■ はじめに
前回記事では、SHAP上位パラメータに対するマルチスイープ結果を追加し、学習済みサロゲートモデルを用いて Optuna による最適定数探索を行いました。
本記事では、その 最適定数を用いてADSシミュレーションを実施し、モデル予測値との比較・評価 を行います。
■ モデル予測値とADS結果との比較
まず、設計目標を以下に再掲します。
【設計目標】
- ゲイン:400Mver と同程度 (約5 〜 12 dB)
- イメージ抑圧:50 dB以上
【結果】
モデルが予測した最適定数を用いてADSシミュレーションを行った結果を以下に示します。
モデル予測値と ADS 結果の間で、最大約 2.5 dBのゲイン差が確認されました。 ただし、部品公差や実装ばらつきによって数dB程度の特性変動が生じることは一般的であり、実用上は許容範囲内 と判断できます。また、目標仕様であるイメージ抑圧50 dB以上を満たしており、設計初期段階における探索初期解としては十分に有効 であると考えられます。
さらに、本結果は 17部品中わずか3部品のみの変更 で得られたものであり、その点を踏まえても妥当な性能が得られていると言えるでしょう。
■ サロゲートモデルに対する考察
今回のPoCでは、BPF を 広帯域探索ではなく、狭い周波数範囲での展開 をゴールとして設定しました。そのため、モデル予測値とADS結果の誤差を比較的小さく抑えられた可能性があります。
一方で、本モデルには以下のような点については、今後の改善余地が考えられます。
● モデル側の要因
- 各部品を単独で0.25〜50の範囲でスイープしており、各次元単独では探索範囲全体のデータを保持している
- しかし、最適化では 複数部品の同時変化 を要求しているため、学習データ分布から外れた 外挿領域 を含んでいる [1]
- ただし、本データセットは物理法則に基づいて生成されているため、外挿であっても一定の予測精度が維持されていると考えられる
● ADS側の要因
- 定数を等ステップでスイープしているため、微小な定数変化に対して特性が敏感に変化する領域 を学習データとして十分に反映できていない可能性がある
いずれにせよ、本設計フローでは サロゲートモデルおよび ADS から得られた部品定数を初期値として、最終的には実機での定数微調整を行う ことになります。その意味で、本結果は 探索初期解として十分に有効 であると言えるでしょう。
■ 本設計フロー最大のメリット
本設計フロー最大のメリットは、大きく分けて以下の2点に集約されます。
① 回路に対する知識・経験を必須としない
本 BPF は厳密には、「HPF+二段の直列共振器」、「FETアンプ」、「二段の並列共振器」 から構成されています。通常であれば、どの部品定数を変えるとフィルタ特性がどのように変化するかを理解するために、回路知識と設計経験が必要となります。しかし、本手法では、回路の知識・経験そのものをブラックボックス化 し、機械学習によって最適定数探索を行うことが可能です。
② 多様な回路ブロックへの展開が可能
本設計フローは BPF に限らず、以下のような回路ブロックにも適用可能です。
- BPF / LPF / HPF
- マッチング回路
- LNA
- プリアンプ出力回路
- 電源回路
- 制御回路
トポロジが固定され、設計変数が連続値で表現できる回路であれば、同様のアプローチが適用可能です。
■ まとめ
- サロゲートモデルで予測した 最適定数により、ADS上で目標仕様を達成
- 最大2.5 dBの誤差は 実用上許容可能であり、探索初期解として十分に有効
- 本設計フローは多様な回路ブロックへの展開が期待できる
次回は本シリーズで紹介した設計フローの総括と、今後の展望について解説します。
■ 参考文献
[1] 分析やモデル作成の際に注意すべき「内挿」と「外挿」とは
https://datastudydock.com/polation/
▶ 次の記事:
▶ 前の記事:
