JP7794092B2

JP7794092B2 - アンテナ設計支援装置、学習装置、及びプログラム

Info

Publication number: JP7794092B2
Application number: JP2022135047A
Authority: JP
Inventors: 栄俊石澤
Original assignee: Asahi Glass Co Ltd
Current assignee: AGC Inc
Priority date: 2022-08-26
Filing date: 2022-08-26
Publication date: 2026-01-06
Anticipated expiration: 2042-08-26
Also published as: JP2024031475A; DE102023122206A1

Description

開示の技術は、アンテナ設計支援装置、学習装置、及びプログラムに関する。

従来、アンテナの設計を支援するアンテナ設計支援装置として、アンテナの形状が複数画素で表された画素データとアンテナの性能を示す性能データとのセットを、訓練データとして深層学習された畳み込みニューラルネットワークを用いて、複数の画素データに基づいてアンテナ性能を予測するアンテナ性能予測部を備えた装置、が知られている（特許文献１）。

ＷＯ２０２０／１１０６４９

上記特許文献１では、畳み込みニューラルネットワークを用いてアンテナ性能を予測するものの、より一層、アンテナ性能の予測精度に優れたアンテナ設計支援装置、学習装置、及びプログラムが求められている。

開示の技術は、上記の点に鑑みてなされたものであり、より一層、精度よくアンテナ性能を予測できるアンテナ設計支援装置、学習装置、及びプログラムの提供を目的とする。

本開示の第１態様は、アンテナの設計を支援するアンテナ設計支援装置であって、前記アンテナの形状を表すグラフデータを取得する取得部と、予め学習されたニューラルネットワークを用いて、前記取得部により取得された前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測する予測部と、を含み、前記ニューラルネットワークは、前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測するためのグラフニューラルネットワークである。

本開示の第２態様は、上記第１態様のアンテナ設計支援装置において、前記グラフデータは、前記アンテナの形状の情報を含む特徴量を持つようにしてもよい。

本開示の第３態様は、上記第２態様のアンテナ設計支援装置において、前記グラフデータは、アンテナ線条の端点及び交点を含む各点を表すノードと、接続関係にある端点又は交点間を結ぶ各線条を表すエッジとを含むグラフであって、前記ノードの各々が、各点の位置情報を含む特徴量を持つようにしてもよい。

本開示の第４態様は、上記第２態様のアンテナ設計支援装置において、前記グラフデータは、アンテナ線条の端点及び交点を含む各点を表すエッジと、接続関係にある端点又は交点間を結ぶ各線条を表すノードとを含むグラフであって、前記ノードの各々が、各線条の位置情報を含む特徴量を持つようにしてもよい。

本開示の第５態様は、上記第１態様～第４態様の何れか１態様のアンテナ設計支援装置において、前記アンテナは車両に設けられてもよい。

本開示の第６態様は、上記第５態様のアンテナ設計支援装置において、前記アンテナは、前記車両の窓ガラスに設けられてもよい。

本開示の第７態様は、上記第６態様のアンテナ設計支援装置において、前記アンテナは、前記窓ガラスの主面に設けられる二次元形状のパターンを有してもよい。

本開示の第８態様は、アンテナのアンテナ性能を予測するためのニューラルネットワークを学習する学習装置であって、アンテナ性能が予め求められた前記アンテナの形状を表す複数のグラフデータを取得する取得部と、前記取得部により取得された前記複数のグラフデータと、前記アンテナについて予め求められた前記アンテナ性能とに基づいて、ニューラルネットワークを学習する学習部と、を含み、前記ニューラルネットワークは、前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測するためのグラフニューラルネットワークである。

本開示の第９態様は、上記第８態様の学習装置において、前記グラフデータは、前記アンテナの形状の情報を含む特徴量を持つようにしてもよい。

本開示の第１０態様は、上記第９態様の学習装置において、前記グラフデータは、アンテナ線条の端点及び交点を含む各点を表すノードと、接続関係にある端点又は交点間を結ぶ各線条を表すエッジとを含むグラフであって、前記ノードの各々が、各点の位置情報を含む特徴量を持つようにしてもよい。

本開示の第１１態様は、上記第９態様の学習装置において、前記グラフデータは、アンテナ線条の端点及び交点を含む各点を表すエッジと、接続関係にある端点又は交点間を結ぶ各線条を表すノードとを含むグラフであって、前記ノードの各々が、各線条の位置情報を含む特徴量を持つようにしてもよい。

