎが模式化して示されている。さらに、図１１には、基板特性パラメータのうち線幅を例に挙げて分割線を設定する例が挙げられている。例えば、訓練データ候補の回路ＴＲ１の例で言えば、訓練データ候補の回路ＴＲ１の線路上で線幅が変化する箇所を境界に分割線ｄｌ１が設定される。また、訓練データ候補の回路ＴＲ２の例で言えば、訓練データ候補の回路ＴＲ２の線路上で線幅が変化する箇所を境界にして分割線ｄｌ２が設定される。さらに、訓練データ候補の回路ＴＲｎの例で言えば、訓練データ候補の回路ＴＲｎの線路上で線幅が変化する箇所を境界に分割線ｄｌ３が設定される。これら分割線ｄｌ１～ｄｌ３にしたがって訓練データ候補の回路ＴＲ１～ＴＲｎの線路が分割される。これにより、訓練データ候補の回路ＴＲ１～ＴＲｎの線路は、部分線路ｘ１～ｘ４へ分割される。ここで、図１１には、訓練データ候補の回路ＴＲｎの部分線路ｘ１～ｘ４が抜粋して図示されているが、他の訓練データ候補の回路についても同数、すなわち４つの部分線路ｘ１～ｘ４へ分割される。
【0059】
その後、算出部１５Ｂは、下記の式（１）にしたがって特性インピーダンスを訓練データ候補の回路ごとに算出する。下記の式（１）における「ｗ」は線幅を指し、「ｈ」は層厚を指し、「ｔ」は電極厚みを指す。また、下記の式（１）における「εｒ」は比誘電率を指し、周波数の関数である。
【数1】
【0060】
例えば、図１１に示す例で言えば、訓練データ候補の回路ＴＲ１～ＴＲｎの部分線路ｘ１～ｘ４ごとに線幅、層厚、電極厚みおよび比誘電率の基板特性パラメータが入力される。この際、比誘電率には、設定部１５Ａにより設定された周波数が用いられる。これにより、部分線路ｘ１～ｘ４ごとに特性インピーダンスが算出される。これら部分線路ｘ１～ｘ４の特性インピーダンスをベクトル化することにより、下記の式（２）に示す特性インピーダンスベクトルＺ０が得られる。なお、ここで挙げる特性インピーダンスベクトルＺ０の表記は、通常のフォントとなっているが、ベクトルを表す太字や二重線で表記されてよい。
【数2】
【0061】
分類部１５Ｃは、算出部１５Ｂにより算出された特性インピーダンスに基づいて、訓練データ候補の回路を分類する処理部である。あくまで一例として、分類部１５Ｃは、訓練データ候補の回路のペアごとに特性インピーダンスベクトルＺ０のユークリッド距離を算出する。例えば、ｎ個の訓練データ候補の回路ＴＲ１～ＴＲｎが列挙された場合、ｎ個の訓練データ候補の回路ＴＲ１～ＴＲｎから２つを抽出して得られる組合せｎＣ２に対応する個数のユークリッド距離が算出される。そして、分類部１５Ｃは、訓練データ候補の回路のペアごとに算出されたｎＣ２個のユークリッド距離を用いて訓練データ候補の回路のクラスタリングを実行する。例えば、階層的クラスタリングの一種である群平均法を用いる場合、全てのクラスタが単一の訓練データ候補の回路とする初期状態から、クラスタ間の距離ｄが最小になるクラスタを再帰的に併合する処理が開始される。その上で、分類部１５Ｃは、クラスタ間の距離ｄが設定部１５Ａにより設定された閾値Ｔｈ以内であるクラスタを併合する処理を繰り返す。このような併合により得られた訓練データ候補の回路が同一のグループと識別される。
【0062】
選択部１５Ｄは、分類部１５Ｃによる分類の処理により同一のグループに分類された複数の訓練データ候補の回路から一又は複数の訓練データ候補の回路を選択する処理部である。あくまで一例として、選択部１５Ｄは、同一のグループに分類された訓練データ候補の回路の数がＭ個であるとしたとき、Ｍ個のうち最小で１つ選択することにより、最大でＭ－１個を削除することができる。なお、ここでは、あくまで一例として、同一のグループに分類されたＭ個の訓練データ候補の回路のうち１つ選択して残りのＭ－１個を削除する例を挙げたが、選択する回路の数および削除する回路の数は任意に設定できる。例えば、Ｍ個の訓練データ候補の回路のうち最大でＭ－１個の訓練データ候補の回路を選択し、最小で１個の訓練データ候補の回路を削除することもできる。
【0063】
生成部１５Ｅは、選択部１５Ｄにより選択された一又は複数の訓練データ候補の回路に基づいて、機械学習用の訓練データを生成する処理部である。あくまで一例として、生成部１５Ｅは、選択部１５Ｄにより選択された訓練データ候補の回路の回路接続情報や素子の物性値などに当該訓練データ候補の回路の基板特性パラメータセットが追加される。その後、生成部１５Ｅは、基板特性パラメータセットが追加された回路情報を回路シミュレータに入力することにより、訓練データ候補の回路における電流分布およびＥＭＩ強度を計算する。例えば、生成部１５Ｅは、サーバ装置１０上で動作する回路シミュレータに回路情報を入力することにより電流分布およびＥＭＩ強度を計算することができる。また、生成部１５Ｅは、回路シミュレータを実行する外部の装置、サービス、あるいはソフトウェアが公開するＡＰＩ（Application Programming Interface）を利用して、電流分布およびＥＭＩ強度の計算リクエストを行うこともできる。その後、生成部１５Ｅは、電流分布およびＥＭＩ強度が対応付けられた訓練データを生成する。
【0064】
より具体的には、回路シミュレータは、特定の周波数ドメインに含まれる周波数成分ごとに電流分布を算出する。これにより、回路シミュレータにより計算された回路の電流分布、例えば基板表面上に流れる電流の強度が２次元マップ上にマッピングされた電流分布画像が周波数成分ごとに得られる。続いて、生成部１５Ｅは、周波数成分ごとに計算された電流分布の最大値が極大を取る１又は複数の共振周波数を識別する。
【0065】
その後、生成部１５Ｅは、電子回路の近傍界を近似する側面から、上記の共振周波数に対応する電流分布画像に含まれる画素の画素値を各画素の線路からの距離に基づいて加工する加工処理を実行する。例えば、線路上に流れる電流が大きくなるに連れて濃淡値を上限値、例えば白色に対応する２５５に近付ける一方で電流が小さくなるに連れて濃淡値を下限値、例えば黒色に対応する０に近付けることにより生成された電流分布画像を例に挙げる。この場合、電流分布画像に含まれる画素の線路からの距離が小さくなるに連れて当該画素の濃淡値を上限値側へシフトさせるシフト量が大きく設定される。その一方で、電流分布画像に含まれる画素の線路からの距離が大きくなるに連れて当該画素の濃淡値を下限値側へシフトさせるシフト量が小さく設定される。このようなシフト量にしたがって電流分布画像の画素の濃淡値がシフトされることにより、線路からの距離に応じて電流の強度が強調された電流分布画像を得ることができる。なお、ここでは、あくまで一例として、基板特性パラメータセットに定義された線幅の大きさに関わらず、１ピクセルの線画として描画された線路からの距離が画素ごとに算出される例を挙げるが、これに限定されない。例えば、基板特性パラメータセットに定義された線幅にしたがって描画された線路からの距離を画素ごとに算出することもできる。
【0066】
