HyperLynx Design Space Exploration

Al principio, los usuarios modifican el diseño y vuelven a simular los cambios uno a uno. Esto funciona bien para estudios sencillos y es fácil de entender para los nuevos usuarios de la simulación. Este método funciona mejor cuando solo hay uno o dos parámetros de diseño (variables) que estudiar y cuando el usuario puede determinar fácilmente los valores de los parámetros que utilizará en el siguiente estudio basándose en los resultados de los anteriores.

Cuando el número de combinaciones de parámetros de diseño (permutaciones) que se van a estudiar pase a ser más de unas pocas, se necesita una metodología más coherente y organizada. El análisis de parámetros de barrido permite al usuario definir los parámetros y los valores asociados que se van a estudiar y, a continuación, utiliza una metodología automatizada para simular el comportamiento de cada caso, creando una tabla con los resultados para poder identificar a los mejores. La clave de esta metodología es la selección de una métrica cuantitativa o cifra de mérito, un valor numérico derivado de los resultados de la simulación que sirve como indicador del comportamiento del diseño. El análisis de parámetros de barrido se divide en dos categorías: análisis completo, donde se exploran todas las combinaciones de todas las variables de diseño, y análisis de conjuntos reducido, donde solo se explora un subconjunto de todas las combinaciones.

Reducción del análisis de conjuntos es importante porque el número de permutaciones en un análisis completo aumenta rápidamente a medida que se añaden variables y valores a la mezcla. El análisis completo evalúa todas las combinaciones de todas las variables, tengan sentido o no. La reducción del análisis de conjuntos ayuda a mantener los tiempos de simulación manejables en estas condiciones, ya que permite a los usuarios aprovechar su intuición de diseño y especificar formas de limitar el número de casos explorados.

Para estudios grandes, el número de casos por explorar puede llegar a millones y la exploración tradicional ya no es posible. En estos casos, el subconjunto de todas las permutaciones que se simularán debe seleccionarse de forma muy eficaz mediante métodos matemáticos de muestreo avanzados, ya que solo se puede simular prácticamente un pequeño porcentaje del recuento total de permutaciones. Esto es lo que hacen las herramientas de optimización avanzadas: el usuario define el rango de variables y valores de diseño que se van a explorar (el espacio de diseño), las métricas de salida utilizadas para comparar el comportamiento del diseño (la respuestas), los valores de las respuestas que definen el éxito o el fracaso del diseño (el diseño objetivos) y, para cada respuesta, si la intención es maximizar o minimizar su valor (el diseño goles).

El superficie de respuesta se define como el espacio n-dimensional creado por el valor de cada métrica en el rango de entradas; en pocas palabras, un gráfico de los valores de salida. Cuando solo existe una variable, la superficie de respuesta es un gráfico 2D (x-y) o una curva. Cuando existen dos variables de entrada, la superficie de respuesta es un gráfico 3D y la métrica de salida se traza en el eje Z. Cuando existen tres variables de entrada, la superficie de respuesta pasa a ser tridimensional, etc. Estas superficies de respuesta de orden superior son difíciles de internalizar para los humanos, pero la complejidad adicional no hace mucha diferencia para los ordenadores y los algoritmos matemáticos, aparte del tiempo, la memoria y los cálculos necesarios. Por lo tanto, las herramientas de optimización avanzadas (el HL-DSE es una de ellas) combinan el análisis basado en la superficie de respuesta con sofisticados algoritmos numéricos que utilizan experimentos de simulación para investigar automáticamente un gran espacio de diseño de la manera más eficiente y exhaustiva posible.