HyperLynx Design Space Exploration

Optimalizační výzva

Simulace umožňuje návrhářům analyzovat, ladit a optimalizovat elektronický návrh pomocí digital twin před vydáním prototypu k výrobě. Výsledkem je robustnější, spolehlivější a nákladově efektivnější deska snížením pravděpodobnosti problémů vzniklých během laboratorních testů, které mohou vyžadovat respin desky.

Simulace také umožňuje uživatelům prozkoumat alternativní verze jejich návrhu za účelem zlepšení spolehlivosti, rychlosti nebo marže nebo snížení celkových výrobních nákladů. Když se simulace používá jako optimalizační nástroj, složitost provedené analýzy se obvykle zvyšuje ve fázích:

Select...

Zpočátku uživatelé upravují návrh a znovu simulují změny jeden po druhém. To funguje dobře pro jednoduché studie a pro nové uživatele simulace je snadné pochopit. Tato metoda funguje nejlépe, když je třeba studovat pouze jeden nebo dva konstrukční parametry (proměnné) a když uživatel může snadno určit hodnoty parametrů, které mají být použity pro další studii na základě výsledků předchozích.

Rychlá a efektivní optimalizace

Efektivní zkoumání velkých návrhových prostorů s co nejmenším počtem simulací je obtížný úkol, který vyžaduje kombinaci pokročilých analytických technik. To vyžaduje přístup, který vyvažuje dva protichůdné požadavky:

Zaměřte se na slibné výsledky, abyste rychle našli jejich optimální hodnoty. Když je původně vzorkován návrhový prostor, vybrané hodnoty zřídka vedou k optimálním hodnotám. Místo toho produkují gradienty, které jsou zpracovány k nalezení optimálních umístění (obvykle lokálních maxima/minim) na povrchu odezvy. Zaměření na lokálně (ale ne globálně) optimální výsledek vyžaduje další simulační experimenty, které nakonec nepřispívají k nalezení globálního optima.
Zajištění adekvátního vzorkování celého konstrukčního prostoru. Zvažte karton vajec, kde jsou vrcholy a údolí mírně odlišné. Existuje mnoho různých lokálních minim a maxim - ale pouze jedna globální hodnota každého z nich. Po počátečním odběru vzorků je snadné najít místní gradient a místní vrchol/údolí - ale velmi obtížné zajistit, aby byla nalezena globální hodnota. The celý prostor musí být odebrán dostatečně adekvátně, aby globální maxima/minima byla nalezena do konce procesu.

Algoritmus SHERPA

Vyvážení těchto dvou různých požadavků je obtížný úkol, který vyžaduje pokročilé techniky k posouzení každé reakce, jakmile bude k dispozici pro vyhodnocení číselného pořadí povrchu odezvy a určení dalšího experimentu, který má být spuštěn. U většiny optimalizátorů to vyžaduje značné pochopení jak řešeného problému, tak samotného vyhledávacího algoritmu k „vyladění“ řídicích parametrů algoritmu.

S HL-DSE algoritmus SHERPA vyhodnocuje odpovědi při spuštění analýzy a automaticky vyladí algoritmus. HL-DSE vytváří graf odpovědí v průběhu analýzy, který ukazuje hodnotu (y) získanou z každého simulačního experimentu.

HyperLynx graph showing a design of experiments optimization history shown via SHERPA algorithm

V tomto grafu má HL-DSE dvě hodnoty zásluh a související cíle:

optimalizace červených hodnot
minimalizovat modré hodnoty

Modrá čára ukazuje historii experimentů, které zlepšily hodnotu modré metriky. Jako rozpočet pro tuto analýzu bylo uvedeno 100 simulací z celkem 82 500 možných permutací vstupních hodnot.

V rámci 25 simulací byl SHERPA schopen rychle najít téměř optimální hodnoty pro každou metriku.

Metodika povrchu odezvy

Vizualizace výsledků

Vzhledem ke složité povaze zkoumaných problémů jsou pokročilé optimalizační techniky schopny vzorkovat pouze malé procento z celkového návrhového prostoru. Schopnost rychle a efektivně vizualizovat výsledky analýzy je klíčovou součástí provádění procesů, například prostřednictvím optimalizace.

HyperLynx Design Space Exploration nabízí bohatý sortiment možností vykreslování výstupů, které poskytují přehled o tom, jak se návrh chová. Patří mezi ně 3D grafy, které mohou ukázat věci, jako je to, jak je ztráta návratnosti ovlivněna separací a průměrem antipad.

V tomto příkladu je třeba maximalizovat návratovou ztrátu, aby se zlepšila integrita signálu. To zahrnuje následné zpracování výsledků každé simulace za účelem hlášení maximální hodnoty zjištěné jako metriky odezvy, a poté nalezení podmínek vstupní proměnné, které tuto odezvu minimalizují.

3D graph showing colored surface with contour lines, representing data visualization or response surface methodology

Metodika povrchu odezvy od HyperLynx DSE

A design table showing various home styles with columns for square footage, bedrooms, bathrooms, and garage spaces.

Definování návrhového prostoru

HL-DSE je integrován s postupy shody sériových linek HyperLynx Advanced Solvers 3D Explorer a HyperLynx Signal Integrity před rozvržením, z nichž každý je již schopen provádět optimalizaci návrhu pomocí analýzy parametrů swept.

Když se počet simulačních případů stane neudržitelným, HL-DSE se používá k provádění automatizované optimalizace. Návrhové proměnné a rozsahy již definované uživatelem jsou sděleny HL-DSE, které uživatel může zkontrolovat a upravit podle potřeby.

Cíle analýzy

Definování optimalizačních cílů

HL-DSE je úzce integrován s 3D Explorerem a analýzou shody před rozvržením z pohledu výstupu simulace (odezvy). Výstupní metriky již definované uživatelem jsou předávány do HL-DSE, kde uživatel přidává požadavky na úspěšné/neúspěšné a optimalizační cíle.

Diagram showing study responses and parameters with data visualization elements and charts

Náhradní modelování

Colorful abstract 3D shapes and patterns representing surrogate modeling or data visualization

V některých aplikacích nestačí pouhé provádění simulačních experimentů a nalezení optimálních konfigurací, protože cílem je vědět, jak se návrh chová v milionech případů. Například, jakmile je návrh optimalizován, uživatel může chtít předpovědět výrobní výnos v milionech jednotek. V tomto případě jsou proměnné parametry návrhu, ale jejich rozsah se stává distribucí hodnot, které by se dalo očekávat jako výsledek výrobních tolerancí.

Spuštění milionů simulačních experimentů zjevně není praktické, takže je vytvořen přizpůsobený matematický nebo náhradní model, který úzce odpovídá chování návrhů vstupního/výstupu v rozsahu parametrů. Tento náhradní model pak může být použit místo skutečných simulačních experimentů k předpovědi chování návrhu za velkého počtu podmínek, a proto k předpovědi výrobního výnosu.

Algoritmus průzkumu SHERPA