11月22日 LIVE受講 / 11月23日～11月28日 録画受講
［Webinar/KIT/data］
AI×回路/電磁界シミュレーション 基板設計スピード最適化実習

機械学習の基本から，配線条件の予測，波形からの回路構成推定，Linuxによるデータ処理まで

• 講師：池田 浩昭（日本航空電子工業株式会社）
• 企画制作・主催：ZEPエンジニアリング株式会社

お申込み

下記スケジュール表の受講するボタンを押すと，セミナの購入ページに移動しますので，支払い手続きを行ってください．

ご購入前にご理解いただきたいこと

1. 「コースA：フルキット実習」には，Raspberry Pi 5 / 8GB，実習環境書き込み済SDなどを含むすべての部材が付属します．
2. Raspberry Pi 5 / 8GB以上をお持ちの方，または準備可能な方は，「コースB：データ実習」がおすすめです
3. 本セミナに申し込んだ方は，見逃し配信による受講も可能です．
4. 実習キットは講演の10日前までに，講義テキストは講演の3日前までにメールにて送付予定です．
5. ウェビナ終了後，録画を再編集したキット付きVODを発売予定．発売日：2026年1月中，予価：約50,000円
6. 講義テキスト，ソースコード類は1人1ライセンスとなります．
7. セミナの映像，画像，文書テキスト，ソースコードは，著作権法により厳格に保護されています．無許可の転載，複製，転用は禁止されており，法律により罰せられる場合があります．

本セミナで配布する実習キット

1. Raspberry Pi 5 / 8GB
2. microHDMI-HDMI変換ケーブル
3. 5.1V 5A ACアダプタ
4. ケース＆ヒートシンク＆ファン
5. 環境設定済みマイクロSDカード(128GB)

学ぶこと

あらまし

本セミナでは，Linux環境下でAIを活用した配線設計の最適化手法を学びます．例として回路シミュレータを用いてゼロから訓練データを作成し，AI設計に必要な一連の工程を実践的に体験します．

データ処理には，Unix/Linuxのシェルスクリプトを使用します．必要なPythonスクリプト，訓練/テスト・データ，学習済みモデル，回路シミュレータはすべて事前にセットアップ済みのため，Raspberry Pi 5 に設置すれば面倒な環境構築は不要で，すぐに実習を始められます．なお，Windows環境でも，Windows Subsystem for Linux 2（WSL2）やCygwinを導入すれば同様の処理が可能です．

まず，機械学習の基礎として差動線路の配線条件（配線幅・間隔・絶縁層厚み）から奇モード・インピーダンス (Zodd) と偶モード・インピーダンス (Zeven) を予測します． 次に，所望のZodd・Zevenに一致する配線条件を機械学習で導出します．これは「逆問題」と呼ばれ，目標のインピーダンスに対応する配線条件を一発で求めることが可能です．

使用する機械学習アルゴリズムは，初学者でも扱いやすいランダム・フォレスト（RF）と，深層学習の基礎となるニューラル・ネットワーク（NN）です．NNは簡便に記述できるKeras（TensorFlow API）を用います．

さらに，差動配線が3本ある場合の12ポートのSパラメータを物理情報から予測し，RFやNNを用いて学習します．このAIを活用して，目的の反射損失・挿入損失・クロストークを満たす配線条件の導出も行います．

最後に，TDR波形から回路構成を予測するAIモデルを作成します．Qucs-Sを使って回路モデルを生成し，NGSPICEでTDR波形を計算します．その計算結果を訓練データとして整理し，AIモデルを学習・推論させるところまで一通り実習します．

アジェンダ

(1) 機械学習とは

• 機械学習の概要
• 機械学習と従来の計算処理の違い
• 機械学習の分類
• 機械学習のアルゴリズムの説明
• 機械学習の実例（プリント基板の配線情報から放射電界を予測）

