畳み込みニューラルネットワーク（CNN）

マイクロ波工学やRFレイアウト設計において、畳み込みニューラルネットワーク（CNN）の導入は非常に強力なアプローチとなっています。

CNNといえば、一般的には画像認識（自動運転の物体検知や顔認証など）のイメージが強いですが、高周波の世界では「2次元の基板パターン（レイアウト）や3ディング構造を、一種の『画像』として捉える」ことで、その真価を発揮します。

具体的にマイクロ波工学においてCNNがどのように活用され、なぜ有効なのか、その仕組みと応用について深掘りします。

1. なぜマイクロ波工学でCNNなのか？

従来のサロゲートモデル（代替えモデル）では、基板の寸法を「ライン幅 W = 0.2 mm、ギャップ G = 0.1 mm」といった数値パラメータ（ベクトル）として入力し、多層パーセプトロン（MLP）などで処理するのが一般的でした。

しかし、実際の高周波レイアウトでは、以下のような問題が発生します。

• 構造が複雑になると、入力すべき寸法パラメータの数が爆発的に増える。

• 異形パターン（不連続部、曲線、角の面取りなど）を数値だけで表現するのが難しい。

• 空間的な近接効果（電磁界的な結合やクロスストーク）を数値パラメータだけではニューラルネットワークが直感的に理解しにくい。

CNNは、二次元の「ピクセルデータ」や「バイナリマスク（銅箔がある場所を1、ない場所を0とした画像）」をそのまま入力として受け取ります。これにより、構造の「形状」や「空間的な位置関係（電磁界の結合）」を、人間が目で見て直感的に判断するように、特徴量として直接抽出できるのが最大の強みです。

2. マイクロ波領域におけるCNNの主な応用例

① レイアウト（GDSII / Gerber）からの電磁界特性・Sパラメータの直接予測

これが最も活発に研究・実用化されている例です。

• アプローチ: マイクロストリップ線路のフィルタ、カプラ、またはアンテナのレイアウト画像（または積層構造を含めたテンソルデータ）をCNNに入力します。

• 出力: 周波数特性（S11, S21 などのSパラメータの振幅・位相）をダイレクトに出力させます。

• 効果: 通常ならHFSSやCSTなどのフルウェーブ電磁界シミュレータで数分〜数十分かかる計算を、CNNのフォワード処理により数ミリ秒〜数十ミリ秒で一瞬にして予測します。

② 二次元面内における電界・磁界分布（熱分布）の予測

Sパラメータのような「ポートごとの結果」だけでなく、基板上のどこに電磁界が集中しているかを可視化するタスク（画像から画像への変換）です。

• アプローチ: U-Net や Pix2Pix（CCUの一種であるGANの派生）といった、入力画像と同じサイズの画像を出力するCNNアーキテクチャを使用します。

• 出力: 特定の周波数における電界強度分布（E-field map）や電流密度分布を「ヒートマップ画像」として出力します。

• 効果: 結合が強すぎる箇所や、EMC（電磁両立性）上のリスクとなるノイズの放射源を、重いシミュレーションを回す前に視覚的に特定できます。

③ 自動回路トポロジー生成とインバースデザイン（逆設計）

「こういうSパラメータ特性を持つフィルタが欲しい」という仕様から、逆にパターン形状を生成するタスクです。

• アプローチ: 転置畳み込み（Deconvolution）や生成AI（GAN、拡散モデル）を組み合わせます。

• 動作: 目標とする周波数特性を入力すると、それを満たすような変な形をした（しかし特性は完璧な）マイクロストリップラインの形状（画像）をAIが自動的に描画します。

3. 基本的なデータ処理の流れ

CNNをマイクロ波設計に組み込む際の標準的なパイプラインは以下の通りです。

【データ準備】             【CNNモデル】            【出力・評価】
 幾何構造 (GDSII)                                    
       │                                             
       ▼                                             
 画像化 (Pixel/Grid) ───►  畳み込み層 (Conv2D)  ───►  Sパラメータ (1Dベクトル)
 (例: 128x128 チャンネル)   (空間特徴・電磁結合の抽出)   または
                                                     電界分布マップ (2D画像)

1. ピクセル化（グリッド分割）:

   設計領域を例えば 128 x 128 や 256 x 256 のメッシュに区切ります。メタル（銅箔）があるピクセルを 1、基板（誘電体）を 0 としたバイナリ画像を作ります。多層基板の場合は、層ごとにチャンネル（RGB画像のアナログ）を増やします。

2. 畳み込み（Convolution）による特徴抽出:

   小さなカーネル（フィルターマトリクス）が画像上をスライドしながら、ラインの「エッジ（端部）」、「角（コーナー）」、そして「ライン同士のギャップ（近接部）」といった高周波特性を左右する重要ポイントを自動的に抽出します。

3. 回帰（Regression）出力:

   最終層に全結合層（Linear層）を配置し、周波数ごとのSパラメータのリアル値・イマジナリ値（またはdB値・位相）を出力します。

4. CNNをマイクロ波に適用する上での固有の課題

画像認識向けの一般的なCNN（ResNetなど）をそのまま流用すると、高周波ならではの物理現象により上手くいかないケースがあり、以下のような工夫がなされています。

• 解像度と局所的な変化への敏感さ:

  画像認識では「猫の耳が1ピクセルずれても猫」ですが、マイクロ波では「ライン幅やギャップが1ピクセル（数μm）変わるだけで共振周波数がズレる」という極めて高い敏感さを持っています。そのため、解像度を高く保つか、座標情報を明示的に埋め込む（CoordConvなど）工夫が必要です。

• 周波数という「もう一つの次元」の扱い:

  構造（画像）は固定ですが、応答は周波数ごとに変化します。これを処理するために、画像入力とは別に「周波数」を数値としてネットワークの途中に注入（インジェクション）するか、あるいは全周波数ポイントを一度にマルチ出力する設計にします。

• Physics-Informed（物理制約）の導入:

  CNNの出力が、受動回路の基本である「受動性（入力以上のエネルギーが出ない S11² + S21² ≦ 1）」や「可逆性（S21 = S12）」を満たすよう、損失関数（Loss）にペナルティ項を追加して、物理的に正しい予測を強制するトレンドが主流です。