1/14ページ

このカタログをダウンロードして
すべてを見る

ダウンロード(1.7Mb)

【NI Trend Watch 2018】オープンプラットフォーム ソフトウェア テスト/計測/制御システムの開発

その他

日本ナショナルインスツルメンツ株式会社 トレンドウォッチ2018

【掲載記事】
◆モノを適切に管理するための3つの要素
◆5Gの進化に追随可能なテストのプロセスとは
◆ムーアの法則の終焉、その先にある未来
◆自動車の電動化:産業界に求められる大きな変革
◆機械学習がもたらすイノベーション

◆詳細はカタログをダウンロードしてご覧下さい。

このカタログについて

ドキュメント名 【NI Trend Watch 2018】オープンプラットフォーム ソフトウェア テスト/計測/制御システムの開発
ドキュメント種別 その他
ファイルサイズ 1.7Mb
登録カテゴリ
取り扱い企業 日本ナショナルインスツルメンツ株式会社 (この企業の取り扱いカタログ一覧)

この企業の関連カタログ

パワートレイン向けHILテストに関する主要な検討事項
製品カタログ

日本ナショナルインスツルメンツ株式会社

NI Trend Watch 2018
ハンドブック

日本ナショナルインスツルメンツ株式会社

このカタログの内容

Page1

True True IO Mode TF True Sensor Measurement Task S… A… 0,1 Setpoint and Process Variable Tru Stop Stop TF block duration 0.1 Stop True Control TF Power Applied(%) Power Applied(%) DBL Power Applied Desired Temperature DBL Controller Output PI gains Temperature Error 0.5 Temperature Reached True Pulse Generation Task P… C… NI Trend Watch 2018100 0,1 0 100 0.001 0.999 FUTURE 5 Stop 0.32 TF FASTER Controller Output Simulated Plant Measured Temperature DBL 0.1 Wait (ms) 13 500
Page2

かつてないスピード で訪れる未来に向けて 21世紀に入ってから、すでに20年近くの時が経とうとしています。この間に、かつてないほどのスピードで技 術が進化したことは周知のとおりです。例えば、自律的に学習を行い、俊敏に動作するロボットが登場しま した。また、DNAシーケンシングを現実的な料金で利用できるようになりました。さらに、データストレージは ユビキタスに提供されるようになりました。このようななか、私たちが向かう先、そしてそこまで到達するた めの方法について考察するのは重要なことです。 NI コーポレートマーケティング 上述した以外にも、技術の世界では胸躍るような進化が実現されました。例え 担当バイスプレジデント ば、人口知能やクラウドベースの演算機能は予想より10年も早く人間を上回る Shelley Gretlein ほどのレベルにまで到達しました。また、半導体の世界では、SiGe HBT(ヘテロ 接合バイポーラトランジスタ)が、速度のパラメータについて新たな標準を打ち 立てました。電動スーパーカーの「NIO EP9」も注目に値します。この車は、サーキット・オブ・ジ・アメリカズの 全長3.4マイル(5.5 km)のトラックを、自律走行により時速160マイル(257.5 km/h)で駆け抜けました。周回 に要した時間はわずか2分40秒33です。さらに、ハイパーループシステムについては、そのプロトタイプによ り、平均時速600マイル(965 km/h)で乗客を目的地まで高速輸送できることが実証されました。このような 勢いに乗り、技術的な進歩という面で2018年も最高の年になることは間違いありません。 2018年には、Big Analog Data™に対応するソリューションにより、ビジネス向けの新たな洞察が生み出さ れるようになるでしょう。また、より高い能力を発揮する機械学習(マシンラーニング)の技術も実現される はずです。加えて、コネクテッドビークルやスマートファクトリーの分野では主要なマイルストーンが達成さ れるでしょう。さらには、ますます複雑化が進む半導体製品のテスト時間が大幅に短縮されたり、5G(第5世 代移動通信システム)により通信や接続性の面で飛躍的な進歩を遂げたりするなど、引き続きさまざまな 成果が期待できます。 だれもが我先にと未来に向かって突き進むなか、ナショナルインスツルメンツ(NI)は、ソフトウェアを中心と するオープンなプラットフォームを提供することで、これからもお客様を一歩先へと導き続けます。このプラ ットフォームは、ユーザによって定義される、あらゆるテスト/計測/制御システムの開発を加速することを目 的として設計されたものです。皆さんは、未来に向けて、すでに準備を整えることができているでしょうか。 +
Page3

記事 モノを適切に管理するための3つの要素 インダストリアルIoT(Internet of Things)によるスマートでコネクテッドされた「モノ」の拡散は、性能の向上やコストの 削減を実現する大きな機会をもたらします。しかし、こうした分散システムの管理は見落としがちな課題でもあります。 5Gの進化に追随可能なテストのプロセスとは 5G向けのイノベーションは「設計して終わり」ではありません。5 Gの商用化の段階でカギになるのは、テスト/計測の ソリューションです。しかし、5G向けのデバイスやシステムのテストにおいては、従来とは異なるテストアプローチが必要 になります。5 Gの実現に向けて不可欠なものとは何でしょうか。 ムーアの法則の終焉、その先にある未来 些細なずれは何度かあったものの、半導体の製造プロセスは、何十年間にもわたってムーアの法則に見事に沿うかたちで 進化してきました。し かし、50年以上にわたって成り立っていた法則が今、存続の危機に瀕しているというのです。 このような現状が半導体市場の将来にもたらす意味とは何でしょうか。 自動車の電動化:産業界に求められる大きな変革 世界各国の政府が相次いで内燃エンジンを排除する措置を発表しており、自動車は内燃エンジンからハイブリッド車、 完全電気自動車へと移行が進んでいます。イ ンフラ拡充のニーズを含め、車両の複雑化の背景を解説します。 機械学習がもたらすイノベーション インテリジェントなシステムはデータを創出し、データに依存します。しかし、データ量の増加はとどまるところを知らず、 Big Analog Data™が抱える課題はさらに深刻化します。機 械学習によって、こうした問題に真っ向から対処することで、 エンジニアは来たる大きな課題に集中して取り組むことができます。 ni.com/trend-watch
Page4