その上で、生成部１５Ｅは、共振周波数および電流分布画像と、ＥＭＩ強度とが対応付けられた訓練データを生成する。ここで、スカラー値である共振周波数は、ＥＭＩ予測モデルの一例として、標準的なニューラルネットワークへ入力可能な行列に変換される。例えば、共振周波数および電流分布画像の複数の入力データがＥＭＩ予測モデルへ入力される場合、各チャンネルの行列を同一の型へ統一する側面から、電流分布画像の２次元配列に対応する行列を生成した上で当該行列の各要素に共振周波数の値が埋め込まれる。このように生成された共振周波数が埋め込まれた行列および電流分布画像（行列）と、正解ラベルであるＥＭＩ強度とが対応付けられた訓練データが生成される。
【0067】
その後、生成部１５Ｅは、回路情報群１３Ａに含まれる全ての回路情報ごとに訓練データが生成された場合、回路情報ごとに生成された訓練データの集合を訓練データセット１３Ｂとして記憶部１３に登録する。
【0068】
訓練部１５Ｆは、機械学習用の訓練データを用いてＥＭＩ予測モデルを訓練する処理部である。あくまで一例として、訓練部１５Ｆは、回路情報群１３Ａに含まれる全ての回路情報ごとに訓練データが生成された場合、あるいは記憶部１３に訓練データセット１３Ｂが保存された場合、訓練部１５Ｆは、次のような処理を実行する。すなわち、訓練部１５Ｆは、訓練データセット１３Ｂに含まれる訓練データの電流分布を特徴量とし、ＥＭＩ強度を目的変数として、ＥＭＩ予測モデルを訓練する。例えば、生成部１５Ｅは、チャンネル１の入力データに対応する共振周波数およびチャンネル２の入力データに対応する電流分布画像をＥＭＩ予測モデルへ入力する。これにより、ＥＭＩ予測モデルの出力としてＥＭＩ強度の推定値が得られる。その上で、訓練部１５Ｆは、ＥＭＩ予測モデルが出力するＥＭＩ強度の推定値と、正解ラベルのＥＭＩ強度との損失に基づいてＥＭＩ予測モデルのパラメータを更新する。これにより、訓練済みのＥＭＩ予測モデルが得られる。
【0069】
このようにして得られた訓練済みのＥＭＩ予測モデルに関するデータは、モデルデータ１３Ｍとして記憶部１３に保存される。例えば、機械学習モデルがニューラルネットワークである場合、モデルデータ１３Ｍには、入力層、隠れ層及び出力層の各層のニューロンやシナプスなどの機械学習モデルの層構造を始め、各層の重みやバイアスなどの機械学習モデルのパラメータが含まれ得る。
【0070】
この他、訓練済みのＥＭＩ予測モデルのモデルデータをクライアント端末３０に提供することによりモデル提供サービスを行うこととしてもよいし、訓練済みのＥＭＩ予測モデルを用いて回路のＥＭＩ強度を予測するＥＭＩ予測サービスを提供してもよい。
【0071】
次に、本実施例に係るサーバ装置１０の処理の流れについて説明する。図１２は、実施例１に係る訓練データ生成処理の手順を示すフローチャートである。この処理は、あくまで１つの側面として、クライアント端末３０から訓練データ生成のリクエストを受け付けた場合に開始することができる。
【0072】
図１２に示すように、設定部１５Ａは、周波数ドメインのうち特性インピーダンスの算出対象とする周波数ｆや特性インピーダンスに基づく回路のクラスタリングでクラスタ間の距離ｄと比較する閾値Ｔｈなどの各種のパラメータを設定する（ステップＳ１０１）。
【0073】
続いて、算出部１５Ｂは、回路情報群１３Ａに含まれる回路情報で定まる回路形状ごとに、基板特性パラメータのバリエーションとして割り当てられた範囲内の数値を網羅して設定することによりｎ個の訓練データ候補の回路ＴＲ１～ＴＲｎを列挙する（ステップＳ１０２）。
【0074】
そして、算出部１５Ｂは、ステップＳ１０２で列挙された複数の訓練データ候補の回路の間で基板特性パラメータが不連続である点を境界にして、各訓練データ候補の回路の線路を分割する分割線を設定する（ステップＳ１０３）。
【0075】