本開示の第１２態様は、上記第８態様～第１１態様の何れか１態様の学習装置において、前記アンテナは車両に設けられてもよい。

本開示の第１３態様は、アンテナの設計を支援するためのアンテナ設計支援プログラムであって、コンピュータを、前記アンテナの形状を表すグラフデータを取得する取得部、及び予め学習されたニューラルネットワークを用いて、前記取得部により取得された前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測する予測部として機能させるためのアンテナ設計支援プログラムであり、前記ニューラルネットワークは、前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測するためのグラフニューラルネットワークである。

本開示の第１４態様は、アンテナのアンテナ性能を予測するためのニューラルネットワークを学習するための学習プログラムであって、コンピュータを、アンテナ性能が予め求められた前記アンテナの形状を表す複数のグラフデータを取得する取得部、及び前記取得部により取得された前記複数のグラフデータと、前記アンテナについて予め求められた前記アンテナ性能とに基づいて、ニューラルネットワークを学習する学習部として機能させるための学習プログラムであり、前記ニューラルネットワークは、前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測するためのグラフニューラルネットワークである。

開示の技術によれば、精度よくアンテナ性能を予測できる。

本実施形態のアンテナ設計支援装置及び学習装置として機能するコンピュータの一例の概略ブロック図である。アンテナの形状の一例を示す図である。アンテナの形状を表すグラフデータの一例を示す図である。本実施形態の学習装置の構成を示すブロック図である。本実施形態のアンテナ設計支援装置の構成を示すブロック図である。本実施形態の学習装置の学習処理ルーチンを示すフローチャートである。本実施形態のアンテナ設計支援装置のアンテナ設計支援処理ルーチンを示すフローチャートである。実施例におけるアンテナの形状を示す図である。実施例におけるアンテナの形状を表すグラフデータを示す図である。実施例におけるグラフニューラルネットワークの構成を示す図である。

以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。また、この実施形態ではとくに、車両に備わるガラスにアンテナを設ける場合について詳細な説明をするが、この発明が車両用のアンテナに限定されない。

＜本実施形態に係る学習装置の構成＞
図１は、本実施形態の学習装置１０のハードウェア構成を示すブロック図である。

図１に示すように、学習装置１０は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）１１、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）１２、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）１３、ストレージ１４、入力部１５、表示部１６及び通信インタフェース（Ｉ／Ｆ）１７を有する。各構成は、バス１９を介して相互に通信可能に接続されている。

ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムを実行したり、各部を制御したりする。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、ニューラルネットワークを学習するための学習プログラムが格納されている。学習プログラムは、１つのプログラムでも良いし、複数のプログラム又はモジュールで構成されるプログラム群でも良い。

ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）又はＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。

入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。

入力部１５は、複数のアンテナの各々についての、アンテナの形状を表すグラフデータと、アンテナ性能との組み合わせである学習データを、入力として受け付ける。

具体的には、アンテナ性能が予め求められたアンテナの形状から、グラフデータを求める。このとき、グラフデータは、アンテナの形状の情報を含む特徴量を持つ。より具体的には、グラフデータは、アンテナ線条の端点及び交点を含む各点を表すノードと、接続関係にある端点又は交点間を結ぶ各線条を表すエッジとを含むグラフであって、ノードの各々が、各点の位置情報を含む特徴量を持つ。

例えば、図２に示すようなアンテナ１００の形状から、図３に示すようなグラフデータを求め、グラフデータと、予め求められたアンテナ性能との組み合わせを、学習データとする。この学習データを、複数のアンテナの各々について用意し、入力部１５は、複数のアンテナの各々についての学習データを受け付ける。

上記図２は、誘電体である自動車の窓ガラスであるリアガラスの主面に設けられた、導体からなるアンテナ１００の形状の一例を示す図である。図２の例では、アンテナ１００を構成する給電部（図２左側の長方形状の閉ループ）及び線条のアンテナエレメントが実線で示されている。図３に示すグラフデータでは、エッジが、実線で示され、端点及び交点を表すノードが数字付きの丸印で示されている。なお、アンテナ１００は、リアガラス以外の窓ガラスに設けられてもよい。また、アンテナ１００は、ガラスの主面に設けられる二次元形状のパターンを有するものに限定されず、ガラスから一定距離隔ててガラス近傍に設けられるものとして三次元形状のパターンを有するものでもよい。上記の「二次元形状のパターン」とは、例えば、車両が備えるガラス曲面に沿って設けられるアンテナのパターンも含まれるものとする。