モノを適切に管理するための3つの要素 “ビジネスリーダーの95%は今後3年以内にイ — インダストリアルIoT(Internet of Things)は、コンセプトやパイロットプロジェクトの段階 ンダストリアルIoTが社内で活用されることを — — から、事業全体を網羅して多大なメリットをもたらす大規模な実装にまで瞬く間に進化し 期待しています。” — ました。そのメリットは、データ分析に基づいた具体的な取り組みによってもたらされま —Accenture社 — す。Jaguar Land Rover社、China Steel社、Duke Energy社といった先見性のある企業は、デ — ータ分析に基づいた取り組みにより、システムの稼働時間を最大限に延伸し、性能を高め、 リモートシステム管理のソリューションでは、プロビジョニング、構成、診断、エッジで — 将来の製品でイノベーションを実現しようとしています。産業界は、よりスマートで、よりコネ 使用するデバイスの管理といったシステムの側面に対処する必要があります。通常、 — クテッドな状態に向けて進化しつつあります。インダストリアルIoTの導入が遅れると、イノベ リモートシステム管理には、タスクやプロセスのレベルでシステムのパラメータを監 — ーションのペースについていけず、市場におけるシェアの喪失や不要なコストの発生を招く 視する機能が必要になります。メモリ/CPUの使用量、ネットワークやI/Oに関する統 — 恐れがあります。Accenture社の『Connected Business Transformation』(2017年3月)によ 計情報を監視するということです。それにより、ソフトウェアのバグに起因するダウン — ると、ビジネスリーダーの95%は今後3年以内にインダストリアルIoTが社内で活用されるこ タイムの影響を抑えたり、セキュリティ面で問題が生じる可能性を検知したりするこ — とを期待していると言います。 とが可能になります。 — — 現在、インダストリアルIoTのシステム開発においては、エッジノードで使用されているハード 2. ソフトウェアの構成管理 — ウェアと分析用のソフトウェアを用いることにより、小規模なプロジェクトであれば、予知保 — インダストリアルIoTの市場では、継続的なデリバリーと改善が強く求められます。ま全や、コネクテッドでスマートなマシン制御といった、ビジネス上のメリットを得るのは容易 — た、ソフトウェアについては、市場への早期投入を求める圧力が高まっています。そのた — になっています。また、大規模なプロジェクトにおいても、コネクテッドシステムを実現し、イン め、ソフトウェアには、バグの修正、機能の変更、セキュリティ上の脆弱性への対応を図ダストリアルIoTの継続的な進化を可能にするエンジニアリングや、運用向けのインテリジェ ることを可能にする柔軟性が求められます。ソフトウェアの管理に関する効果的な戦 ンスな管理の課題を明らかにするための技術は、すでに利用可能な状態にあります。そのた 略を具現化できなければ、システムにおいて旧式のソフトウェアが使われることになり め、関心や投資の対象は次の課題へとシフトしつつあります。その課題とは、大規模なインダ ます。その結果、設備の性能、セキュリティ、信頼性に影響が及ぶかもしれません。さら ストリアルIoTシステムの実装のスケーリングと管理です。これには、リモートシステム管理、ソ に、手作業でのソフトウェアの配布は効率が悪くコストもかかります。実績のあるフレ フトウェアの構成管理、データの管理が含まれます。 ームワークやベストプラクティスを活用することにより、配布作業の自動化を進めるこ とが可能になります。 1. リモートシステム管理 運用技術にかかるコストの低下に伴い、重要な資産の監視と制御に使用するシステム 産業分野において、ソフトウェア管理の戦略は、システムの可用性とネットワークの安定 の普及が進みました。現在、資産の管理と保守を担当する管理者は、1つの課題に直面 性が変動する、変化の激しい環境に適用されることになります。この分野では、複数の しています。その課題とは、そうした運用技術を管理し、設備のダウンタイムを最小限に ベンダーが携わった多種多様なシステムが、インダストリアルIoTに利用されるさまざ 抑えるための費用対効果の高い戦略を導入する必要があるということです。クラウドに まなレベルのネットワークで動作します。このような環境では、各システムのアプリケー よってホスティングされる技術の柔軟性を活用すれば、複数のコネクテッドシステムの ションのレベルとファームウェアのレベルで、ソフトウェアの変更についてきめ細かく追 状態について、有用なデータ分析結果を提供するリモートシステム管理のソリューショ 跡して制御できる技術が必要になります。将来的には、ソフトウェアの構成管理に関す ンを実装することができます。 るベストプラクティスをプラットフォームに組み込むことが必要になるでしょう。また、運
Page5