その後、算出部１５Ｂは、ステップＳ１０２で列挙された訓練データ候補の回路ＴＲ１～ＴＲｎの個数に対応する回数の分、ステップＳ１０４およびステップＳ１０５の処理を繰り返すループ処理１を開始する。なお、ここでは、ループ処理が行われる例を挙げるが、訓練データ候補の回路ＴＲ１～ＴＲｎごとにステップＳ１０４およびステップＳ１０５の処理が並列して行われてもよい。
【0076】
すなわち、算出部１５Ｂは、ステップＳ１０３で設定された分割線により訓練データ候補の回路の線路が分割された部分線路ごとに、基板特性パラメータを上記の式（１）へ代入することにより特性インピーダンスを算出する（ステップＳ１０４）。
【0077】
そして、算出部１５Ｂは、ステップＳ１０４で部分線路ごとに算出された特性インピーダンスをベクトル化することにより、上記の式（２）に示す特性インピーダンスベクトルＺ０を作成する（ステップＳ１０５）。
【0078】
このようなループ処理１が繰り返されることにより、訓練データ候補の回路ＴＲ１～ＴＲｎごとに特性インピーダンスベクトルＺ０を得ることができる。そして、ループ処理１が終了すると、分類部１５Ｃは、ステップＳ１０２で列挙されたｎ個の訓練データ候補の回路ＴＲ１～ＴＲｎから２つを抽出して得られる組合せｎＣ２に対応する回数の分、ステップＳ１０６の処理を繰り返すループ処理２を開始する。
【0079】
すなわち、分類部１５Ｃは、２つの訓練データ候補の回路のペアに関する特性インピーダンスベクトルＺ０のユークリッド距離を算出する（ステップＳ１０６）。このようなステップＳ１０６に対応するループ処理２が繰り返されることにより、訓練データ候補の回路のペアごとにユークリッド距離が得られる。
【0080】
その後、ループ処理２が終了すると、分類部１５Ｃは、ステップＳ１０６で訓練データ候補の回路のペアごとに算出されたｎＣ２個のユークリッド距離を用いて訓練データ候補の回路のクラスタリングを実行する（ステップＳ１０７）。
【0081】
その上で、分類部１５Ｃは、ステップＳ１０７のクラスタリングで得られたクラスタ間の距離ｄがステップＳ１０１で設定された閾値Ｔｈ以内であるクラスタを同一のグループと識別する（ステップＳ１０８）。
【0082】
そして、選択部１５Ｄは、同一のグループに分類された訓練データ候補の回路のうち訓練データ候補の回路を１つ選択して残りの訓練データ候補の回路を削除する（ステップＳ１０９）。
【0083】
その後、生成部１５Ｅは、ステップＳ１０９で選択された訓練データ候補の回路の回路情報を回路シミュレータに入力することにより計算された電流分布およびＥＭＩ強度を対応付けることにより、機械学習用の訓練データを生成する（ステップＳ１１０）。
【0084】
そして、訓練部１５Ｆは、ステップＳ１１０で生成された訓練データの電流分布を特徴量とし、ＥＭＩ強度を目的変数として、ＥＭＩ予測モデルを訓練する（ステップＳ１１１）。これにより、訓練済みのＥＭＩ予測モデルが得られる。
【0085】
上述してきたように、本実施例に係る訓練データ生成機能は、同一の回路形状で異なる基板特性を持ち、かつ特性インピーダンスが類似する複数の回路のうち一部の回路を選択して電流分布を特徴量とするＥＭＩ予測モデルの訓練に用いる訓練データを生成する。それ故、削除された回路の訓練データが生成されない分、訓練データ数を低減させることができる。したがって、本実施例に係る訓練データ生成機能によれば、基板特性に関する訓練データのバリエーションを削減できる。
【実施例2】
【0086】
さて、これまで開示の装置に関する実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。そこで、以下では、本発明に含まれる他の実施例を説明する。
【0087】