アンテナ性能の測定では、測定装置が利用される。アンテナ性能を表す指標としては、アンテナ利得、リターンロス、指向特性（半値角、前後比（Ｆ／Ｂ（Ｆｒｏｎｔ／Ｂａｃｋ）比）などが挙げられる。アンテナ利得は、具体的に、所定の周波数帯の電波の受信利得（単位：［ｄＢ］など）の数値データが挙げられる。さらに、アンテナに求められる仕様に応じて、アンテナ利得は、垂直偏波の受信利得と水平偏波の受信利得のいずれか一方でもよく、両方でもよい。

表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として併用して機能させても良い。

通信インタフェース１７は、他の機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ（ＦｉｂｅｒＤｉｓｔｒｉｂｕｔｅｄＤａｔａＩｎｔｅｒｆａｃｅ）、Ｗｉ－Ｆｉ（登録商標）等の規格が用いられる。

次に、学習装置１０の機能構成について説明する。図４は、学習装置１０の機能構成の例を示すブロック図である。

学習装置１０は、機能的には、図４に示すように、学習用データベース（ＤＢ）２０、取得部２２、学習部２４、及びモデル記憶部２６を備えている。

学習用データベース２０には、入力された複数のアンテナの各々についての学習データが記憶されている。

取得部２２は、学習用データベース２０から、複数の学習データを取得する。

学習部２４は、受け付けた複数のアンテナについての学習データに基づいて、グラフデータを入力とし、アンテナ性能を出力するグラフニューラルネットワークを学習する。

モデル記憶部２６には、学習されたグラフニューラルネットワークが記憶される。

＜本実施形態に係るアンテナ設計支援装置の構成＞
上記図１は、本実施形態のアンテナ設計支援装置５０のハードウェア構成を示すブロック図である。

上記図１に示すように、アンテナ設計支援装置５０は、学習装置１０と同様の構成であり、ＲＯＭ１２又はストレージ１４には、アンテナ性能を予測するためのアンテナ設計支援プログラムが格納されている。

入力部１５は、予測対象のアンテナの形状について生成されたグラフデータを、入力として受け付ける。例えば、入力部１５は、アンテナ１００を構成するアンテナ線条の端点及び交点の各々を表すノードと、接続関係にある端点又は交点間を結ぶエッジとを含むグラフであって、ノードの各々が、端点又は交点の位置情報を含む特徴量を持つグラフデータを、入力として受け付ける。

次に、アンテナ設計支援装置５０の機能構成について説明する。図５は、アンテナ設計支援装置５０の機能構成の例を示すブロック図である。

アンテナ設計支援装置５０は、機能的には、図５に示すように、モデル記憶部６０、取得部６２、及び予測部６４を備えている。

モデル記憶部６０には、学習装置１０によって学習されたグラフニューラルネットワーク（ＧＮＮ：ＧｒａｐｈＮｅｕｒａｌＮｅｔｗｏｒｋ）が記憶される。

取得部６２は、入力されたグラフデータを取得する。予測部６４は、取得したグラフデータをグラフニューラルネットワークに入力し、アンテナ性能を予測する。

＜本実施形態に係る学習装置の作用＞
次に、本実施形態に係る学習装置１０の作用について説明する。

図６は、学習装置１０による学習処理の流れを示すフローチャートである。図１におけるＣＰＵ１１が、ＲＯＭ１２又はストレージ１４から学習プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、学習処理が行なわれる。また、図４における学習装置１０に、複数のアンテナの各々についての、アンテナの形状を表すグラフデータと、アンテナ性能との組み合わせである学習データが入力され、学習用データベース２０に格納される。

ステップＳ１００で、図１におけるＣＰＵ１１は、取得部２２として、学習用データベース２０から、複数の学習データを取得する。

ステップＳ１０２で、図１におけるＣＰＵ１１は、学習部２４として、受け付けた複数のアンテナについての学習データに基づいて、グラフデータを入力とし、アンテナ性能を出力するグラフニューラルネットワークを学習する。図１におけるＣＰＵ１１は、学習されたグラフニューラルネットワークをモデル記憶部２６に格納し、学習処理を終了する。