用技術(OT:Operational Technology)と、主流になっているITソリューションとの境界 今こそ、プラットフォームの活用を は、あいまいなものになることが少なくありません。ビジネスに影響を及ぼすことなく、 この境界に対応できるようにすることも必要になります。 現在、産業分野の企業の多くは、利用可能なソリューションがあれば導入していきたいと考 えています。そのため、インダストリアルIoTに対応するソリューションを早期に構築し、競争 3. データの管理 力を高めて、他社に取り残されるのを防ぐことが重要になります。また、現在では、あらゆる インダストリアルIoTを利用するシステムは、テラバイト単位、あるいはエクサバイト単位 業界の企業が、ビジネスをイノベーションと成長を促進する原動力に転換する革新的なプ の大量のデータを生成する可能性があります。自社のビジネスについて理解し、改良を ラットフォームやエコシステムを採用しています。センサ駆動型のコンピューティング技術、 図るためには、それだけの量のデータを管理して、活用可能な洞察を得なければなり 産業分野向けの分析技術、インテリジェントな装置を利用したアプリケーションなど、より高 ません。これが、今後企業が確立しなければならない差別化の方向性の1つです。貴重 度な技術の活用が進んでいるということです。インダストリアルIoT技術とともに、そうした最 な情報は、インダストリアルIoTを利用するシステムが生成する膨大なデータの中に埋 先端のプラットフォームのメリットを生かすことが、保守コストの削減と資産の活用に向けた もれているということです。そこから洞察を得るには、高度かつ先進的な信号処理が必 最善の策になります。 要になります。データ管理の技術が利用しやすいものになれば、企業に対し、組織のあ らゆるレベルにわたってデータを管理して洞察を得るためのさまざまな選択肢が提供 されることになります。 データ管理の戦略には、エッジとエンタープライズの両方で利用できる分析機能を 盛り込む必要があります。『IDC FutureScape: Worldwide Internet of Things 2017 Predictions』によれば、2019年までに、IoTによって生成されるデータのうち少なくとも 40%はエッジで保存/処理/分析/利用されると言います。データ管理のための有用なソ リューションとは、次のようなものになります。すなわち、分散化されて存在する複数の 情報源からデータを取り込み、さまざまなレベルの洞察を生成して、適切な人に適切な 情報として提示できるものです。このように、未処理のデータから得た情報によって意思 決定を行えるようにするソリューションが求められます。 IIoTプラットフォームおよびエコシステム リモートシステム管理 ソフトウェア 構成管理 データ管理 ni.com/iiot
Page6

5Gの進化に追随可能なテストのプロセスとは — — 5G(第5世代移動通信システム)は、世界中の企業や消費者の生業を新たな世代へ切り開 のものとは大きく異なります。また5Gでは、ネットワークスライシングのコンセプトに基づき、制 — こうとしています。5Gによって、従来よりもさらに高速大容量なデータ伝送、極めて低遅延 御プレーンとデータプレーンを分離する新たなアーキテクチャが導入されます。これにより、個 — の通信、どこにいても瞬時につながるネットワークアクセス、数十億ものデバイスのイン 々のユーザが使用するデバイスに応じてサービスレベルを柔軟に調整できるようになります。 — ターネット接続が実現されようとしています。その結果、ユーザはかつてない革新的な体 — 験が得られるようになるはずです。これは、単にスマートフォンで動画をダウンロードする際の 5G向けに提案されている通信規格は、3Gや4Gのそれよりもはるかに複雑です。また、5Gがネッ — 時間が短くなるといった話ではありません。3Gや4Gの時代とは異なり、5Gは、モバイルデ トワークのあり方に変革をもたらそうとしている事実は、ワイヤレスシステムの設計、開発、テ — バイスの範囲をはるかに超えて、私たちの生活のあらゆる側面に影響を及ぼします。インダ ストの方法にも変革が不可欠であることを意味しています。無線通信のアルゴリズム設計の観 — ストリアルIoTの実現から自動運転車の安全性の確保にいたるまで、5Gは想像をはるかに 点では、実世界での検証を行わずに、単なる机上計算に基づいてシステムをモデル化するだけ — 超えるさまざまなかたちで私たちの生活に変化をもたらします。 では、アルゴリズムというアイデアをカタチにするには不十分とみなされつつあります。また、テ — ストの観点においては、従来テストは個々のコンポーネントに着目して行われてきました。しか — し、その方法では、システムに対する全体的な影響を把握することができませんでした。 — — “10年後、過去を振り返った私たちは「5Gはこれまでで — プラットフォームベースのアプローチ — 最も重要な技術の一つだった」と語ることになるでし ワイヤレスに携わる世界中の研究者は、5Gの実現の道のりの中で1つの事実に気付きまし — ょう。5Gは、相互に通信し合う自動運転車や、非常に た。それは、ソフトウェアを中核に据えたプラットフォームベースのアプローチこそ、5Gの実現— 快適な動画の視聴体験など、現在取り組みが行われ に向けた競争において成功を収めるための唯一の手段であるということです。Nokia社は、世界で初めて73 GHzのミリ波帯を使用した5G向け通信技術のプロトタイプを発表しました。 ているあらゆるものを実現します。” 同社は、ミリ波帯を用いることで、モバイル通信システムにおけるデータ通信速度の新記録 を樹立しました。また、ルンド大学は世界で初めてMassive MIMOシステムのプロトタイプを —Moor Insights & Strategy社 社長兼主席アナリスト Patrick Moorhead氏 開発しました。さらに、ブリストル大学とFacebook社の研究者らは、Massive MIMOシステム のプロトタイプを拡張し、周波数利用効率の世界記録を樹立しました。 5Gに向けた準備 こうしたプロトタイプは、5Gの技術を進歩させるうえで重要な役割を果たしています。これら の例で採用されたプラットフォームベースの設計手法では、ソフトウェア無線(SDR:Software 標準化団体の3GPP(3rd Generation Partnership Project)は、5Gの仕様策定を急ピッチで進め Defined Radio)が最大限に活用されました。SDRは、ソフトウェアを書き換えることで、研究 ようとしています。とはいえ、実際の作業はまだ始まったばかりです。半導体デバイス、ネットワ 開発の中で繰り返し機能を刷新し続けることができます。また、通常ソフトウェア無線を用い ークインフラ、クラウド、ソフトウェア、製造、テスト技術を専門とする企業は、5Gを実現するため たアプローチでカバーできるレイヤは物理層やMAC層が主となりますが、オープンソースのソ のソリューションを求められています。しかし、その実現は容易なことではありません。 フトウェアで構成される広大なエコシステムを活用すれば、より上位層も含めた取り組みを より短い時間で対応できるようになります。加えて、異なるレイヤの研究開発に取り組む複数 5Gを特徴づける新たな技術としては、Massive MIMO(大規模MIMO)やミリ波通信が挙げられ の部門がより連携を深めることも可能になり、研究開発にさらなる競争力をもたらします。 ます。複数のアンテナとビームフォーミングを利用するという点で、5Gのアプローチはこれまで
Page7

