特許 7541902 機能推定方法、機能推定装置、および機能推定プログラム

(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】2024-08-21

(45)【発行日】2024-08-29

(54)【発明の名称】機能推定方法、機能推定装置、および機能推定プログラム

(51)【国際特許分類】

   G06F 30/32 20200101AFI20240822BHJP

   G06F 30/27 20200101ALI20240822BHJP

   G06N 20/00 20190101ALI20240822BHJP

【ＦＩ】

G06F30/32

G06F30/27

G06N20/00 130

【請求項の数】 9

(21)【出願番号】P 2020188448

(22)【出願日】2020-11-12

(65)【公開番号】P2021089722

(43)【公開日】2021-06-10

【審査請求日】2023-08-31

(31)【優先権主張番号】P 2019213015

(32)【優先日】2019-11-26

(33)【優先権主張国・地域又は機関】JP

【新規性喪失の例外の表示】特許法第３０条第２項適用 平成３０年１２月５日 サテライトキャンパスひろしま（広島県広島市中区大手町１丁目５－３）にて開催された、電子情報通信学会 ＶＬＳＩ設計技術研究会において公開

【新規性喪失の例外の表示】特許法第３０条第２項適用 平成３０年１１月２８日 ウェブサイト：ｈｔｔｐｓ：／／ｗｗｗ．ｉｅｉｃｅ．ｏｒｇ／ｋｅｎ／ｐａｐｅｒ／２０１８１２０５Ｆ１ＩＣ／にて公開された電子情報通信学会の信学技報において「グラフ畳み込みネットワークを用いたネットリスト機能推定の検討」として公開

(73)【特許権者】

【識別番号】591036457

【氏名又は名称】三菱電機エンジニアリング株式会社

(73)【特許権者】

【識別番号】504159235

【氏名又は名称】国立大学法人 熊本大学

(74)【代理人】

【識別番号】100110423

【弁理士】

【氏名又は名称】曾我 道治

(74)【代理人】

【識別番号】100111648

【弁理士】

【氏名又は名称】梶並 順

(74)【代理人】

【識別番号】100147566

【弁理士】

【氏名又は名称】上田 俊一

(74)【代理人】

【識別番号】100161171

【弁理士】

【氏名又は名称】吉田 潤一郎

(74)【代理人】

【識別番号】100188514

【弁理士】

【氏名又は名称】松岡 隆裕

(72)【発明者】

【氏名】安田 紘晃

(72)【発明者】

【氏名】飯田 全広

(72)【発明者】

【氏名】尼崎 太樹

(72)【発明者】

【氏名】小山 大輝

(72)【発明者】

【氏名】藤城 裕一郎

(72)【発明者】

【氏名】伊藤 寛人

【審査官】松浦 功

(56)【参考文献】

【文献】特開平０４－１９９３６９（ＪＰ，Ａ）

【文献】特開平０６－２０３１０６（ＪＰ，Ａ）

【文献】特開２０００－２００２９８（ＪＰ，Ａ）

【文献】藤城裕一郎 外５名，Ｒ－ＧＣＮを用いたゲートレベルネットリスト機能分類手法，電子情報通信学会技術研究報告，一般社団法人電子情報通信学会，2019年11月06日，Vol. 119, No. 283，pp. 7-12

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ ３０／００ －３０／３９８

Ｇ０６Ｎ ２０／００ －２０／２０

Ｇ０６Ｎ ３／０２ － ３／１０

Ｇｏｏｇｌｅ Ｓｃｈｏｌａｒ

(57)【特許請求の範囲】

【請求項1】

グラフ構造を畳み込んだネットワークであるＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出するために、コンピュータ上で実行される機能推定方法であって、
ＧＣＮ構成用パラメータ情報から前記ネットリストのＧＣＮクラス構成情報を構築し、構築したＧＣＮクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する管理工程と、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換し、計測したノード数および構築した前記ＧＣＮクラス構成情報に応じてクラス分けを行うクラスタリング工程と、
前記クラス分けが行われた各クラスのノード数を一致させるための補完処理を実行する変換工程と、
前記管理工程および前記変換工程の処理結果に基づいて、前記機能の学習および推論を行う学習・推論工程と
を有する機能推定方法。

【請求項2】

前記変換工程において、
前記ネットリスト内の各ノードにおける複合ゲートの種別を表現する特徴ベクトル行列と、
前記ネットリスト内の各ノードにおける接続関係を表現する隣接行列と、
前記ネットリスト内の各ノードにおけるＧＣＮの判定結果を表現する正解ラベル行列と
を作成し、
前記学習・推論工程において、
前記変換工程で作成された前記特徴ベクトル行列、前記隣接行列、および前記正解ラベル行列に基づいて前記学習を行う
請求項１に記載の機能推定方法。

【請求項3】

前記学習・推論工程において、
前記管理工程で管理されていない新規ラベルが入力された場合には、新たなＧＣＮ機能を生成し、新たに生成したそれぞれのＧＣＮ機能を組み合わせることで新たなＧＣＮを自動生成する
請求項１または２に記載の機能推定方法。

【請求項4】

前記管理工程において、
前記ＧＣＮ２分木構成を利用して、前記機能が学習済みであるか否かを判別する
請求項１から３のいずれか１項に記載の機能推定方法。

【請求項5】

グラフ構造を畳み込んだネットワークであるＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出する機能推定装置であって、
ＧＣＮ構成用パラメータ情報から前記ネットリストのＧＣＮクラス構成情報を構築し、構築したＧＣＮクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する管理部と、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換し、計測したノード数および構築した前記ＧＣＮクラス構成情報に応じてクラス分けを行うクラスタリング部と、
前記クラス分けが行われた各クラスのノード数を一致させるための補完処理を実行する変換部と、
前記管理部および前記変換部の処理結果に基づいて、前記機能の学習および推論を行う学習・推論部と
を有する機能推定装置。

【請求項6】

グラフ構造を畳み込んだネットワークであるＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出するために、コンピュータ上で実行される機能推定プログラムであって、
前記コンピュータを、
ＧＣＮ構成用パラメータ情報から前記ネットリストのＧＣＮクラス構成情報を構築し、構築したＧＣＮクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する管理手段と、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換し、計測したノード数および構築した前記ＧＣＮクラス構成情報に応じてクラス分けを行うクラスタリング手段と、
前記クラス分けが行われた各クラスのノード数を一致させるための補完処理を実行する変換手段と、
前記管理手段および前記変換手段の処理結果に基づいて、前記機能の学習および推論を行う学習・推論手段と
して機能させる機能推定プログラム。

