HyperLynx Design Space Exploration

Inicialmente, los usuarios modifican el diseño y vuelven a simular los cambios uno a la vez. Esto funciona bien para estudios simples y es fácil de entender para los nuevos usuarios de simulación. Este método funciona mejor cuando solo hay uno o dos parámetros de diseño (variables) que deben estudiarse y cuando el usuario puede determinar fácilmente los valores de los parámetros que se utilizarán para el próximo estudio en función de los resultados de los anteriores.

Cuando el número de combinaciones de parámetros de diseño (permutaciones) que se van a estudiar es más que un puñado, se necesita una metodología más consistente y organizada. El análisis de parámetros de barrido permite al usuario definir los parámetros y los valores asociados a estudiar, y luego utiliza una metodología automatizada para simular el comportamiento de cada caso, creando una tabla de los resultados para que se pueda identificar lo mejor. 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 una indicación del comportamiento del diseño. El análisis de parámetros de barrido viene en dos categorías: análisis completo, donde se exploran todas las combinaciones de todas las variables de diseño, y análisis de conjuntos reducidos, donde sólo se explora un subconjunto de todas las combinaciones.

Análisis de conjuntos reducido es importante porque el número de permutaciones en un análisis completo crece rápidamente a medida que se agregan variables y valores a la mezcla. El análisis completo evalúa todas las combinaciones de todas las variables, tengan sentido o no. El análisis de conjuntos reducido ayuda a mantener los tiempos de simulación manejables en estas condiciones, al permitir 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 que se explorarán puede crecer 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 manera muy eficiente utilizando métodos matemáticos avanzados de muestreo, porque solo un pequeño porcentaje del recuento total de permutaciones se puede simular prácticamente. Esto es lo que hacen las herramientas de optimización avanzadas: el usuario define el rango de variables de diseño y valores que se explorarán (el espacio de diseño), las métricas de salida utilizadas para comparar el comportamiento del diseño (el 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 objetivos).

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, con la métrica de salida trazada en el eje Z. Cuando existen tres variables de entrada, la superficie de respuesta se vuelve 4 dimensional, y así sucesivamente. Estas superficies de respuesta de orden superior son difíciles de internalizar para los humanos, pero la complejidad adicional no hace mucha diferencia para las computadoras y los algoritmos matemáticos, aparte del tiempo, la memoria y los cálculos requeridos. Por lo tanto, las herramientas de optimización avanzadas (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 completa posible.