5G向けのイノベーションは「設計して終わり」ではない 5Gの商用化の段階でカギになるのは、テスト/計測のソリューションです。5G向けの製品をテ ストするテストシステムは、ビームステアリング技術などのマルチアンテナ技術のテストを、迅 速かつ費用対効果の高い方法で実施できるものでなければなりません。また、非常に広大 な帯域幅を持つ新たなミリ波デバイスにも対応する必要があります。テストのソリューション は、単にデバイスのパラメータをテストするだけでなく、5Gの可能性を最大限に引き出し、そ の普及を促進できるだけの費用対効果を備えていなければなりません。 このような背景から、5G向けのデバイスやシステムのテストにおいては、従来とは異なるテス トアプローチが必要になります。例えば、システムレベルのテストの場合、テストはOTA(over the air)で実施されることが標準になることが予想されています。ただし、OTAでのテストに はいくつもの課題があります。おそらく最も厄介なのは、テストシステムとテスト対象デバイス テスト の間の電波伝搬環境です。無線チャンネルは本質的に振る舞いの予測が困難な媒体であり、 チャンネルそのものが時間や環境の条件に伴って変動することになります。 また、Intel社などの企業からは、システムの損失を最小限に抑えるために、RFフロントエンド にアンテナを直接取り付けたフェーズドアレイアンテナのモジュールが発表されています。こ 5G のとき、テストシステムでは、ミリ波帯まで周波数を高めて、ビームごとに主要な性能指標の 評価を行う必要があります。 最後に、帯域幅はこれまでも常にテストにおける大きな課題でした。5Gでは、テストの対象と なる帯域幅は、標準的なLTEのチャンネルの50倍に拡大すると予想されます。テスト用のシス テムは、その広大な帯域幅に対応する必要があります。しかも、その帯域幅に対応して波形を 生成/取得するだけでなく、すべてのデータをリアルタイムで処理することが求められます。 今後の展望 ワイヤレス分野の研究者らは、5Gの初期段階の研究を進めるうえで、SDRのプラットフォーム をベースとする設計手法を採用することで成果を上げました。今度は、テスト向けソリューショ ンのプロバイダがそれと同じことを行う番です。5Gは、これまでに目にしたことがないようなパ ラダイムシフトをもたらします。それに対応するには、柔軟性が高く、ソフトウェアによる構成が 可能なプラットフォームが必要です。そうしたプラットフォームをベースとするアプローチが、5G の商用化に向けて不可欠なものとなります。 ni.com/5g
Page8