【請求項7】

グラフ構造を畳み込んだネットワークであるＧＣＮとしてＲ－ＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出するために、コンピュータ上で実行される機能推定方法であって、
ＧＣＮ構成用パラメータ情報から前記ネットリストのＧＣＮクラス構成情報を構築し、構築したＧＣＮクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する管理工程と、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換し、計測したノード数および構築した前記ＧＣＮクラス構成情報に応じてクラス分けを行うクラスタリング工程と、
前記クラス分けが行われた各クラスのノード数を一致させるための補完処理を実行する変換工程と、
前記管理工程および前記変換工程の処理結果に基づいて、前記機能の学習および推論を行う学習・推論工程と
を有する機能推定方法であって、
前記変換工程において、
前記ネットリスト内の各ノードにおける複合ゲートの種別を表現する特徴ベクトル行列と、
前記ネットリスト内の各ノードにおける接続関係および入出力関係を表現する３種の隣接行列と、
前記ネットリスト内の各ノードにおけるＧＣＮの判定結果を表現する正解ラベル行列と
を作成し、
前記学習・推論工程において、
前記変換工程で作成された前記特徴ベクトル行列、前記３種の隣接行列、および前記正解ラベル行列に基づいて前記学習を行い、
前記３種の隣接行列は、前記各ノードにおけるノード間の入力に関する接続関係を示す第１の隣接行列と、各ノードを要素とする単位行列を示す第２の隣接行列と、前記各ノードにおけるノード間の出力に関する接続関係を示す第３の隣接行列とで構成される
機能推定方法。

【請求項8】

グラフ構造を畳み込んだネットワークであるＧＣＮとしてＲ－ＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出する機能推定装置であって、
ＧＣＮ構成用パラメータ情報から前記ネットリストのＧＣＮクラス構成情報を構築し、構築したＧＣＮクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する管理部と、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換し、計測したノード数および構築した前記ＧＣＮクラス構成情報に応じてクラス分けを行うクラスタリング部と、
前記クラス分けが行われた各クラスのノード数を一致させるための補完処理を実行する変換部と、
前記管理部および前記変換部の処理結果に基づいて、前記機能の学習および推論を行う学習・推論部と
を有する機能推定装置であって、
前記変換部は、
前記ネットリスト内の各ノードにおける複合ゲートの種別を表現する特徴ベクトル行列と、
前記ネットリスト内の各ノードにおける接続関係および入出力関係を表現する３種の隣接行列と、
前記ネットリスト内の各ノードにおけるＧＣＮの判定結果を表現する正解ラベル行列と
を作成し、
前記学習・推論部は、
前記変換部で作成された前記特徴ベクトル行列、前記３種の隣接行列、および前記正解ラベル行列に基づいて前記学習を行い、
前記３種の隣接行列は、前記各ノードにおけるノード間の入力に関する接続関係を示す第１の隣接行列と、各ノードを要素とする単位行列を示す第２の隣接行列と、前記各ノードにおけるノード間の出力に関する接続関係を示す第３の隣接行列とで構成される
機能推定装置。

【請求項9】

グラフ構造を畳み込んだネットワークであるＧＣＮとしてＲ－ＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出するために、コンピュータ上で実行される機能推定プログラムであって、
前記コンピュータを、
ＧＣＮ構成用パラメータ情報から前記ネットリストのＧＣＮクラス構成情報を構築し、構築したＧＣＮクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する管理手段と、
前記ネットリストをノードおよびエッジから構成されるグラフ表現に変換し、計測したノード数および構築した前記ＧＣＮクラス構成情報に応じてクラス分けを行うクラスタリング手段と、
前記クラス分けが行われた各クラスのノード数を一致させるための補完処理を実行する変換手段と、
前記管理手段および前記変換手段の処理結果に基づいて、前記機能の学習および推論を行う学習・推論手段と
して機能させる機能推定プログラムであって、
前記変換手段は、
前記ネットリスト内の各ノードにおける複合ゲートの種別を表現する特徴ベクトル行列と、
前記ネットリスト内の各ノードにおける接続関係および入出力関係を表現する３種の隣接行列と、
前記ネットリスト内の各ノードにおけるＧＣＮの判定結果を表現する正解ラベル行列と
を作成し、
前記学習・推論手段は、
前記変換手段で作成された前記特徴ベクトル行列、前記３種の隣接行列、および前記正解ラベル行列に基づいて前記学習を行い、
前記３種の隣接行列は、前記各ノードにおけるノード間の入力に関する接続関係を示す第１の隣接行列と、各ノードを要素とする単位行列を示す第２の隣接行列と、前記各ノードにおけるノード間の出力に関する接続関係を示す第３の隣接行列とで構成される
機能推定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ＬＳＩの論理設計に係り、主にネットリストから設計情報およびハードウェア言語を生成するための搭載機能を備えた機能推定方法、機能推定装置、および機能推定プログラムに関する。

【背景技術】

【0002】

半導体集積回路（以後、ＬＳＩと称す）の設計技術として、開発効率がよく、半導体ベンダにとらわれないハードウェア記述言語（ＨＤＬ：Ｈａｒｄｗａｒｅ Ｄｅｓｃｒｉｐｔｉ－ｏｎ Ｌａｎｇｕａｇｅ）が用いられる場合がある。この場合には、ＨＤＬにより回路設計が行われた後に、回路に実装する部品の接続関係を表現するネットリストへ自動で変換する論理合成が用いられている。ここで、いわゆる論理合成が可能なＨＤＬ記述レベルは、レジスタトランスファレベル（以下、ＲＴＬと称す）と呼ばれる。

【0003】

これに対し、ＲＴＬの存在しない過去の設計資産を活用する目的で、ネットリストに実装されている機能の抽出、あるいはネットリストをＲＴＬへ変換する要望がある。しかしながら、半導体ベンダ毎に異なるネットリストを、単純な言語変換ではなく、記述を自動で抽象化し変換する技術までは確立されておらず、主に人手により、ドキュメントを参考にしながらネットリストの読解が行われていた。

【0004】

この問題に対して、ＲＴＬに実装された機能を推定する方法がある（例えば、特許文献１参照）。特許文献１では、ニューラルネットワーク（以後、ＮＮと称す）を用いて、判定機能の学習後に機能推定を行い、一致した機能の回路データを差し替える方法が紹介されている。

【先行技術文献】

【特許文献】

【0005】

【文献】特開平４－１９９３６９号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、特許文献１では、変換ルールとして学習した機能の推定、および回路置き換えを対象にしている。従って、学習した機能が組み合わされた機能に対しての機能推定を行う仕組みはない。そのため、判定したい機能毎に、すべて手作業で学習させる必要がある。

【0007】

本発明は、前記のような課題を解決するためになされたものであり、ＬＳＩのネットリストに対して、機能推定を効率的に実行することができる機能推定方法、機能推定装置、および機能推定プログラムを得ることを目的とする。