＜本実施形態に係るアンテナ設計支援装置の作用＞
次に、本実施形態に係るアンテナ設計支援装置５０の作用について説明する。

図７は、アンテナ設計支援装置５０によるアンテナ設計支援処理の流れを示すフローチャートである。図１におけるＣＰＵ１１が、ＲＯＭ１２又はストレージ１４からアンテナ設計支援プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、アンテナ設計支援処理が行われる。また、図５におけるモデル記憶部６０には、学習されたグラフニューラルネットワークが格納されている。そして、図５におけるアンテナ設計支援装置５０には、予測対象のアンテナの形状について生成されたグラフデータが入力される。

まず、ステップＳ１１０で、図１におけるＣＰＵ１１は、図５における取得部６２として、入力されたグラフデータを取得する。

次に、ステップＳ１１２で、図１におけるＣＰＵ１１は、図５における予測部６４として、取得したグラフデータをグラフニューラルネットワークに入力し、アンテナ性能を予測する。

次に、ステップＳ１１４で、図１におけるＣＰＵ１１は、上記ステップＳ１１２の予測結果を表示部１６により出力し、アンテナ設計支援処理を終了する。

＜実施例＞
上述した学習装置１０及びアンテナ設計支援装置５０を用いてアンテナ性能を予測する実施例について説明する。

図８は、実施例である例１におけるアンテナ１００の形状を示す図である。図８では、自動車のリアガラスの主面に、アンテナ１００と、窓の曇り止め（防曇）のための電熱線を含むデフォッガ１５０とが設けられた例を示している。アンテナ１００は、２つのチャンネル（１ｃｈ、２ｃｈ）を有している。

ここで、方向と原点は以下のように定義する。車両ボディにリアガラスを取り付けたとき、ガラス板の長辺を水平方向とし、ガラス板の短辺を垂直方向とし、ガラス板の長辺方向の中央を水平方向の原点とし、デフォッガ１５０の水平最上線中央を垂直方向の原点とする。

図９は、例１におけるアンテナの形状を表すグラフデータを示す図である。各ノードは、アンテナ線条の端点もしくはアンテナ線条同士の交点を表している。

また、各ノードの特徴量は、水平方向の座標、垂直方向の座標、左側の車両ボディからノードまでの距離、右側の車両ボディからノードまでの距離、上側の車両ボディからノードまでの距離、及びデフォッガの最上線からノードまでの距離を含む。

ここで、車両ボディは基本的には金属でアースされている。そのため、誘電体上に導電線を設けてアンテナとする場合、車両ボディに近づきすぎると、車両ボディと容量結合することで、特性が変化する場合がある。そこで、この例では、特徴量が、車両ボディからノードまでの距離を含んでいる。

また、図９の左側のグラフと、右側のグラフとは、全く同じ情報を表している。例えば、左側のグラフと、右側のグラフのどちらも、ノード番号０はノード番号１とノード番号４２と接続されている。同様にノード番号１はノード番号０とノード番号２とノード番号５と接続されており、全てのノード番号とその接続先のノード番号は、左側のグラフと、右側のグラフで一致しており、左側のグラフと、右側のグラフで表示の仕方は異なるが、全く同じノードの接続関係の情報を表している。

また、図１０は、例１におけるグラフニューラルネットワークの構成を示す図である。図１０では、入力層ニューロン数が６個であり、出力層ニューロン数が４個であり、隠れ層の数が６層であり、隠れ層のニューロン数が２４０個である例を示している。入力層ニューロン数は、ノードの特徴量の数に対応している。また、出力層ニューロン数は、アンテナ性能を表す４つの帯域平均値（１ｃｈの水平偏波の所定周波数帯域内の平均利得、垂直偏波の所定周波数帯域内の平均利得、２ｃｈの水平偏波の所定周波数帯域内の平均利得、垂直偏波の所定周波数帯域内の平均利得）に対応している。

また、比較例である例２として、テーブルデータを入力とするニューラルネットワークであるＴａｂＮｅｔを用いる。テーブルデータでは、アンテナ形状を表す２７個の説明変数を有する。