ムーアの法則の終焉、その先にある未来 — — 最近、ムーアの法則の終焉について論じる記事をよく見かけます。50年以上にわたって成り — 立っていた法則が、存続の危機に瀕しているというのです。しかし、それによって半導体やエ — レクトロニクスの市場も終わりを迎えるというわけではありません。ムーアの法則は、Intel “ムーアの法則の終焉は転換点になるでしょう。 — 社の共同創設者であるGordon Moore氏が提唱したものです。同氏は、ICチップに集積され 多くの課題は伴いますが、さまざまな方向に向 — るトランジスタ数が倍増していくペースを予測しました。そのペースは、24ヶ月ごと(当初は — 12ヶ月ごと)というものでした。些細なずれは何度かあったものの、半導体の製造プロセス かって進化が生じ、世の中に変革がもたらされる — は、何十年間にもわたってその法則に見事に沿うかたちで進化してきました。このような微 機会にもなります。” — 細化が当然のように進むことから、類似のアーキテクチャ設計を採用して同様の実装を行う —Microsoft Research コーポレートバイスプレジデント Peter Lee氏(博士) — ということを継続できたのです。その結果、成長曲線から予測されるとおりのコスト、消費電 — 力、速度が達成されてきました。ということは、この微細化のペースが滞ると、コンピューティ — ングの進化は止まってしまうことになるのでしょうか。このような懸念がもたらす脅威は深刻 り、特殊なベクトル演算ユニットが追加されたりしました。それにより、グラフィックス、ゲー — で、DARPA(米国防高等研究計画局)はムーアの法則が終焉した後の状況を推測するための ム、動画再生などの処理が高速化され、PCのシステム性能は向上し続けました。一方、そうし — 費用を増額したほどです。しかし、技術者や研究者は、これまでも微細化をめぐる数々の課題 た新たな処理ブロックが追加されたことにより、今度はそれを最大限に活用できるソフトウ — を克服し続けてきました。従来の微細化手法に代わるいくつかの革新的な手段によって、明 — ェアモデルを開発するという新たな課題がもたらされました。また、処理用のアーキテクチャ — るい未来が描かれることが期待できるのです。Microsoft Researchのコーポレートバイスプ の変更に伴って、CPUだけでなく、I/Oサブシステムにも高速トランジスタが適用されるように — レジデントであるPeter Lee氏(博士)は『The Economist』の「Technology Quarterly」(2016 なりました。I/Oサブシステムは、ネットワークやカメラ、データ収集機器で取得された広帯域年3月)の中で次のように述べています。「ムーアの法則の終焉は転換点になるでしょう。多く 幅のデータをプロセッサに供給する役割を担います。高速の信号処理が無線/有線規格に適 の課題は伴いますが、さまざまな方向に向かって進化が生じ、世の中に変革がもたらされる 用されたことで、I/Oには、単純なトランジスタでは対応できないレベルの帯域幅が必要にな 機会にもなります。」 ったということです。 限界を打破してきた歴史 3次元の活用 ムーアの法則は、ICチップ上のトランジスタの数について論じたものです。そして、半導体 ムーアの法則の終焉は、以前から予想されていました。その結果、画期的な設計が生み出さ の微細化は、高速化や省電力化といったメリットももたらします。確かに、これまで数十年 れることになりました。チップやトランジスタを積み重ねた3次元構造によって集積度を高め にもわたり、微細化に伴うメリットを私たちは享受してきました。しかし、現在ではそれら るという手法です。それにより、確かに集積度は高まります。しかし、設計やテストに関して新 は容易に得られるものでもなければ、期待どおりに得られるものでもなくなりました。例 たな問題が生じる可能性もあります。例えば、トランジスタの微細化を進めるとコストが増 えば、プロセッサのクロック周波数については、飛躍的な進歩を阻むものとして、冷却の 加します。そこで、より多くのシステム機能を統合した新たなチップを開発することで、その価 問題が立ちはだかってきました。このような明らかな「壁」の存在がイノベーションを促進 格の高さを正当化するということが行われてきました。そうした先進的なSoC(System on してきたのです。結果として、現在ではマルチコアプロセッサが当たり前のものになりま Chip)を構築しようという動きは、FPGAにも見られます。当初、FPGAはシンプルな論理ゲー した。コアのクロック周波数があるレベルに抑えられる一方で、複数のコアが集積された トのアレイでした。それが、現在ではプロセッサやDSP、メモリ、データ用のインタフェースを1
Page9

チップに集積したものに変貌しています。つまり、現在のFPGAは、高性能なI/Oと演算ブロッ の手段になると、マルチコアによる並列化を最初に活用しようとしたときの悪戦苦闘が再現 クを集積したシステムに進化したということです。集積度を高めるための新しい手法の多く されることになります。これまで有効に働いていたムーアの法則は、再び存続の危機に瀕し は、3次元構造を利用します。つまり、トランジスタを積み上げて形成したり、完成したチップを ています。しかし、市場では、機械学習や自動運転といった新たなニーズが生まれています。 1つのパッケージ内に積層したりするということです。そのようなSoCの設計やテストは複雑 それにより、今後も、処理能力とI/O帯域幅の向上が求め続けられることになります。そのこと になります。しかし、高い集積度が実現されることから、そのSoCを使用するシステムの設計 が、アーキテクチャの面で新たなイノベーションが促進される要因になるはずです。 コストは低減されます。そのようなメリットはあるものの、チップの積層には、新たな課題をも たらす新たな複雑さが伴います。3次元による高密度化に依存するシステムが増えるにつれ て、デバッグやテストの課題が顕在化します。そこで、デバッグやテストを容易に行えるように するための機能がチップに集積されるようになります。それらの機能のために、より多くのチ ップ面積が使われてしまうということです。 新たなコンピューティングアーキテクチャ 過去を振り返ると、微細化の問題によって、アーキテクチャの面で、IC関連の技術をさらに有 効に活用する斬新な改善策が生み出されてきたことがわかります。最新の課題によって訪れ たのは、専用コンピューティングの時代です。ここで言う専用コンピューティングとは、複数の 特殊なコンピューティングアーキテクチャを組み合わせて各種の問題に対処するというもの です。このトレンドに火をつけたのは、汎用CPUを補完するグラフィックスプロセッサでした。 その手法の適用範囲は、FPGA、ベクトル演算プロセッサ、さらには特殊な用途向けのコンピ ューティングブロックを用いたカスタムメイドのコンピューティングアクセラレーションによっ て急速に拡大しています。このような高速化の手法は、機械学習(マシンラーニング)に利用 されるものと同様に、次世代のSoCでは標準的なブロックとして実装されることが予想され ます。このように、次世代のアーキテクチャでは、さまざまな処理に対応する回路が混在する ことになります。それを活用するための鍵になるのが、ソフトウェアツールとフレームワークで す。これらは、アクセラレーション向けの多様な処理エンジンの実装を、ハイレベルな記述に よって設計できるようユーザーを支援します。ヘテロジニアスコンピューティングが高密度化 ni.com/semiconductor コンピューティング性能 ヘテロジニアス マルチコア シングルコア
Page10