上記の実施例１では、同一の回路形状で異なる基板特性を持つ複数の訓練データ候補の回路にクラスタリングに基づくフィルタリングを行う例を挙げたが、クラスタリング以外の他の基準にしたがってフィルタリングを行うこともできる。
【0088】
すなわち、電子回路の線路の特性インピーダンスは、ＥＭＩ予測モデルのタスクが適用されるドメインの特性に合わせて特定の値を取るように設計される場合がある。この点に着目して、基板特性パラメータのバリエーションとして割り当てる範囲を、予測対象のドメインに基づいて設定された特性インピーダンスの値の範囲に絞り込む。これにより、さらに訓練データ数を削減することもできる。
【0089】
図１３は、フィルタリングの応用例を示す図である。図１３には、複数の訓練データ候補の回路の模式図と、特性インピーダンスと、予測対象のドメインに基づくフィルタリング結果と、クラスタリングに基づくフィルタリング結果と、訓練データセットの設計結果との対応関係が表形式で示されている。さらに、図１３では、予測対象のドメインに対応する特性インピーダンスの値を５０Ωとし、５０Ωから±５Ω以内の範囲に絞り込む例を挙げる。
【0090】
図１３に示す例で言えば、基板ＢＰ４１～基板ＢＰ４６の６つの訓練データ候補の回路のうち、基板ＢＰ４２、基板ＢＰ４３および基板ＢＰ４５の３つの回路の特性インピーダンスの値が予測対象のドメインに基づいて設定された５０Ω±５Ωの範囲外となる。この場合、基板ＢＰ４２、基板ＢＰ４３および基板ＢＰ４５の３つの訓練データ候補の回路が削除される。さらに、基板ＢＰ４１および基板ＢＰ４６の２つの回路が同一のグループにクラスタリングされる。この場合、あくまで一例として、基板ＢＰ４１に対応する訓練データ候補の回路が選択されると共に、基板ＢＰ４６に対応する訓練データ候補の回路が訓練データの集合から削除される。この結果、基板ＢＰ４１および基板ＢＰ４４に対応する訓練データ候補の回路が訓練データの集合の１つとして選択される。
【0091】
このように、予測対象のドメインに基づくフィルタリングを行うことにより、訓練データ数をさらに削減することもできる。すなわち、図１３に示す例で言えば、図９に示す例に比べて、基板ＢＰ４２、基板ＢＰ４３および基板ＢＰ４５の３つの回路を訓練データセットから削減することができる。
【0092】
また、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、設定部１５Ａ、算出部１５Ｂ、分類部１５Ｃ、選択部１５Ｄ、生成部１５Ｅまたは訓練部１５Ｆをサーバ装置１０の外部装置としてネットワーク経由で接続するようにしてもよい。また、設定部１５Ａ、算出部１５Ｂ、分類部１５Ｃ、選択部１５Ｄ、生成部１５Ｅまたは訓練部１５Ｆを別の装置がそれぞれ有し、ネットワーク接続されて協働することで、上記のサーバ装置１０の機能を実現するようにしてもよい。
【0093】
［訓練データ生成プログラム］
また、上記の実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図１４を用いて、実施例１及び実施例２と同様の機能を有する訓練データ生成プログラムを実行するコンピュータの一例について説明する。
また、上記の実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図１４を用いて、実施例１及び実施例２と同様の機能を有する訓練データ生成プログラムを実行するコンピュータの一例について説明する。
【0094】
図１４は、コンピュータのハードウェア構成例を示す図である。図１４に示すように、コンピュータ１００は、操作部１１０ａと、スピーカ１１０ｂと、カメラ１１０ｃと、ディスプレイ１２０と、通信部１３０とを有する。さらに、このコンピュータ１００は、ＣＰＵ１５０と、ＲＯＭ１６０と、ＨＤＤ１７０と、ＲＡＭ１８０とを有する。これら１１０～１８０の各部はバス１４０を介して接続される。
【0095】
ここで、図１４では、ハードウェアプロセッサの一例として、ＣＰＵを例に挙げるが、これに限定されない。すなわち、ＣＰＵやＭＰＵなどの汎用のプロセッサに限らず、ＤＬＵ（Deep Learning Unit）やＧＰＧＰＵ（General-Purpose computing on Graphics Processing Units）、ＧＰＵクラスタなどであってもよい。
【0096】
ＨＤＤ１７０には、図１４に示すように、上記の実施例１で示した設定部１５Ａ、算出部１５Ｂ、分類部１５Ｃ、選択部１５Ｄ及び生成部１５Ｅと同様の機能を発揮する訓練データ生成プログラム１７０ａが記憶される。この訓練データ生成プログラム１７０ａは、図１に示された設定部１５Ａ、算出部１５Ｂ、分類部１５Ｃ、選択部１５Ｄ及び生成部１５Ｅの各構成要素と同様、統合又は分離しても良い。すなわち、ＨＤＤ１７０には、必ずしも図１で示した全てのデータが格納されずともよく、処理に用いるデータがＨＤＤ１７０に格納されればよい。
【0097】
このような環境の下、ＣＰＵ１５０は、ＨＤＤ１７０から訓練データ生成プログラム１７０ａを読み出した上でＲＡＭ１８０へ展開する。この結果、訓練データ生成プログラム１７０ａは、図１４に示すように、訓練データ生成プロセス１８０ａとして機能する。この訓練データ生成プロセス１８０ａは、ＲＡＭ１８０が有する記憶領域のうち訓練データ生成プロセス１８０ａに割り当てられた領域にＨＤＤ１７０から読み出した各種データを展開し、この展開した各種データを用いて各種の処理を実行する。例えば、訓練データ生成プロセス１８０ａが実行する処理の一例として、図１２に示す処理などが含まれる。なお、ＣＰＵ１５０では、必ずしも上記の実施例１で示した全ての処理部が動作せずともよく、実行対象とする処理に対応する処理部が仮想的に実現されればよい。
【0098】
なお、上記の訓練データ生成プログラム１７０ａは、必ずしも最初からＨＤＤ１７０やＲＯＭ１６０に記憶されておらずともかまわない。例えば、コンピュータ１００に挿入されるフレキシブルディスク、いわゆるＦＤ、ＣＤ－ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させる。そして、コンピュータ１００がこれらの可搬用の物理媒体から各プログラムを取得して実行するようにしてもよい。また、公衆回線、インターネット、ＬＡＮ、ＷＡＮなどを介してコンピュータ１００に接続される他のコンピュータまたはサーバ装置などに各プログラムを記憶させておき、コンピュータ１００がこれらから各プログラムを取得して実行するようにしてもよい。
【符号の説明】
【0099】
１０ サーバ装置
１１ 通信インタフェイス部
１３ 記憶部
１３Ａ 回路情報群
１３Ｂ 訓練データセット
１３Ｍ モデルデータ
１５ 制御部
１５Ａ 設定部
１５Ｂ 算出部
１５Ｃ 分類部
１５Ｄ 選択部
１５Ｅ 生成部
１５Ｆ 訓練部
３０ クライアント端末
１１ 通信インタフェイス部
１３ 記憶部
１３Ａ 回路情報群
１３Ｂ 訓練データセット
１３Ｍ モデルデータ
１５ 制御部
１５Ａ 設定部
１５Ｂ 算出部
１５Ｃ 分類部
１５Ｄ 選択部
１５Ｅ 生成部
１５Ｆ 訓練部
３０ クライアント端末
【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】