【課題を解決するための手段】

【0008】

本発明に係る機能推定方法は、グラフ構造を畳み込んだネットワークであるＧｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ（以降、ＧＣＮと称す）を用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出するために、コンピュータ上で実行される機能推定方法であって、ＧＣＮ構成用パラメータ情報からネットリストのＧＣＮクラス構成情報を構築し、構築したＧＣＮクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する管理工程と、ネットリストをノードおよびエッジから構成されるグラフ表現に変換し、計測したノード数および構築したＧＣＮクラス構成情報に応じてクラス分けを行うクラスタリング工程と、クラス分けが行われた各クラスのノード数を一致させるための補完処理を実行する変換工程と、管理工程および変換工程の処理結果に基づいて、機能の学習および推論を行う学習・推論工程とを有するものである。

【0009】

本発明に係る機能推定装置は、グラフ構造を畳み込んだネットワークであるＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出する機能推定装置であって、ＧＣＮ構成用パラメータ情報からネットリストのＧＣＮクラス構成情報を構築し、構築したＧＣＮクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する管理部と、ネットリストをノードおよびエッジから構成されるグラフ表現に変換し、計測したノード数および構築したＧＣＮクラス構成情報に応じてクラス分けを行うクラスタリング部と、クラス分けが行われた各クラスのノード数を一致させるための補完処理を実行する変換部と、管理部および変換部の処理結果に基づいて、機能の学習および推論を行う学習・推論部とを有するものである。

【0010】

本発明に係る機能推定プログラムは、グラフ構造を畳み込んだネットワークであるＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出するために、コンピュータ上で実行される機能推定プログラムであって、コンピュータを、ＧＣＮ構成用パラメータ情報からネットリストのＧＣＮクラス構成情報を構築し、構築したＧＣＮクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する管理手段と、ネットリストをノードおよびエッジから構成されるグラフ表現に変換し、計測したノード数および構築したＧＣＮクラス構成情報に応じてクラス分けを行うクラスタリング手段と、クラス分けが行われた各クラスのノード数を一致させるための補完処理を実行する変換手段と、管理手段および変換手段の処理結果に基づいて、機能の学習および推論を行う学習・推論手段として機能させるものである。

【発明の効果】

【0011】

本発明により、大規模で複雑なネットリスト、またはドキュメントの存在しないネットリストにおいても、機能推定が効率的に実行できる。

【図面の簡単な説明】

【0012】

【図1】本発明の実施の形態１におけるＬＳＩネットリスト用の搭載機能を推定するためのプログラムが備える機能構成を示した図である。

【図2】本発明の実施の形態１における、ネットリストの回路規模によるＧＣＮクラス構成構築方法を示した図である。

【図3】本発明の実施の形態１における、ＧＣＮでの機能推定時に機能判定の順序を決定する２分木構成を示した図である。

【図4】本発明の実施の形態１における、ネットリストをグラフ表現として変換した図である。

【図5】本発明の実施の形態１におけるＧＣＮ構成管理部で実行される一連処理を示したフローチャートである。

【図6】本発明の実施の形態１における、ＧＣＮ構成用パラメータ情報によるＧＣＮクラス構成の違いを示した図である。

【図7】本発明の実施の形態１におけるノード数クラスタリング部で実行される一連処理を示したフローチャートである。

【図8】本発明の実施の形態１におけるネットリスト行列変換部で実行される一連処理を示したフローチャートである。

【図9】本発明の実施の形態１における特徴ベクトル行列Ｘの変換例を示した図である。

【図10】本発明の実施の形態１における接続行列Ａの変換例を示した図である。

【図11】本発明の実施の形態１における正解ラベル行列Ｙの変換例を示した図である。

【図12】本発明の実施の形態１における学習・推論部で実行される一連処理を示したフローチャートである。

【図13】本発明の実施の形態１における学習データの追加例を示した図である。

【図14】本発明の実施の形態１における学習データの追加例を示した図である。

【図15】本発明の実施の形態１における学習・推論部による学習用行列自動生成の例を示した図である。

【図16】本発明の実施の形態１ですでに説明したＧＣＮによる、ノードとノードの接続関係を表すためのグラフ表現および隣接行列を示した図である。

【図17】本発明の実施の形態２で説明するＲ－ＧＣＮによる、ノードとノードの接続関係を表すためのグラフ表現および隣接行列を示した図である。

【図18】本発明の実施の形態２におけるネットリスト行列変換部で実行される一連処理を示したフローチャートである。

【発明を実施するための形態】

【0013】

以下、本発明の機能推定方法、機能推定装置、および機能推定プログラムの好適な実施の形態につき、図面を用いて説明する。特に、本発明は、ＮＮの一種であり、グラフ構造を畳み込んだネットワークである、ＧＣＮ、またはＲｅｌａｔｉｏｎａｌ Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ（以降、Ｒ－ＧＣＮと称す）を用いて、ＬＳＩネットリストに実装されている機能の推定を効率的に行うことを特徴としている。ＧＣＮを用いる場合について、実施の形態１で詳述し、Ｒ－ＧＣＮを用いる場合について、実施の形態２で詳述する。

【0014】

実施の形態１．
図１は、本発明の実施の形態１におけるＬＳＩネットリスト用の搭載機能を推定するためのプログラムが備える機能構成を示した図である。図１に示すように、入力データとして、ＧＣＮ構成用パラメータ情報１と、学習または推論用のネットリスト２と、学習時にネットリストの機能識別タグとして入力し、推論時に推論候補となる機能ラベル情報３と、学習用または推論用のＬＳＩデバイス固有のスタンダードセル情報４がある。

【0015】

本実施の形態１に係るプログラムは、図１に示したように、ＧＣＮ構成用パラメータ情報１より、ＧＣＮクラス構成および各クラス内のＧＣＮ２分木構成を管理するＧＣＮ構成管理部５と、ネットリスト内の複合ゲートおよびその接続関係をノードとエッジとして置き換えて、ネットリスト内のノード数に応じてクラス分類を行うノード数クラスタリング部６と、ＧＣＮ内部演算用のネットリスト行列変換部７と、機能を学習する学習・推論部８にて構成されている。そして、本実施の形態１に係るプログラムは、推論時に一致した機能ラベル名または機能なしを推論結果９として出力するように、コンピュータ上で実行される。

【0016】

次に、図１に示した各機能構成について個別に説明する。
ＧＣＮ構成管理部５は、入力されたＧＣＮ構成用パラメータ情報１からネットリストの回路規模よるクラスを構築する。また、ＧＣＮ構成管理部５は、構築したクラス毎にクラス内で保有するＧＣＮの機能ラベルと、推論時のＧＣＮ推論順序を決定するＧＣＮ２分木構成とを管理する。なお、ＧＣＮ構成管理部５は、ネットリスト入力時に、機能ラベル情報３が入力されれば学習処理として動作し、機能ラベル情報３が入力されなければ推論処理として動作する。