自動車の電動化:産業界に求められる大きな変革 — 世界各国の政府が、相次いで内燃エンジンを排除する措置を発表しています。この動きの先陣 その後、ドライブバイワイヤ技術の採用が進んだことにより、自動車のパラダイムに変化が生 — — を切った国としては中国が挙げられます。中国は、2018年に新たに生産/販売される車に占め じました。機械的な結合が、センサ、リモートアクチュエータ、複数の制御システムによって置 — る「新エネルギー車」またはゼロエミッション車の割 き換えられたのです。例えば、ハンドルと前輪を直接接 — 合を、現状の2~3%から8%まで大幅に引き上げるこ “この発表は、内燃エンジンでしか走行 続する方式は次のように変化しました。まず、ステアリン— とを求めています。中国以外の各国政府も、内燃エン グコラム上のセンサによって車輪の角度に関する測定 — ジンの将来を抑制する厳しい規制を掲げています。このような背景から、完全電気自動車(EV)やハイブリ できない車両の終焉を告げるものです。” が行われます。続いて、組込コントローラがその測定値 — を角度の情報に変換し、得られた値を車両の通信バス — ッド車(HEV)の重要性が以前にも増して高まってい —Volvo社 社長兼CEO Håkan Samuelsson氏 に送信します。通信バス上にある別のコントローラがそ — ます。EV/HEVの市場がどれほど成長するのか予測す の値を取得し、車の速度と運転者による設定などに基 — るのは困難なほどです。自動車メーカーの中で、そうした動きに最も強く同調したのはVolvo づいて車輪の角度の情報に変換します。さらに、そのコントローラは必要な角度だけ車輪を — 社です。同社は、2019年までに、新規に販売する車種はすべてEVかHEVにすると宣言しまし 動かすようアクチュエータに対して指示を行います。多くの車両では、このドライブバイワイヤ — た。2025年までに100万台以上のEV/HEVを販売する方針を打ち出しています。2017年7月に 方式のステアリングシステムの中央に、安全を確保するためのシステムが配置されています。 — Volvo社の社長兼CEOであるHåkan Samuelsson氏は「この発表は、内燃エンジンでしか走行 そのシステムにより、車両が車線からはみ出さないように、また、路上の障害物を避けるよう — できない車両の終焉を告げるものです」と述べています。 に制御が行われます。車両のサブシステムに搭載されるパワーエレクトロニクスの数が増加 — — するにつれ、自動車そのものが、あたかもマイクログリッドであるかのような状態になりまし — 動力装置以外にも広がる電動化 た。共通の電力バスに接続される電力ソース/シンクが増加し、独立した組込制御システムによってそれらが管理されます。 内燃エンジンからHEVそしてEVへと動力装置の移行が進んでいます。これは、自動車が搭載 するパワーエレクトロニクスシステムの飛躍的な進歩の中で最も目立つ部分であることは 広範にわたる影響 確かです。しかし、実際には自動車のサブシステムでも電動化が急速に進行しています。わず か10年ほど前まで、ハンドルと前輪の間が完全に機械的に結合されているのは珍しいこと ここで、自動車に対する各国政府の規制の意味を少し広い視点でとらえてみます。現在は、電 ではありませんでした。ハンドルはシャフトに接続され、シャフトは車輪を回転させるラックア 動化が急激に進み、内燃エンジンの終焉に向かっている状態にあります。このような自動車 ンドピニオンシステムに接続されていたのです。このシステムの効率を高めるために油圧式 の動力装置の変化に対応するためには、インフラにも抜本的な変革が必要になります。内燃 の車両も開発されました。その場合も、ハンドルと車輪の間には機械的な結合が採用されて エンジンを搭載する自動車であれば、300マイル(480 km)走行するための給油を約10分で いました。アクセルのペダルとマニュアルトランスミッションについても同じことが言えます。 完了することができます。給油する場所は、道路沿いにあるどのガソリンスタンドでもかまい
Page11