例１のグラフニューラルネットワークＧＮＮを用いた場合と、例２のＴａｂＮｅｔとにおける実験結果を表１に示す。表１では、ＲＭＳＥ（ＲｏｏｔＭｅａｎＳｑｕａｒｅｄＥｒｒｏｒ）を示している。

１ｃｈ＿ａｖｅ＿Ｈは、第１給電部から給電される第１チャンネル（１ｃｈ）における北米仕様ＦＭ帯（８８ＭＨｚ～１０８ＭＨｚ）の水平偏波の帯域内平均利得であり、１ｃｈ＿ａｖｅ＿Ｖは、第１チャンネルにおける北米仕様ＦＭ帯の垂直偏波の帯域内平均利得である。また、２ｃｈ＿ａｖｅ＿Ｈは、第２給電部から給電される第２チャンネル（２ｃｈ）における北米仕様ＦＭ帯の水平偏波の帯域内平均利得であり、２ｃｈ＿ａｖｅ＿Ｖは、第２チャンネルにおける北米仕様ＦＭ帯の垂直偏波の帯域内平均利得である。

上記より、例２より、例１のグラフニューラルネットワークＧＮＮを用いた場合の方が良い精度で予測できていることが分かった。

以上説明したように、本実施形態に係る学習装置は、アンテナ性能が予め求められたアンテナの形状を表す複数のグラフデータを取得し、グラフデータに基づいて、アンテナのアンテナ性能を予測するためのグラフニューラルネットワークを学習する。これにより、精度よくアンテナ性能を予測するためのグラフニューラルネットワークを学習できる。

また、本実施形態に係るアンテナ設計支援装置は、アンテナの形状を表すグラフデータを取得し、グラフデータに基づいて、アンテナのアンテナ性能を予測するためのグラフニューラルネットワークを用いて、アンテナ性能を予測する。これにより、精度よくアンテナ性能を予測できる。

＜変形例＞
なお、本発明は、上述した実施形態に限定されず、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、学習装置とアンテナ設計支援装置とを別々の装置として構成する場合を例に説明したが、これに限定されず、学習装置とアンテナ設計支援装置とを一つの装置として構成してもよい。

また、上記各実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した各種処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＧＰＵ（ＧｒａｐｈｉｃｓＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－ＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（ＰｒｏｇｒａｍｍａｂｌｅＬｏｇｉｃＤｅｖｉｃｅ）、及びＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、学習処理及びアンテナ設計支援処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

また、上記各実施形態では、学習プログラム及びアンテナ設計支援プログラムがストレージ１４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（ＣｏｍｐａｃｔＤｉｓｋＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｋＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、及びＵＳＢ（ＵｎｉｖｅｒｓａｌＳｅｒｉａｌＢｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

さらに、アンテナ１００は、自動車用のリアガラスをはじめとするガラス板に設ける例を示したが、これに限らない。アンテナ１００は、自動車用の誘電体に取り付けられれば、ガラス板に限らず、樹脂上に取り付けられてもよい。アンテナ１００は、例えば、スポイラー等のエアロパーツや、ルーフ上に突起を有する筐体内に配置されるいわゆるシャークフィン内に取付けられてもよい。さらに、送受信する電波の周波数帯がＧＨｚ帯となる高周波帯域まで及ぶ場合、アンテナ１００は、誘電体の主面に二次元的に配置されるアンテナ線条に限らず、導体が所定の平面領域にベタ状又はメッシュ状に配置されてもよい。さらに、アンテナ１００は、導体が、三次元形状を構成するアンテナエレメントを有して、例えば、～６ＧＨｚの周波数帯の電波の送受信に対応する、第５世代移動通信システム（５Ｇ）や６ＧＨｚ以上の準ミリ波やミリ波の周波数帯の電波の送受信に対応する仕様を有してもよい。

さらに、アンテナ線条の端点及び交点をノード、端点及び交点間を結ぶ線条をエッジとしてグラフデータを構成する例を示したが、これに限らない。アンテナ線条の端点及び交点だけでなく線条の途中の点をノードに設定してもよい。また、アンテナ線条の端点及び交点をエッジ、端点及び交点間を結ぶ線条をノードとしてグラフデータを構成してもよい。この場合には、グラフデータは、アンテナ線条の端点及び交点を含む各点を表すエッジと、接続関係にある端点又は交点間を結ぶ各線条を表すノードとを含むグラフであって、ノードの各々が、各線条の位置情報を含む特徴量を持つ。