【0017】

まず、クラス管理について説明する。図２は、本発明の実施の形態１における、ネットリストの回路規模によるＧＣＮクラス構成構築方法を示した図である。ＧＣＮ構成用パラメータ情報１は、３種のパラメータを指定することで、図２に示すとおり、最下位クラス１１、上位クラス１２および１３として、ＧＣＮのクラス階層を構築する。ネットリストの回路規模により、推論処理するＧＣＮを分類するために、パラメータＰ１（以後、Ｐ１と称す）として、管理するクラスの数が入力される。

【0018】

また、下位クラスの機能ラベルを組み合わせた機能ラベルを自動生成する機能を有しており、自動生成を行うために、パラメータＰ２（以後、Ｐ２と称す）として、最下位クラス１１の最大ノード数、パラメータＰ３（以後、Ｐ３と称す）として、最下位クラス１１の機能の組み合わせ数が入力される。

【0019】

次に、機能ラベルについて説明する。機能ラベルは、学習時にユーザにより正解情報として与えられる場合と、学習・推論部８にて自動生成されて通知される場合とがある。機能ラベルは、ＧＣＮが推論する機能として、１つのＧＣＮにつき、１つの機能を定義する。

【0020】

次に、２分木構成管理について説明する。図３は、本発明の実施の形態１における、ＧＣＮでの機能推定時に機能判定の順序を決定する２分木構成を示した図である。ＧＣＮのクラス内で複数の機能ラベルを保有する場合には、各機能ラベルを判定するＧＣＮが機能ラベルの数だけ存在する。そのため、ＧＣＮ構成管理部５は、推論時においては、これら複数のＧＣＮの判定順序を管理する必要がある。

【0021】

そこで、ＧＣＮ構成管理部５は、ＧＣＮを２分木として管理する。具体的には、ＧＣＮ構成管理部５は、木の頂点に位置するＧＣＮから機能推定を行い、機能ありと判定した場合には推定終了とし、機能なしと判定した場合には子のＧＣＮで機能推定を行う構成として、ＧＣＮを２分木として管理する。

【0022】

そして、ＧＣＮ構成管理部５は、学習時には、ユーザより与えられた機能ラベルが新規ラベルか否かの判定を行う。判定の結果、機能ラベルが新規ラベルであった場合、または学習・推論部８からＧＣＮの自動生成通知が入力された場合には、ＧＣＮ構成管理部５は、ＧＣＮ２分木構成の頂点にＧＣＮを追加する。

【0023】

一方、推論時には、ＧＣＮ構成管理部５は、学習・推論部８へ該当クラスのＧＣＮ２分木構成情報を出力する。学習・推論部８は、機能ありと判定した場合には、その時点の機能ラベル一致として推論終了し、機能なしと判定した場合には、子に位置するＧＣＮへ切り替えて機能推定を行う。

【0024】

ノード数クラスタリング部６は、ネットリスト２をノードおよびエッジから構成されるグラフ表現に変換する。また、ノード数クラスタリング部６は、計測したノード数と、ＧＣＮ構成管理部５からのＧＣＮクラス構成情報から、クラス分類判定を行う。

【0025】

図４は、本発明の実施の形態１における、ネットリストをグラフ表現として変換した図である。図４に示すように、ノード数クラスタリング部６は、ネットリスト内の複合ゲートをノードとして、各複合ゲート間の接続をエッジとして、グラフ表現する。

【0026】

ノードは、ＲＴＬからネットリストへの論理合成時に使用するスタンダードセル情報から作成される。このとき、回路構成が等しく、ドライブ能力のみが異なるものは、同一機能であるため、同じノード種類として扱われる。

【0027】

ノード数クラスタリング部６は、スタンダードセル情報から分類されるノードの種類情報と、グラフ表現したネットリストとを、ネットリスト行列変換部７へ出力する。また、ノード数クラスタリング部６は、ＧＣＮ構成管理部５から取得したクラス階層情報から、クラス分けを行い、判定結果を学習・推論部８へ通知する。

【0028】

ネットリスト行列変換部７は、ノード数クラスタリング部６から入力したグラフ表現より、特徴ベクトル行列Ｘ、隣接行列Ａ、正解ラベル行列Ｙを作成する。

【0029】

ネットリスト行列変換部７は、ネットリスト内の各ノードにおける複合ゲートの種別を特徴ベクトル行列Ｘとして表現する。具体的には、ネットリスト行列変換部７は、ノードを行、複合ゲートを列として表現し、行数は各クラスの最大ノード数、列数は複合ゲート数として作成する。

【0030】

また、ネットリスト行列変換部７は、ネットリスト内の各ノードにおける接続関係を隣接行列Ａとして表現する。具体的には、ネットリスト行列変換部７は、ノードを行、列として表現し、接続関係にあるノードを１、それ以外を０として表現する。

【0031】

さらに、ネットリスト行列変換部７は、ネットリスト内の各ノードにおけるＧＣＮの判定結果をラベルデータ行列Ｙとして表現する。具体的には、ネットリスト行列変換部７は、ＧＣＮ構成管理部５より学習時と通知された場合にはラベルデータ行列Ｙを作成し、推論時と通知された場合にはラベルデータ行列Ｙを作成しない。

【0032】

学習・推論部８は、機能の学習および推論を行う。学習時において、ＧＣＮ構成管理部５から既存機能の通知があった場合には、学習・推論部８は、通知されたＧＣＮに対して、特徴ベクトル行列Ｘ、隣接行列Ａ、正解ラベル行列Ｙを入力して、ＧＣＮ内部の重みパラメータを更新する。

【0033】

また、ＧＣＮ構成管理部５から新規機能の通知があった場合には、学習・推論部８は、新規のＧＣＮを作成する。学習後にノード数クラスタリング部６で分類されたクラス内の既存機能との組み合わせ機能として、新たなＧＣＮを作成可能であった場合には、学習・推論部８は、ＧＣＮを自動生成し、機能ラベル情報をＧＣＮ構成管理部５へ通知する。

【0034】

また、学習・推論部８は、推論時には、特徴ベクトル行列Ｘ、隣接行列Ａを入力して機能の判定結果である出力行列Ｚを得る。具体的には、学習・推論部８は、ノードを行として表現し、機能あり、機能なしの判定結果を列として表現し、
｛機能ありの判定結果を持つノード数 ≧ 機能ありの判定結果を持つノード数｝
が成立した場合、判定した機能ありとする。

