プレグローバルルーティング段階でのDRC違反予測

（PGR-DRC: Pre-Global Routing DRC Violation Prediction Using Unsupervised Learning）

田中専務

拓海先生、最近うちの設計チームから「DRC予測を研究した論文があります」と報告がありまして、正直何から聞けばいいのか分かりません。要するに投資に値しますか？

AIメンター拓海

素晴らしい着眼点ですね！大丈夫、簡単に説明しますよ。今回は早期の段階で設計ルール違反を予測して手戻りを減らす研究です。結論を先に言うと、実務でのコスト削減に直接つながる可能性が高いんですよ。

田中専務

早期の段階というのは、設計のどのフェーズの話ですか？配置や配線をする前ですか、それとも後ですか？

AIメンター拓海

良い質問ですね！この研究はPre-Global Routing、すなわちグローバルルーティングの前、配置と初期配線（Placement and Routing, P&R）段階でのデータを使います。P&Rの直後に問題を予測して、後工程での重い検査ややり直しを減らすのです。

田中専務

なるほど。で、AIはどんな学習のやり方なんですか？うちのIT部は監督あり学習（supervised learning）が当たり前だと言ってますが。

AIメンター拓海

そこが本論です。通常使われるのは監督あり学習（Supervised Learning, SL）ですが、この論文は教師なし学習（Unsupervised Learning, UL）を使います。簡単に言えば、事前に大量のラベル（正解）を用意しなくてもパターンを見つける手法です。ラベル付けのコストを下げられるのが強みですよ。

田中専務

これって要するにDRC違反を早期に見つけて手戻りを減らすということ？

AIメンター拓海

まさにその通りです！要点を3つにまとめると、1) ラベルを大量に作らずに異常になり得る箇所を検出できる、2) グローバルルーティング前の情報だけで早期介入が可能、3) 設計の反復回数と検査時間を減らせる、というメリットがありますよ。

田中専務

投資対効果の観点で言うと、実際どの程度の工数削減が見込めるのでしょうか。導入の複雑さも気になります。

AIメンター拓海

良い視点です。導入は段階的に進めれば負担は小さいです。まずは既存のP&Rツールから抽出できる特徴量（feature）を集め、学習モデルを社内の小さなプロジェクトで試験的に動かす。効果が出れば段階的に拡大する運用が現実的です。

田中専務

なるほど。技術的にはどんな指標で正しさを評価しているのですか？誤検出で現場が混乱するのは避けたいのですが。

AIメンター拓海

重要な点です。論文では従来の監督あり手法と比較しつつ、誤検出率（false positive）と未検出率（false negative）を評価します。加えて、実運用に近い観点で『どれだけ手戻りが減ったか』を評価指標にする点が実務寄りで有益ですよ。

田中専務

分かりました。では最後に私の言葉でまとめてみます。今回の研究は、初期の配置配線データから教師なし学習でDRC違反の起こりやすさを予測し、検査や修正の工程を減らしてコストと時間を削れるということですね。

AIメンター拓海

その通りです、田中専務。素晴らしい着眼点ですね！大丈夫、一緒に進めれば必ず効果を実感できますよ。