１０学習装置
１１ＣＰＵ
１４ストレージ
１５入力部
１６表示部
２０学習用データベース
２２取得部
２４学習部
２６モデル記憶部
５０アンテナ設計支援装置
６０モデル記憶部
６２取得部
６４予測部
１００アンテナ

Claims

アンテナの設計を支援するアンテナ設計支援装置であって、
前記アンテナの形状を表すグラフデータを取得する取得部と、
予め学習されたニューラルネットワークを用いて、前記取得部により取得された前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測する予測部と、を含み、
前記ニューラルネットワークは、前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測するためのグラフニューラルネットワークである
アンテナ設計支援装置。
前記グラフデータは、前記アンテナの形状の情報を含む特徴量を持つ請求項１記載のアンテナ設計支援装置。
前記グラフデータは、アンテナ線条の端点及び交点を含む各点を表すノードと、接続関係にある端点又は交点間を結ぶ各線条を表すエッジとを含むグラフであって、前記ノードの各々が、各点の位置情報を含む特徴量を持つ請求項２記載のアンテナ設計支援装置。
前記グラフデータは、アンテナ線条の端点及び交点を含む各点を表すエッジと、接続関係にある端点又は交点間を結ぶ各線条を表すノードとを含むグラフであって、前記ノードの各々が、各線条の位置情報を含む特徴量を持つ請求項２記載のアンテナ設計支援装置。
前記アンテナは車両に設けられる、請求項１に記載のアンテナ設計支援装置。
前記アンテナは、前記車両の窓ガラスに設けられる、請求項５に記載のアンテナ設計支援装置。
前記アンテナは、前記窓ガラスの主面に設けられる二次元形状のパターンを有する、請求項６に記載のアンテナ設計支援装置。
アンテナのアンテナ性能を予測するためのニューラルネットワークを学習する学習装置であって、
アンテナ性能が予め求められた前記アンテナの形状を表す複数のグラフデータを取得する取得部と、
前記取得部により取得された前記複数のグラフデータと、前記アンテナについて予め求められた前記アンテナ性能とに基づいて、ニューラルネットワークを学習する学習部と、を含み、
前記ニューラルネットワークは、前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測するためのグラフニューラルネットワークである
学習装置。
前記グラフデータは、前記アンテナの形状の情報を含む特徴量を持つ請求項８記載の学習装置。
前記グラフデータは、アンテナ線条の端点及び交点を含む各点を表すノードと、接続関係にある端点又は交点間を結ぶ各線条を表すエッジとを含むグラフであって、前記ノードの各々が、各点の位置情報を含む特徴量を持つ請求項９記載の学習装置。
前記グラフデータは、アンテナ線条の端点及び交点を含む各点を表すエッジと、接続関係にある端点又は交点間を結ぶ各線条を表すノードとを含むグラフであって、前記ノードの各々が、各線条の位置情報を含む特徴量を持つ請求項９記載の学習装置。
前記アンテナは車両に設けられる、請求項８に記載の学習装置。
アンテナの設計を支援するためのアンテナ設計支援プログラムであって、
コンピュータを、
前記アンテナの形状を表すグラフデータを取得する取得部、及び
予め学習されたニューラルネットワークを用いて、前記取得部により取得された前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測する予測部
として機能させるためのアンテナ設計支援プログラムであり、
前記ニューラルネットワークは、前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測するためのグラフニューラルネットワークである
アンテナ設計支援プログラム。
アンテナのアンテナ性能を予測するためのニューラルネットワークを学習するための学習プログラムであって、
コンピュータを、
アンテナ性能が予め求められた前記アンテナの形状を表す複数のグラフデータを取得する取得部、及び
前記取得部により取得された前記複数のグラフデータと、前記アンテナについて予め求められた前記アンテナ性能とに基づいて、ニューラルネットワークを学習する学習部
として機能させるための学習プログラムであり、
前記ニューラルネットワークは、前記グラフデータに基づいて、前記アンテナのアンテナ性能を予測するためのグラフニューラルネットワークである
学習プログラム。