【0035】

一方、判定した機能なしの場合、学習・推論部８は、クラス内のＧＣＮ２分木構成に従い判定を継続し、全て一致しない場合に該当機能なしを出力する。

【0036】

次に、図１の各ブロックに対する処理フローを用いて、ここまで説明したプログラム内の処理を説明する。

【0037】

図５は、本発明の実施の形態１におけるＧＣＮ構成管理部５で実行される一連処理を示したフローチャートである。この図５を用いて、図１のＧＣＮ構成管理部５の処理の流れを説明する。

【0038】

ステップＳ１００において、ＧＣＮ構成管理部５は、ネットリストの機能ラベル情報３、またはクラスのＧＣＮ構成用パラメータ情報１を入力する。

【0039】

次に、ステップＳ１０１において、ＧＣＮ構成管理部５は、ＧＣＮクラス構成を更新するとともに、ステップＳ１００で入力された各クラスのノード数情報からクラスを設定し、ノード数クラスタリング部６へ、クラス設定を通知する。

【0040】

図６は、本発明の実施の形態１における、ＧＣＮ構成用パラメータ情報によるＧＣＮクラス構成の違いを示した図である。図６に示した各クラスは、ノード数でクラス分類を行っている。ＧＣＮで演算を行うためには、ノード数を一致させる必要がある。そこで、ネットリスト行列変換部７は、入力したネットリストのノード数から、分類されたクラスの最大ノード数まで、行列の補完処理を行う。

【0041】

また、学習・推論部８は、下位クラスの機能ラベルを組み合わせた機能ラベルを自動生成する機能を有している。そして、学習・推論部８は、組み合わせる機能のノードを再度ナンバリングすることで、機能ラベルの自動生成を実現する。

【0042】

そのため、自動生成する行列の最大ノード数は、
｛最下位クラスの最大ノード数（Ｐ２）×組み合わせ機能数（Ｐ３）｝
となる。そこで、ＧＣＮ構成管理部５は、上位クラスでＧＣＮの演算を行うために、ＧＣＮ構成用パラメータ情報１を入力する。

【0043】

次に、ステップＳ１０２において、ＧＣＮ構成管理部５は、学習または推論の判定を行う。ＧＣＮ構成管理部５は、ステップＳ１００で機能ラベル情報３が入力された場合には、学習と判定し、何も入力されない場合には、推論と判定する。ＧＣＮ構成管理部５は、学習と判定した場合には、ネットリスト行列変換部７へ学習処理を実行すべきことを通知する。

【0044】

ステップＳ１０２において、ＧＣＮ構成管理部５は、学習と判定した場合にはステップＳ１０３の処理に進み、推論と判定したにはステップＳ１０８の処理に進む。

【0045】

ステップＳ１０３に進んだ場合には、ＧＣＮ構成管理部５は、ノード数クラスタリング部６によって入力されたクラス分類結果に基づくクラスごとの機能ラベルと、ステップＳ１００で取得済みの機能ラベル情報３により特定される機能ラベルとの比較結果に基づいて、新規機能判定を行う。

【0046】

ＧＣＮ構成管理部５は、両者の機能ラベルが一致しない比較結果を得た場合には、新規機能であると判定し、ステップＳ１０４の処理に進む。一方、ＧＣＮ構成管理部５は、両者の機能ラベルが一致する比較結果を得た場合には、新規機能でないと判定し、ステップＳ１０７の処理に進む。

【0047】

ステップＳ１０４に進んだ場合には、ＧＣＮ構成管理部５は、学習・推論部８へ学習指示および新規機能の通知を行う。

【0048】

次に、ステップＳ１０５において、ＧＣＮ構成管理部５は、学習・推論部８で追加されたＧＣＮの情報を、学習・推論部８から取得する。

【0049】

次に、ステップＳ１０６において、ＧＣＮ構成管理部５は、追加したＧＣＮを２分木構成の頂点の位置に反映する。ＧＣＮ構成管理部５は、機能のあり／なしを判定するＧＣＮを２分木構成で持つことにより、推論で入力した機能が学習済みの機能として存在しないことが判定可能となる。この場合には、入力した機能の学習データを用意することで、容易に判定機能の追加が可能となる。

【0050】

一方、ステップＳ１０３からステップＳ１０７に進んだ場合には、ＧＣＮ構成管理部５は、学習・推論部８へ機能ラベルの学習指示を通知する。

【0051】

また、ステップＳ１０２からステップＳ１０８に進んだ場合には、ＧＣＮ構成管理部５は、ノード数クラスタリング部６より入力されたクラス情報をもとに、該当クラスのＧＣＮクラス構成情報の通知を行う。

【0052】

次に、図１のノード数クラスタリング部６の処理の流れを説明する。図７は、本発明の実施の形態１におけるノード数クラスタリング部６で実行される一連処理を示したフローチャートである。

【0053】

ノード数クラスタリング部６は、ユーザに指定された学習または推論用のネットリスト２、ＬＳＩデバイス固有のスタンダードセル情報４、およびＧＣＮ構成管理部５よりクラス単位でのノード数情報を指定したＧＣＮ構成情報を入力する。ノード数クラスタリング部６は、使用するスタンダードセル情報により複合ゲートの構成が異なりノード数が変化することも考慮して、ノード数を指示することにより、適切に分類を行うことが可能となる。

【0054】

ステップＳ２００において、ノード数クラスタリング部６は、回路データのネットリスト２における複合ゲートをノードとして表現し、各複合ゲート間の接続をエッジとして表現するように、ノード変換を行う。

【0055】

ノードは、論理合成に用いるスタンダードセル情報４から作成することができる。スタンダードセル情報４には、複合ゲート種別の他に、回路のドライブ能力によって識別番号が与えられている。機能推定にあたっては、回路のドライブ能力は不要である。そこで、ノード数クラスタリング部６は、同一の入出力を持ち、ドライブ能力が異なる複合ゲートを、同一のノードとする変換テーブルを作成する。

【0056】

さらに、ノード数クラスタリング部６は、変換テーブルに従い、複合ゲート単位でノードに変換し、各ノード間をエッジとしてナンバリングを行う。

【0057】

次に、ステップＳ２０１において、ノード数クラスタリング部６は、ナンバリングしたノード数の計測を行う。

【0058】

次に、ステップＳ２０２において、ノード数クラスタリング部６は、計測したノード数と、ＧＣＮ構成管理部５より入力されたクラス単位でのノード数情報とから、クラス判定を行うことでクラス分けを行う。同時に、ノード数クラスタリング部６は、該当クラスの最大ノード数を取得し、ネットリスト行列変換部７およびＧＣＮ構成管理部５に最大ノード数を通知する。