ません。一方、EVの充電は、専用のスーパーチャージャを使ったとしても1時間以上はかかり があります。加えて、業界をリードする柔軟でオープンなプラットフォーム上で利用可能なシ ます。また、日々の通勤に使用するだけなので充電の頻度はさほど高くないとしても、充電用 ステム構築用ツールを保有するエコシステムのパートナーから協力を得なければなりませ のハードウェアに関する検討は必要になります。住宅を所有する人であれば、夜間に充電を ん。適切なツールを利用すれば、技術者は自動車の電動化に必要な革新的な技術に適応 実施するための設備を用意するのは、大電流に対応可能な回路を車庫に設置するだけの話 することができます。 なのかもしれません。しかし、賃貸住宅や集合住宅に住む人にとってはもう少し事情は複雑 です。都会に住んでいる人の場合、自宅に充電設備を設置するというのはまず不可能なこと なのかもしれません。 電力需要は、通勤者の日々の乗車予定に基づいて周期的に発生します。その需要には、高速 充電に対する負荷の高い需要が組み合わせられることになります。自動車の電動化の将来 を、電力需要の観点から考えると、電力設備/電力網に対して極めて重要な新たな課題が生 じることがわかります。仮に、すべての通勤者が午後5時に帰宅し、同じ時間帯に電気自動車 中国 英国 の充電を開始するとします。すると、電力需要の一般的なピークの時間帯にずれが生じるこ とになります。すなわち、各地域の電力需要のピークは、空調ではなく車両による輸送に基 づいて再定義されることになります。また、より大規模なガソリンスタンドでは、高速充電用 のスーパーチャージャを運用するために、中規模の地域の電力消費量に匹敵するエネルギ ーが必要になります。 ゼロエミッション車の ガソリン車とディーゼル車は禁止。 利用数を500万台に 全車両を電気自動車に 各国政府が電気自動車の普及を推進するために設けた規制は、車両の複雑さの増大に直 結します。また、インフラの拡充という差し迫ったニーズにも間接的につながります。自動車 ドイツ 業界の未来は電力網の未来を後押しするものとなり、よりスマートな制御システムが求めら れることになります。それを実現するには、何よりも安全で信頼できる制御システムを構築 するという、さまざまな技術分野にまたがる課題に対処しなければなりません。また、市場 への早期投入を図るには、リアルタイムテストや製造テスト(出荷検査)を進化させる必要 生産するのはゼロエミッションの乗用車のみ ni.com/automotive 2020 2030 2040
Page12

機械学習がもたらすイノベーション — 機械学習(マシンラーニング)は、明確なパターン認識が可能な特定分野では、すでに目覚 — 機械学習ではデータが“糧”に — ましい成果を上げています。そうした特定分野に限らず、各業界の企業は、多様な洞察と効 — 率をもたらしてくれるものとして機械学習に大いに期待しています。実際、機械学習は大き インテリジェントなシステムをネットワークに接続すると、データの可視性が高まります。こ — なメリットを長きにわたってもたらしてくれます。機械学習に対して大手技術企業が大きな れについては、IoT(Internet of Things)のメリットとしても、Big Analog DataTMの課題とし — 投資を行っていることにも関心が集まっています。例えば、Google社は、機械学習を専門と ても十分に論じられています。ABI Research社によると(2017年第1四半期時点)、産業用 — する研究グループに多くの開発者を集結させています。その規模は、米国本社以外では最大 装置からセンサや機械によって取得されるデータの量は2020年までに78エクサバイトを — のレベルになると言います。また、Microsoft社は「CNTK」をオープンソース化し、Baidu社は 超えると予想されています。それらのデータの中には、今日の技術では見落とされている — 「PaddlePaddle」をリリースしました。Amazon社は、同社の「AWS(Amazon Web Services) 機械の故障や製造上の欠陥に関する情報が埋もれていると言います。あるいは、検証のた — 」で「Apache MXNet」をサポートすることを決定しています。さらに、Facebook社は深層学習 めに行ったテストで得られた重要な証拠が埋もれていることもあるでしょう。確かに、膨大 — (ディープラーニング)向けに2つのフレームワークを構築済みです。民生市場には機械学習 なデータセットがあれば、機械学習のアルゴリズムによってモデルがトレーニングされ、よ — を応用しようという大きな波が押し寄せています。その波は産業界へとあふれ出し、自動化さ り迅速に結果が得られるようになります。問題は機械学習で扱うための適切なデータセッ — れたデータ分析処理によって業務の改善を図ろうとする技術者/管理者の取り組みを後押し トが得られるのかどうかです。今日のシステム設計者は、整理されたデータ集合を、機械学 — することになるでしょう。機械学習はイノベーションを促進する技術です。生産ラインにおいて 習の技術を実装するための出発点としてとらえ、コネクテッドシステム向けのより包括的な — は、ダウンタイムの削減、歩留まりの向上が実現でき、研究開発分野では、研究開発の効率改 データ収集/管理の戦略を構築する必要があります。 — 善といった実用的かつ即効的な業務改善をもたらします。 — イノベーションの促進 — 製品開発の途上で設計上の欠陥に対処しようと すると、多大なコストがかかる恐れがあります。 設計の検証/妥当性確認のテストに、かなりの時 間、注意、予算が割かれるのはそのような事態を 避けるためです。機械学習を利用すれば、テスト と検証を最も必要とする製品分野に、コストの ■■ 生産稼働時間の増加 かかる工学的な作業の時間を集中的に割り当 てることができます。そのためには、まず、テスト ■■ 保守コストの削減 の結果として蓄積されたデータを整理し、アクセ ■■ 歩留まりの向上 スしやすい状態にしなければなりません。 データ収集 特徴抽出 特徴削減 モデルトレーニング ■■ 開発コストの削減 ■■ 製品品質の向上 マシンラーニング 未処理データ 特徴量 特徴ベクトル 候補モデル ビジネスインサイト
Page13

