第1回 AI活用のススメ

著者：EMC エンジニア　　企画・編集：ZEPエンジニアリング

● 高度かつ短期！今どきの電子機器開発はAIで乗りきる

品質の高いディジタル電子機器を設計するためには、伝送信号のひずみを抑えるSI対策（Signal Integrity）や電磁波ノイズに対する耐性強化策“EMC”が重要です。
最近は、コスト低減や軽薄短小化が求められることが増えているため、シールドやフィルタを安易に追加することはできません。プリント基板の配線技術だけで解決したいところです。

図1　AIで高品質なプリント基板を短期開発

高品質な基板設計において考慮すべきパラメータは、配線の長さ、幅、間隔、層構成などさまざまです。これまでは一部の熟練技術者が、これらの条件をバランスをとり最適化してきました。しかし経験や職人技では、最近の高度な電子機器の短期開発は難しくなりました。
そこで本稿ではAIの利用を提案します。
AIの実体は、コンピュータ上で動作するソフトウェアです。一般的なソフトウェアと大きく異なる点は、計算方法や判断基準を人間が定義するのでなく、コンピュータがデータから学習する点です（図1）。

● シミュレータで学習データを用意してトレーニング

AIは、TensorFlowやPyTorchといったソフトウェア・パッケージを使えば、誰でも簡単に利用できます。課題は、AIを学習する訓練データをどうやって準備するか、ということです（図2）。AIのアルゴリズムや予測対象にもよりますが、一般的には、数百～数万程度のデータが必要です。基板設計に必要な訓練データはインターネットにはあるはずもなく、自前で準備する必要があります。

図2　通常の計算処理と機械学習処理（回帰問題）

もし信号がひずまない配線を自動設計したければ、配線レイアウトと波形という訓練データを大量に用意して、AIを学習させなければなりません。この訓練データは、実験で求めるしかありません。実験は費用も手間もかかるので、集めることができる訓練データはせいぜい数十パターンでしょう。回路シミュレーションなら、たくさんの訓練データを短時間で用意し、AIをトレーニングすることができます。
基板設計者は、何十回もシミュレーションを繰り返して、配線レイアウトを最適化します。回路シミュレータに習得したベテラン設計者でも、制約条件を満たす設計値が見つけられらないことがあります。AIなら、配線パラメータの最適値が瞬時に導き出せます。また、設計者は、回路シミュレータの使い方を学ぶ必要もありません。

● 本連載の流れ

下記のとおり本シリーズでは、AIの基本から、EMCやSI（Signal Integrity）/PI（Power Integrity）に使えるAI用の訓練データの準備について解説します。具体的な事例として、配線情報から$S$パラメータを予測や目標とする規格値を満たす配線条件をAIで求めます。

第1話　AIの復習
第2話　基板設計に相応しい機械学習アルゴリズム
第3話　AIアルゴリズムと予測精度と時間
第4話　最適な差動配線を機械学習で設計する

■ 今さら聞けない！AIの復習から

● 誰でも最新のAIを利用できる時代

ChatGPT に代表されるように、AI（Artificial Intelligence）は急速に進歩しています。ChatGPTでは、自然言語で質問に対する回答が得られるだけでなく、画像やプログラムのソースコード生成が行え、データ分析も可能となりました。データサイエンティストやプログラマが要らなくなりそうな勢いです。
AIはすでに訓練が完了したものを利用する以外に、独自に機械（コンピュータ）を訓練（学習）することで、ChatGPTでも答えられないような難問を解くことが可能です。幸いにも、機械を訓練するアルゴリズムは広く公開されているだけでなく、誰でも利用できるように、モジュールで公開されています。これらのモジュールを読み込めば、最新のAI技術を簡単に利用できます。我々が準備するのは、訓練に必要なデータだけになります。何回かに分けて、実際に機械を訓練して設計に生かすところまで解説します。
ここでは、AIやディープ・ラーニング、機械学習とは何かを簡単に説明します。

● AI、機械学習、ディープ・ラーニング（深層学習）の位置づけ

今や、AIや生成AI等の文言を耳にしない日はありません。機械学習やディープ・ラーニングという言葉もたくさん耳にしてきました。
AIは人工知能とも言われますので、イメージとしては、人間のような知能を指すことは、容易に想像できると思います。実際にChatGPTは自然言語の指示で、プログラミングや画像生成、データ処理が可能で、まるで、人間相手に通常の言葉で指示を出せば、仕事をこなするので、人工知能と言っても差し支えありません。

図3　機械学習、ディープ・ラーニング（深層学習）の関係

機械学習やディープ・ラーニングは、AIと異なるのでしょうか？
さまざまな定義がありますが、図3 に示すようにAIを構成する要素として機械学習があり、その機械学習の一分野がディープ・ラーニングとなっています。
AIは、人が書いた文章（自然言語）をあたかも理解したように受け答えしますが、その中身は実は機械学習で構成されます。機械学習とは、多数のデータで機械を訓練することにより、画像データの分類や物理形状から応力や電磁界の予測を可能にします。後述しますが、それぞれ分類問題、回帰問題と言われます。

● 機械学習と通常の計算処理の違い

図4 に示す特性インピーダンスを計算する事例を、機械学習と通常の計算処理で比較してみます。

図4　通常の計算処理と機械学習（回帰問題）

通常の計算処理では、特性インピーダンスの計算式を定義して計算するか、偏微分方程式を数値解析で解きます。つまり、計算方法は、人間が定義する必要があります。
一方、機械学習は、計算方法の定義は不要で、入出力データを使い、コンピュータ（機械）を訓練します。これは、入力データから出力データが得られるように、内部の係数を調整する作業になります。図4 に示すように、機械学習のアルゴリズムは複数あります。ランダム・フォレストや勾配ブースティングは決定木を使ったアルゴリズムで訓練時間がニューラル・ネットワークと比較すると非常に短時間で完了します。ニューラル・ネットワークは、訓練時間が必要ですが、画像認識や自動運転、ChatGPTで使われる自然言語処理にも使われ、応用範囲が非常に広いです。
機械学習では、計算方法の定義や処理の記述は不要ですが、データを使って、機械を訓練する必要があります。また、訓練に必要なデータ数はアルゴリズムによりますが、最低でも数百～数千は必要です。また、機械を訓練後、未知データに対して上手く予測できるかを確認するためのテスト用のデータの準備も必要です。

項目	通常の計算	機械学習
計算方法の定義	定義が必要	定義は不要
複雑な物理現象	数値解析が必要	訓練データがあれば、物理的なメカニズムが分からなくても計算可能
計算時間	数値解析では時間がかかる	1秒以下の僅かな時間で計算可能
計算精度	物理方程式が成り立つ範囲であれば高精度	概ね正確であるが、外すこともある
短所	•物理現象が分からないと計算できない •数値解析は時間がかかる	•入出力データの関係がブラックボックス •答えが外れる事がある •多数の訓練データと訓練時間がかかる
長所	物理方程式が分かれば、数値解析を使って高精度に計算可能	物理現象が不明でも、入出力データがあり、機械を訓練できれば、どのような問題でも解ける

表1 計算処理と機械学習

しかし、一度、機械を訓練すれば、1秒未満の短時間で計算結果が得られます。したがって、数値解析の代替手段（代理モデルやサロゲート・モデル）としても利用でき、設計最適化にも利用できます。
表1 に通常の計算処理と機械学習に違いをまとめました。
通常の計算方法の長所は物理方程式がわかれば、高精度に計算できますが、逆に物理方程式がわかないと解けない事です。また、一般的に数値解析は計算時間がかかります。一方、機械学習は訓練データさえ準備できれば、物理方程式がわからなくも、計算可能な事です。これは、非常に重要な事であり、物理現象に限らず、社会現象（注；株価の変動や商品の売れ行き）の予測に利用でき、さまざまな現象の予測が可能になります。しかし、多数の訓練データが必要であり、アルゴリズムによりますが、訓練時間がかかります。また、予測が外れることもあります。