【0059】

次に、図１のネットリスト行列変換部７の処理の流れを説明する。図８は、本発明の実施の形態１におけるネットリスト行列変換部７で実行される一連処理を示したフローチャートである。

【0060】

ステップＳ３００において、ネットリスト行列変換部７は、ノード数クラスタリング部６から通知されたクラスの最大ノード数を行として、スタンダードセル情報４から生成した変換テーブル上の複合ゲート種類数に該当なしを表現する１列を追加した数を列として、特徴ベクトル行列Ｘを作成する。

【0061】

図９は、本発明の実施の形態１における特徴ベクトル行列Ｘの変換例を示した図である。特徴ベクトル行列Ｘは、ノード毎の複合ゲート種別を表現する。そこで、ネットリスト行列変換部７は、特徴ベクトル行列Ｘを作成するに当たり、図９に示すとおり、行列内の各行においては、１つだけ１を設定し、残りの要素は０を設定することになる。また、ネットリスト行列変換部７は、列要素の該当なしについては、分類したクラスにおいて入力したネットリストのノード数以上のノード数番号に対して、１を設定する。

【0062】

次に、ステップＳ３０１において、ネットリスト行列変換部７は、ノード数クラスタリング部６から通知されたクラスの最大ノード数を行および列として、隣接行列Ａを作成する。

【0063】

図１０は、本発明の実施の形態１における接続行列Ａの変換例を示した図である。ネットリスト行列変換部７は、接続行列Ａを作成するに当たり、図１０に示すとおり、各行に対して接続されるノード番号の要素に対して１を設定し、残りの要素は０を設定することになる。接続行列Ａは、特徴ベクトル行列Ｘとは異なり、接続関係を表現するので、２つ以上の要素を１とする場合もある。

【0064】

次に、ステップＳ３０２において、ネットリスト行列変換部７は、ＧＣＮ構成管理部５から通知された学習指示または推論指示に従った処理を行う。学習指示を通知された場合には、ステップＳ３０３に進み、ネットリスト行列変換部７は、ラベルデータ行列Ｙを作成する。

【0065】

ラベルデータ行列Ｙは、ノード数クラスタリング部６から通知されたクラスの最大ノード数を行として、各ノード単位で機能あり／なしを列として、表現される。図１１は、本発明の実施の形態１における正解ラベル行列Ｙの変換例を示した図である。図１１に示すとおり、機能単位でネットリストを学習するため、ネットリスト行列変換部７は、全ノードに対して機能ありの正解ラベルをもつラベルデータ行列Ｙを作成する。

【0066】

次に、図１の学習・推論部８の処理の流れを説明する。図１２は、本発明の実施の形態１における学習・推論部８で実行される一連処理を示したフローチャートである。

【0067】

ステップＳ４００において、学習・推論部８は、ＧＣＮ構成用パラメータ情報１を取得する。

【0068】

次に、ステップＳ４０１において、学習・推論部８は、ＧＣＮ構成管理部５から通知された指示が、学習指示または推論指示のいずれであるかを判定する。そして、学習・推論部８は、学習指示が通知された場合には、ステップＳ４０２に進み、推論指示が通知された場合には、ステップＳ４０６に進む。

【0069】

ステップＳ４０２に進んだ場合には、学習・推論部８は、ＧＣＮ構成管理部５から通知された学習データが新規機能であるか否かを判定する。新規機能と判定した場合にはステップＳ４０３に進み、学習・推論部８は、ＧＣＮを新規追加する。

【0070】

図１３および図１４は、本発明の実施の形態１における学習データの追加例を示した図である。具体的には、図１３および図１４では、ＧＣＮ構成管理部５がＧＣＮ構成用パラメータ情報１を、Ｐ１＝２、Ｐ２＝１００、Ｐ３＝２として、クラスを構成している場合を例示している。

【0071】

図１３の具体例に示したように、管理していないクラス１内のノード数をもつ新規の機能ラベルＡが入力された場合には、学習・推論部８は、ステップＳ４０３で新たなＧＣＮ機能Ａを作成する。学習・推論部８は、新たな機能ラベルＡをもつネットリストをユーザが用意した数だけ繰り返し学習を行う。また、クラス１内の機能は、機能ラベルＡの１つだけであり、学習・推論部８は、上位クラスであるクラス２でＧＣＮの自動生成は行わない。

【0072】

次に、管理していないクラス１内のノード数をもつ新規の機能ラベルＢが入力された場合には、学習・推論部８は、ステップＳ４０３で新たなＧＣＮ機能Ｂを作成する。学習・推論部８は、新たな機能ラベルＢをもつネットリストをユーザが用意した数だけ繰り返し学習を行う。また、クラス１内の機能は、機能ラベルＡ、Ｂの２つとなり、学習・推論部８は、上位クラスであるクラス２で組み合わせ機能ラベルＡＢを持つＧＣＮの自動生成を行う。

【0073】

このように、学習・推論部８は、ユーザが用意した機能ラベルＡ、機能ラベルＢの学習データから、新たな行列を作成し、繰り返し学習を行う。図１５は、本発明の実施の形態１における学習・推論部８による学習用行列自動生成の例を示した図である。学習・推論部８は、ネットリスト行列変換部７で作成された機能ラベルＡ、機能ラベルＢの行列のうち、機能ラベルＢのノード番号ｎＢ０～ｎＢ９９を、ｎＡＢ１００～ｎＡＢ１９９に変換して、各行列を作成する。

【0074】

図１４の具体例において、ＧＣＮ構成管理部５が管理していない新規の機能ラベルＣが入力された場合には、学習・推論部８は、ステップＳ４０３で新たなＧＣＮ機能Ｃを作成する。学習・推論部８は、新たな機能ラベルＣをもつネットリストをユーザが用意した数だけ繰り返し学習を行う。また、クラス１内の機能は、機能ラベルＡ、Ｂ、Ｃの３つとなり、学習・推論部８は、上位クラスであるクラス２で組み合わせ機能ラベルＡＣ、ＢＣを持つＧＣＮの自動生成を行う。

【0075】

学習・推論部８は、ステップＳ４０３でＧＣＮを新規追加した後には、ステップＳ４０４において、追加したＧＣＮの機能ラベル情報をＧＣＮ構成管理部５へ通知する。

【0076】

また、先のステップＳ４０２において、既存ラベルへの学習指示であると判定した場合には、ステップＳ４０５に進み、学習・推論部８は、追加のＧＣＮの学習を実施する。

【0077】

また、先のステップＳ４０１において、推論指示であると判定した場合には、ステップＳ４０６に進み、学習・推論部８は、ＧＣＮ構成管理部５から通知された推論用のＧＣＮを用意する。