(2) 機械学習の応用事例（座学）

• 差動線路のZoddとZevenを配線情報から予測（順問題・回帰）
• 目的のZodd・Zevenになる差動線路の配線情報を予測（逆問題・回帰）
• 3組の差動線路のSパラメータを配線情報から予測（順問題・回帰）
  - 上記3つではランダム・フォレスト，ニューラル・ネットワークを利用
• 3組の差動線路の特性を最適化（最適化問題）
  - 遺伝的アルゴリズムを利用
• TDR波形から回路構成を予測（分類）
  - ニューラル・ネットワーク，1次元畳み込みニューラル・ネットワーク
• 近傍電磁界を分類（クラスタリング）
  - K-meansを利用

(3) 機械学習の応用事例（実習）

• Raspberry Pi5の使い方
• 差動線路のZoddとZevenを配線情報から予測（順問題・回帰）
• 目的のZodd・Zevenになる差動線路の配線情報を予測（逆問題・回帰）
• 3組の差動線路のSパラメータを配線情報から予測（順問題・回帰）
• 3組の差動線路の特性を最適化（最適化問題）
• TDR波形から回路構成を予測（分類）

(4) 機械学習に必要な環境

• Pythonの基本ツール（pandas, matplotlib, numpy, scikit-learn, TensorFlow, scikit-rf）
• Unix/Linuxのシェルスクリプト（mv, ls, find, grep, sed, for文, if文）
• Gnuplotによるグラフ表示・一括処理
• Awkによる多数ファイル・データ処理

(5) データ処理（実習）

• 訓練データを作るためのデータ処理方法
• TDR波形から回路構成を予測するための訓練データ作成
• Qucs-Sを使ったネットリスト生成
• パラメータ変更による多数のネットリスト生成
• NGSPICEでのシミュレーション
• TDR波形データの整形と訓練・テスト・データ作成

受講対象者

• プリント基板や高周波回路の設計に関わるエンジニア
• 設計効率や自動化に関心のあるエンジニア
• AIモデルを活用して設計の最適化や自動化を行いたい方
• 学生・研究者でAIを回路設計に応用したい方
• 回路シミュレーションやTDR解析を用いたデータ生成・分析に興味のある方
• 実習でのスクリプト操作やデータ処理に抵抗のない方

あると望ましい予備知識

• Unix/Linuxのシェルスクリプト
• Pythonの基礎知識

講演の目標

• AIの利用方法が身につく
• AIを使った設計最適化が可能になる
• AIのアルゴリズムを理解できる
• AIのための訓練データをゼロから作成できるようになる
• Unix/Linuxを使った膨大なデータ処理技術が身につく
• Pythonの基礎知識が身につく
• Raspberry Pi5をLinuxマシーンとして利用できるようになる

受講者が用意するもの

• Raspberry Pi（Pi5推奨）
• リモート接続ソフト（例: RealVNC Viewer for Windows）
  ダウンロードはこちら

講師紹介

略歴

• 1994年　東京農工大 電気電子工学科卒
• 1994年　日本航空電子工業株式会社入社．プリント基板設計，シグナル・インティグリティのシミュレーション業務に従事後，USB-IF，PCI-SIG，VESAなどでコネクタの高速伝送規格化活動に携わりながら，ノイズ対策業務を行っている．iNARTE認定EMCエンジニア，EMCマスタ・デザイン・エンジニア

VOD教材［視聴無制限］

1. ［VOD/Book/data］AI×電磁界シミュレータによる高速&RF回路基板 スピード設計

主な著書

1. ［Book/PDF］デシベルから始めるプリント基板EMC 即答200，ZEPエンジニアリング．
2. USB Type-Cのすべて，CQ出版社．
3. USB3.2のすべて，CQ出版社
4. 8K映像/USB3.1対応!ケーブル＆コネクタ 10Gbps伝送技術，CQ出版社
5. 電子回路シミュレータLTspice設計事例大全，CQ出版社

参考URL

Jae-Groupチャンネルにて下記の動画を公開中

• 「放射ノイズの発生メカニズム-基礎編」
• 「ケーブル，コネクタの放射ノイズ対策事例-実践編」