HyperLynx Design Space Exploration

Optimeringsudfordringen

Simulering lader designere analysere, fejlsøge og optimere et elektronisk design ved hjælp af en digital twin, før de frigiver en prototype til fremstilling. Dette resulterer i et mere robust, pålideligt og omkostningseffektivt bord ved at reducere sandsynligheden for problemer, der opstår under laboratorietest, som kan kræve en kortrespin.

Simulering giver også brugerne mulighed for at udforske alternative versioner af deres design for at forbedre pålidelighed, hastighed eller margin, eller for at reducere de samlede produktionsomkostninger. Når simulering bruges som et optimeringsværktøj, øges kompleksiteten af den udførte analyse normalt i trin:

Select...

I første omgang ændrer brugerne designet og simulerer ændringer en ad gangen. Dette fungerer godt til enkle undersøgelser og er let for nye simuleringsbrugere at forstå. Denne metode fungerer bedst, når der kun er en eller to designparametre (variabler), der skal studeres, og når brugeren let kan bestemme de parameterværdier, der skal bruges til den næste undersøgelse baseret på resultaterne af tidligere.

Hurtig og effektiv optimering

Effektivt at udforske store designrum med så få simuleringer som muligt er en vanskelig opgave, der kræver en kombination af avancerede analyseteknikker. Dette kræver en tilgang, der afbalancerer to modstridende krav:

Nulstil på eventuelle lovende resultater for hurtigt at finde deres optimale værdier. Når et designrum oprindeligt udtages, resulterer de valgte værdier sjældent i optimale værdier. I stedet producerer de gradienter, der behandles for at finde optimale placeringer (normalt lokale maksima/minima) på responsoverfladen. At nulstille et lokalt (men ikke globalt) optimalt resultat kræver yderligere simuleringseksperimenter, der i sidste ende ikke bidrager til at finde det globale optimum.
Sikring af, at hele designrummet er tilstrækkeligt udtaget. Overvej en ægkarton, hvor toppene og dalene alle er lidt forskellige. Der er mange forskellige lokale minima og maxima - men kun en global værdi af hver. Det er let at finde en lokal gradient og den lokale toppe/dal efter indledende prøveudtagning - men meget vanskeligt at sikre, at den globale værdi findes. Den al rummet skal udtages tilstrækkeligt tilstrækkeligt til, at de globale maksimum/minima er fundet ved afslutningen af processen.

SHERPA algoritme

At afbalancere disse to forskellige krav er en vanskelig opgave, der kræver avancerede teknikker til at vurdere hvert svar, når det bliver tilgængeligt for at evaluere den numeriske rækkefølge af responsoverfladen og bestemme det næste eksperiment, der skal køres. Med de fleste optimatorer kræver dette betydelig forståelse af både problemet, der løses, og selve søgealgoritmen for at „tune“ kontrolparametrene for algoritmen.

Med HL-DSE evaluerer SHERPA-algoritmen svar, når analysen kører, og indstiller algoritmen automatisk. HL-DSE producerer et plot af svarene, efterhånden som analysen fortsætter, og viser den eller de værdier, der er opnået fra hvert simuleringseksperiment.

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

I dette plot har HL-DSE to fortjenstfigurer og tilknyttede mål:

optimere røde værdier
minimere blå værdier

Den blå linje viser historien om eksperimenter, der forbedrede værdien af den blå metrik. 100 simuleringer blev givet som budget for denne analyse ud af i alt 82.500 mulige permutationer af inputværdier.

Inden for 25 simuleringer var SHERPA i stand til hurtigt at finde næsten optimale værdier for hver måling.

Responsoverflademetode

Resultater visualisering

På grund af den komplekse karakter af de problemer, der undersøges, er avancerede optimeringsteknikker i stand til kun at prøve en lille procentdel af det samlede designrum. At kunne visualisere analyseresultater hurtigt og effektivt er en vigtig del af at udføre processer som via optimering.

HyperLynx Design Space Exploration tilbyder et rigt udvalg af outputplotningsfunktioner for at give indsigt i, hvordan designet opfører sig. Disse inkluderer 3D-plot, der kan vise ting som hvordan returtab påvirkes af via adskillelse og antipad-diameter.

I dette eksempel skal returtab maksimeres for at forbedre signalintegriteten. Dette involverer efterbehandling af hver simulations resultater for at rapportere den maksimale værdi, der opstår som svarmetrik, og derefter finde inputvariablebetingelserne, der minimerer dette svar.

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

Responsoverflademetode fra HyperLynx DSE

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

Definition af designrummet

HL-DSE er integreret med både HyperLynx Advanced Solvers 3D Explorer og HyperLynx Signal Integrity pre-layout serielle linkstrømme, som hver især allerede er i stand til at udføre designoptimering gennem swept-parameteranalyse.

Når antallet af simuleringssager bliver uholdbart, bruges HL-DSE til at udføre automatiseret optimering. Designvariabler og intervaller, der allerede er defineret af brugeren, kommunikeres til HL-DSE, som brugeren kan gennemgå og justere efter behov.

Analysemål

Definition af optimeringsmål

HL-DSE er tæt integreret med 3D Explorer og prælayoutoverensstemmelsesanalyse fra et simuleringsudgangsperspektiv (respons). Outputmålinger, der allerede er defineret af brugeren, sendes til HL-DSE, hvor brugeren tilføjer krav til bestået/ikke bestået og optimeringsmål.

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

Surrogat modellering

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

I nogle applikationer er det ikke nok at udføre simuleringseksperimenter og finde optimale konfigurationer, fordi det er målet at vide, hvordan designet opfører sig over millioner af tilfælde. For eksempel, når et design er optimeret, kan brugeren muligvis forudsige produktionsudbytte over millioner af enheder. I dette tilfælde er variablerne designets parametre, men deres rækkevidde bliver fordelingen af værdier, man ville forvente at se som et resultat af produktionstolerancer.

At køre millioner af simuleringseksperimenter er tydeligvis ikke praktisk, så der oprettes en tilpasset matematisk eller surrogatmodel, der nøje matcher designets input/output-adfærd inden for parameterområdet. Denne surrogatmodel kan derefter bruges i stedet for faktiske simuleringseksperimenter til at forudsige designets adfærd over et stort antal forhold og derfor forudsige produktionsudbytte.

SHERPA efterforskningsalgoritme