【0078】

先の図３に示したように、ＧＣＮ構成管理部５は、クラスごとにＧＣＮを２分木構成として管理している。そして、ステップＳ４０６において、学習・推論部８は、２分木の頂点のＧＣＮの機能ラベルのあり／なしを選択する。

【0079】

次に、ステップＳ４０７において、２分木の頂点のＧＣＮの機能ラベルがあると判定した場合には、ステップＳ４０９に進み、学習・推論部８は、判定に用いたＧＣＮの機能ラベルを推論結果として出力する。

【0080】

一方、ステップＳ４０７において、２分木の頂点のＧＣＮの機能ラベルがないと判定した場合には、ステップＳ４０８に進み、学習・推論部８は、ＧＣＮの更新可否の判定を行う。ステップＳ４００で取得したＧＣＮの２分木構成で、一階層下のＧＣＮがある場合には、学習・推論部８は、ＧＣＮ更新可能と判断し、ステップＳ４０６に戻り、ＧＣＮを更新する。

【0081】

一方、ステップＳ４００で取得したＧＣＮの２分木構成で、更新する下位階層のＧＣＮが存在しない場合には、学習・推論部８は、ＧＣＮ更新不可と判断し、ステップＳ４０９に進み、判定に用いたＧＣＮの機能ラベルを推論結果として出力する。

【0082】

以上のように、実施の形態１によれば、ＮＮの一種であるＧｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ（ＧＣＮ）を用いて機能推定が行われる。この手法で取り扱うグラフとは、ノード、エッジ、重みなどで構成されているグラフ理論に基づくデータ構造のことである。インターネット、交通網、ＳＮＳのつながりといった身近にある様々のものが、このようなデータ構造の例として挙げられる。

【0083】

ＧＣＮでは、そのようなグラフに対してノードおよびエッジの接続関係による畳み込み演算を用いてＮＮを構築し、グラフの特徴量を抽出することで、グラフの分類を行っている。先行技術文献では、ノード毎の特徴量を抽出し、抽出した特徴量をノードの分類のために用いている。

【0084】

これに対して、本実施の形態１は、抽出した特徴量をグラフ全体で１つの機能を持つネットリストへ適用し、学習した機能があるかないかの判定を行う。これらのＧＣＮを機能の判別器として２分木構成とすることで、未学習機能の抽出が可能となる。これにより、未学習機能の誤分類が抑制される。

【0085】

さらに、本実施の形態１は、ネットリストの回路規模によるクラス分けを行い、それぞれのクラスでＧＣＮを管理する。これにより、回路規模の小さいクラスの機能を組み合わせて、上位クラスのＧＣＮを自動生成でき、組み合わせ機能の判定候補として利用可能となる。また、推論時において判定対象とするＧＣＮを選別可能となるため、効率化も図ることができる。

【0086】

実施の形態２．
先の実施の形態では、グラフ構造を畳み込んだネットワークであるＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出するために、コンピュータ上で実行される機能推定方法、機能推定装置、および機能推定プログラムについて説明した。

【0087】

これに対して、本実施の形態２では、ＧＣＮの代わりに、Ｒ－ＧＣＮを用いて、ＬＳＩの論理設計で使用されるネットリストに実装されている機能を抽出するために、コンピュータ上で実行される機能推定方法、機能推定装置、および機能推定プログラムについて説明する。

【0088】

まず、ＧＣＮとＲ－ＧＣＮとの違いについて、図１６および図１７を用いて説明する。図１６は、本発明の実施の形態１ですでに説明したＧＣＮによる、ノードとノードの接続関係を表すためのグラフ表現および隣接行列を示した図である。一方、図１７は、本発明の実施の形態２で説明するＲ－ＧＣＮによる、ノードとノードの接続関係を表すためのグラフ表現および隣接行列を示した図である。

【0089】

図１６および図１７では、ノードとして、ｎ０～ｎ４の５つを用いた場合の接続関係が例示されている。先の実施の形態１で説明したＧＣＮでは、図１６（ａ）に示すように、ネットリストの入出力関係が保持されない無向グラフを使用している。すなわち、ＧＣＮでは、どのノードと、どのノードとが接続されているかは表現されているが、どのノードからどのノードに対して信号が出力されるかを示す入出力関係の情報までは、表現されていなかった。

【0090】

従って、図１６（ａ）に示したＧＣＮでのグラフ表現に対応する隣接行列Ａは、図１６（ｂ）に示すように、各ノード間で接続関係を有する場合が１、接続関係を有さない場合が０として、表現されていた。

【0091】

これに対して、本実施の形態２で説明するＲ－ＧＣＮでは、図１７（ａ）に示すように、ネットリストの入出力関係を保持した有向グラフを使用している。すなわち、Ｒ－ＧＣＮでは、どのノードと、どのノードとが接続されているかが表現されているとともに、どのノードからどのノードに対して信号が出力されるかを示す入出力関係の情報も、矢印として表現されている。

【0092】

従って、図１７（ａ）に示したＲ－ＧＣＮでのグラフ表現に対応する隣接行列Ａは、図１７（ｂ）に示した隣接行列（入力側）Ａｉｎ、図１７（ｃ）に示した隣接行列（自分）Ａｏｗｎ、および図１７（ｄ）に示した隣接行列（出力側）Ａｏｕｔ、の３種類を用いて表現できる。

【0093】

換言すると、本実施の形態２では、ネットリスト内の各ノードにおける接続関係および入出力関係を表現する３種の隣接行列として、各ノードにおけるノード間の入力に関する接続関係を示す第１の隣接行列Ａｉｎと、各ノードを要素とする単位行列を示す第２の隣接行列Ａｏｗｎと、各ノードにおけるノード間の出力に関する接続関係を示す第３の隣接行列Ａｏｕｔとから構成される。

【0094】

図１７（ｂ）に示した第１の隣接行列に相当する隣接行列（入力側）Ａｉｎでは、行側が入力側のノードを示しており、列側が出力側のノードを示しており、各ノード間で入力関係を有する場合が１、入力関係を有さない場合が０として表現されている。例えば、ノードｎ１に着目すると、ノードｎ０からの信号を受け取るため、隣接行列（入力側）Ａｉｎにおける２行１列目の要素が「１」となっている。

【0095】

また、図１７（ｃ）に示した第２の隣接行列に相当する隣接行列（自分）Ａｏｗｎでは、行と列の同じノードの要素が「１」となる単位行列となっている。

【0096】

さらに、図１７（ｄ）に示した第３の隣接行列に相当する隣接行列（出力側）Ａｏｕｔでは、行側が出力側のノードを示しており、列側が入力側のノードを示しており、各ノード間で出力関係を有する場合が１、出力関係を有さない場合が０として表現されている。例えば、ノードｎ０に着目すると、ノードｎ１へ信号を出力するため、隣接行列（出力側）Ａｏｕｔにおける１行２列目の要素が「１」となっている。