歩留まりの向上 プラットフォームによって機械学習の能力を活用 今日のほとんどのメーカーは、製品の検査として合否基準に基づくふるい分けを実施します。 機械学習の応用においては、1つ鍵になる要素があります。それは、技術プラットフォームの一 その際、フォレンジック分析、校正記録、系統分類用にデータの保存も行われます。なかには、 部として機械学習を組み込むことです。プラットフォーム上で機械学習が利用できるようにな より高度な自動テストの手法を採用するメーカーもあります。ただ、機械学習のモデルがあ れば、開発者は新たな課題の解決に専念することが可能になります。すなわち、ミドルウェア れば、根本的な原因が何であるかにかかわらず、製品の欠陥の有無を判定することができま を前にして途方に暮れるようなことはなくなり、複数の技術を連携させるために費やす時間 す。現在、製造している製品に使用されているチップレベルの部品は新しい工場から入手し を短縮することができます。すでに解決策が見つかっている問題や、ツールチェーンの利用方 たものだろうか。この設計には偽造された部品は含まれていないだろうか。ウェーブはんだ 法の問題に対処するために、時間を浪費したいと考える技術者はいないはずです。クラウド 付けの温度が本来の値から外れてしまうのはセンサが故障しているからだろうか――。欠陥 をベースとするどのような分析方法がサポートされているのか、どこのクラウドを利用するの を引き起こす異常の種類は無限に存在します。そのため、それらすべてにテストの上限値を設 か、モデルを実装する際にリアルタイムOSとの互換性に問題はないのか――。機械学習をク けるというのは現実的ではありません。機械学習の技術を導入すれば、製品開発における設 ラウド、ソフトウェア、ハードウェアの各プラットフォームに組み込むことで、動作検証済みの技 計やテストの段階で見落とされた欠陥の存在が、製造テスト(出荷検査)を担当する技術者に 術スタックが構築されます。それにより、技術者は各種ツールや技術の連携問題に悩まされ 通知されるようになります。 ることなく、新たな課題の解決に専念することが可能になります。 ダウンタイムの削減 プロセス型の製造業など、装置産業に携わる多くの企業は、自社の設備資産の保守/運用に “現在、多くの企業は種類の異なるいくつかのビジネス 関するデータを保存した膨大なデータベースを保有しています。現在、保守に携わる技術者 は、手作業でそれらのデータを扱っています。しかし、将来の機械学習の手法を利用すれば、 情報システムを保有しています。それらのシステムの中 それらのデータを処理して稼働状態を分析し、異常を検出することが可能になります。適切に に隠されたデータから洞察を抽出することができれば、 トレーニングされたシステムによって注意を要する不規則性が検出され、保守の担当者にト ラブルシューティングの必要性が通知されるようになります。 大きな可能性が広がります。機械学習に対応す るプラ ットフォームを利用すれば、それらのデータに加え、IoT エッジの活用 対応のセンサシステムによって新たに取 得したデータ さまざまな観点から見て、機械学習を活用するための準備はすでに整っていると言えます。 も素早く引き出すことができます。直 ちに利用が可能 厳格な処理とセンサフュージョンに機械学習を組み合わせることで、技術者は、エンタープ ライズスタックと通信することなくエッジでデータを解釈可能な優れたシステムを構築でき な洞察の抽出に専念できるようにするために、付加価 るようになります。いくつかの技術を使えばモデルのトレーニングと実行をエッジで行える 値のない作業はプラットフォームに任せるべきです。” ようになり、技術者にはシステムのアーキテクチャについて次のような選択肢が提供されま す。すなわち、モデルのトレーニングと実装(デプロイメント)をクラウドで行うか、エッジで行 —PTC社 最高技術責任者 Andy Timm氏 うか、またはその両方で行うかという選択肢です。現実の信号がやりとりされるエッジにイン テリジェントな処理を移行すれば、意思決定にかかる時間が削減され、コストがかさむイン 機械学習は、アルバムの中から犬の写真を探し出すといった処理で、すでに素晴らしい能力 フラの必要性が軽減されます。莫大な数の新たなデバイスがオンラインに接続され、それら を発揮しています。ビジネスリーダーは、技術者、プラットフォーム、そして機械学習の次の波 が限られた帯域幅を奪い合うという状況においては、エッジで処理を行えることには大きな により、Big Analog Dataという広大な海を活用し、稼働時間、歩留まり、効率といった面での メリットがあります。 改善がもたらされるようになることを期待しています。 ni.com/big-analog-data
Page14

True True IO Mode TF US Corporate Headquarters True 11500 N Mopac Expwy, Austin, TX 78759-3504 Sensor Measurement Task S… T: 512 683 0100 F: 512 683 9300 info@ni.com A… 0,1 Setpoint and Process Variable Tru ni.com/global–International Branch Offices Stop ni.com/trend-watch Stop TF block duration 0.1 Stop True Control TF Power Applied(%) Power Applied(%) DBL Power Applied Desired Temperature DBL Controller Output PI gains Temperature Error 0.5 Temperature Reached True Pulse Generation Task P… C… NI Trend Watch 2018100 0,1 0 100 0.001 0.999 FUTURE 5 Stop 0.32 TF FASTER Controller Output Simulated Plant Measured Temperature DBL 0.1 Wait (ms) 13 500 ©2017 National Instruments. All rights reserved. Big Analog Data, National Instruments, NI, and ni.com are trademarks of National Instruments. Other product and company names listed are trademarks or trade names of their respective companies. 31041