【0097】

このように、ＧＣＮにおける１つの隣接行列Ａを用いた場合には、ノード間の接続関係のみの情報が得られ、入出力関係の情報までは得られなかった。従って、図１６（ａ）、図１６（ｂ）からも明らかなように、例えば、ノードｎ０とノードｎ１とが接続されている情報は得られるものの、ノードｎ０からノードｎ１への信号であるか、ノードｎ１からノードｎ０への信号であるかの情報までは得ることができない。

【0098】

換言すると、ノードｎ０からノードｎ１へ信号が出力されている場合と、ノードｎ１からノードｎ０へ信号が出力されている場合とで、両方とも同一のグラフ表現、および同一の隣接行列Ａが得られてしまい、両者を区別することはできなかった。

【0099】

これに対して、Ｒ－ＧＣＮにおける３つの隣接行列（入力）Ａｉｎ、隣接行列（自分）Ａｏｗｎ、および隣接行列（出力側）Ａｏｕｔを用いた場合には、ノード間の接続関係の情報とともに、入出力関係の情報まで得られる。

【0100】

従って、図１７（ａ）～図１７（ｄ）からも明らかなように、例えば、ノードｎ０とノードｎ１とが接続されている情報とともに、ノードｎ０からノードｎ１へ信号が出力されている情報も、得ることができる。

【0101】

換言すると、ノードｎ０からノードｎ１へ信号が出力されている場合と、ノードｎ１からノードｎ０へ信号が出力されている場合とで、グラフ表現、および３種の隣接行列により、両者を区別することが可能となる。このため，Ｒ－ＧＣＮを用いることで、ＧＣＮを用いる場合と比較して、より汎用的かつ高精度の機能推定を実現することが可能となる。

【0102】

本実施の形態２における機能推定装置の構成は、ＧＣＮを用いる場合の、先の実施の形態１における図１で説明した構成と基本的には変わらない。ただし、本実施の形態２におけるネットリスト行列変換部７の処理は、図１６に示したような１種の隣接行列Ａを生成する代わりに、図１７に示したような３種の隣接行列（入力）Ａｉｎ、隣接行列（自分）Ａｏｗｎ、および隣接行列（出力側）Ａｏｕｔを生成する点で相違している。

【0103】

そこで、本実施の形態２におけるネットリスト行列変換部７の処理の流れについて、次に説明する。図１８は、本発明の実施の形態２におけるネットリスト行列変換部７で実行される一連処理を示したフローチャートである。

【0104】

図１８に示したフローチャートは、先の実施の形態１における図８に示したフローチャートと比較すると、ステップＳ３０１において隣接行列を作成する処理が、３種の隣接行列（入力）Ａｉｎ、隣接行列（自分）Ａｏｗｎ、および隣接行列（出力側）Ａｏｕｔを生成するように変更されている。そこで、変更されているステップＳ３０１の処理を中心に、以下に説明する。

【0105】

本実施の形態２におけるステップＳ３０１は、３つのステップＳ３０１－１、Ｓ３０１－２、Ｓ３０１－３として構成されている。ネットリスト行列変換部７は、ステップＳ３００で特徴ベクトル行列Ｘを作成した後、ステップＳ３０１－１において、ノード数クラスタリング部６から通知されたクラスの最大ノード数を行および列として、隣接行列（入力）Ａｉｎを作成する。

【0106】

次に、ネットリスト行列変換部７は、ステップＳ３０１－２において、ノード数クラスタリング部６から通知されたクラスの最大ノード数を行および列として、隣接行列（自分）Ａｏｗｎを作成する。

【0107】

さらに、ネットリスト行列変換部７は、ステップＳ３０１－３において、ノード数クラスタリング部６から通知されたクラスの最大ノード数を行および列として、隣接行列（出力）Ａｏｕｔを作成する。

【0108】

その後、ネットリスト行列変換部７は、ステップＳ３０２、ステップＳ３０３の処理を実行する。

【0109】

以上のように、実施の形態２によれば、ＮＮの一種であるＲｅｌａｔｉｏｎａｌ Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ（Ｒ－ＧＣＮ）を用いて機能推定が行われる。この手法で取り扱うグラフとは、ＧＣＮを用いて機能推定が行われる先の実施の形態１と同様に、ノード、エッジ、重みなどで構成されているグラフ理論に基づくデータ構造のことである。インターネット、交通網、ＳＮＳのつながりといった身近にある様々のものが、このようなデータ構造の例として挙げられる。

【0110】

Ｒ－ＧＣＮでは、そのようなグラフに対してノードおよびエッジの接続関係による畳み込み演算を用いてＮＮを構築するとともに、ノード間の入出力関係を考慮したグラフの特徴量を抽出することで、グラフの分類を行っている。先行技術文献では、ノード毎の特徴量を抽出し、抽出した特徴量をノードの分類のために用いている。

【0111】

これに対して、本実施の形態２は、抽出した特徴量をグラフ全体で１つの機能を持つネットリストへ適用し、学習した機能があるかないかの判定を行う。これらのＲ－ＧＣＮを機能の判別器として２分木構成とすることで、未学習機能の抽出が可能となる。これにより、未学習機能の誤分類が抑制される。

【0112】

さらに、本実施の形態２は、ネットリストの回路規模によるクラス分けを行い、それぞれのクラスでＲ－ＧＣＮを管理する。これにより、回路規模の小さいクラスの機能を組み合わせて、上位クラスのＲ－ＧＣＮを自動生成でき、組み合わせ機能の判定候補として利用可能となる。また、推論時において判定対象とするＲ－ＧＣＮを選別可能となるため、効率化も図ることができる。

【0113】

さらに、本実施の形態２は、Ｒ－ＧＣＮを用いることで、有向グラフ表現、および３種の隣接行列に基づく機能推定が可能となる。この結果、ＧＣＮを用いる場合と比較して、より汎用的かつ高精度の機能推定を実現することが可能となる。

【符号の説明】

【0114】

１ ＧＣＮ構成用パラメータ情報、２ ネットリスト、３ 機能ラベル情報、４ スタンダードセル情報、５ ＧＣＮ構成管理部（管理工程、管理部、管理手段）、６ ノード数クラスタリング部（クラスタリング工程、クラスタリング部、クラスタリング手段）、７ ネットリスト行列変換部（変換工程、変換部、変換手段）、８ 学習・推論部（学習・推論工程、学習・推論手段）、９ 推論結果、１１ 最下位クラス、１２、１３ 上位クラス。

【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】