Skip to main content
Seda lehte kuvatakse automaatse tõlke abil. Vaata hoopis inglise keeles?

SHERPA uurimisalgoritm

HyperLynx Design Space Exploration

HyperLynx Design Space Exploration (HL-DSE) pakub täiustatud disaini optimeerimist, kui uuritavate simulatsioonijuhtumite arv ületab oluliselt praktilist. HL-DSE suudab leida optimaalseid lahendusi murdosa traditsiooniliste meetoditega nõutavatest arvutusressurssidest.

HyperLynx ressursid
Värviliste jälgede ja komponentidega trükkplaat sinisel taustal

Optimeerimise väljakutse

Simulatsioon võimaldab disaineritel analüüsida, siluda ja optimeerida elektroonilist disaini digitaalse kaksiku abil enne prototüübi valmistamiseks laskmist. Selle tulemuseks on vastupidavam, usaldusväärsem ja kulutõhusam tahvel, vähendades laboritestide käigus tekkivate probleemide tõenäosust, mis võivad nõuda plaadi tagasivõtmist.

Simulatsioon võimaldab kasutajatel uurida ka oma disaini alternatiivseid versioone, et parandada töökindlust, kiirust või marginaali või vähendada üldisi tootmiskulusid. Kui optimeerimisvahendina kasutatakse simulatsiooni, suureneb teostatud analüüsi keerukus tavaliselt järk-järgult:

Select...

Esialgu muudavad kasutajad kujundust ja simuleerivad muudatusi ükshaaval uuesti. See töötab hästi lihtsate uuringute jaoks ja uutele simulatsioonikasutajatele on seda lihtne mõista. See meetod toimib kõige paremini siis, kui uuritavat on ainult ühte või kahte disainiparameetrit (muutujat) ja kui kasutaja saab eelmiste tulemuste põhjal hõlpsasti kindlaks määrata järgmises uuringus kasutatavad parameetrite väärtused.

Kiire ja tõhus optimeerimine

Suurte disainiruumide tõhus uurimine võimalikult väheste simulatsioonidega on keeruline ülesanne, mis nõuab täiustatud analüüsimeetodite kombinatsiooni. Selleks on vaja lähenemist, mis tasakaalustab kahte vastuolulist nõuet:

  1. Paljutõotavate tulemuste nullimine, et leida nende optimaalsed väärtused kiiresti. Kui disainiruumist esialgu proovid võetakse, valitud väärtused annavad harva optimaalseid väärtusi. Selle asemel toodavad nad gradiente, mida töödeldakse, et leida reageerimispinnal optimaalsed asukohad (tavaliselt kohalikud maksimaalsed miinimumid/miinimumid). Kohapeal (kuid mitte globaalselt) optimaalse tulemuse nullimine nõuab täiendavaid simulatsioonikatseid, mis lõpuks ei aita kaasa globaalse optimaalse leidmisele.
  2. Tagada, et kogu projekteerimisruumist võetakse piisavalt proovid. Mõelge munakarbile, kus tipud ja orud on kõik veidi erinevad. On palju erinevaid kohalikke miinimume ja maksimume - kuid igaühest ainult üks globaalne väärtus. Pärast esialgset proovivõtu võtmist on lihtne leida kohalikku gradienti ja kohalikku tippu/oru - kuid globaalse väärtuse leidmist on väga raske tagada. The terve ruumist tuleb võtta piisavalt proove, et protsessi lõpuks oleks leitud ülemaailmsed maksimumid/miinimumid.

SHERPA algoritm

Nende kahe erineva nõude tasakaalustamine on keeruline ülesanne, mis nõuab täiustatud tehnikaid iga vastuse hindamiseks, kuna see muutub kättesaadavaks reageerimispinna numbrilise järjekorra hindamiseks ja järgmise katse määramiseks. Enamiku optimeerijate puhul nõuab see nii lahendatava probleemi kui ka otsingualgoritmi enda mõistmist algoritmi juhtimisparameetrite häälestamiseks.

HL-DSE abil hindab SHERPA algoritm vastuseid analüüsi käivitamisel ja häälestab algoritmi automaatselt. HL-DSE koostab analüüsi käigus vastuste graafiku, näidates igast simulatsioonikatsest saadud väärtust (id).

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

Selles süžees on HL-DSE-l kaks teenetemärki ja sellega seotud eesmärke:

  • optimeerige punaseid väärtusi
  • minimeerige siniseid väärtusi

Sinine joon näitab sinise mõõdiku väärtust parandanud katsete ajalugu. Selle analüüsi eelarveks anti 100 simulatsiooni kokku 82 500 sisendväärtuste võimalikust permutatsioonist.

25 simulatsiooni jooksul suutis SHERPA kiiresti leida iga mõõdiku jaoks peaaegu optimaalsed väärtused.

Reaktsioonipinna metoodika

Tulemuste visualiseerimine

Uuritavate probleemide keerukuse tõttu suudavad täiustatud optimeerimistehnikad proovida vaid väikest protsenti kogu projekteerimisruumist. Analüüsitulemuste kiire ja tõhusa visualiseerimise oskus on protsesside, näiteks optimeerimise teostamise võtmeosa.

HyperLynx Design Space Exploration pakub rikkalikku valikut väljundjoonistamise võimalusi, et anda ülevaade disaini käitumisest. Nende hulka kuuluvad 3D-graafikud, mis võivad näidata selliseid asju nagu seda, kuidas eraldamine ja antipadi läbimõõt mõjutab tagasivoolu kadu.

Selles näites tuleb signaali terviklikkuse parandamiseks maksimeerida tagasisaatmiskadu. See hõlmab iga simulatsiooni tulemuste järeltöötlemist, et teatada vastuse mõõdikuna kogunenud maksimaalsest väärtusest, seejärel leidma sisendmuutuja tingimused, mis seda vastust minimeerivad.

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

HyperLynx DSE vastuspinna metoodika

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

Kujundusruumi määratlemine

HL-DSE on integreeritud nii HyperLynx Advanced Solvers 3D Exploreri kui ka HyperLynx Signal Integrity eelpaigutuse seerialingi vastavusvoogudega, millest igaüks on juba võimeline teostama disaini optimeerimist läbimisparameetrite analüüsi abil.

Kui simulatsioonijuhtumite arv muutub haldamatuks, kasutatakse automatiseeritud optimeerimise teostamiseks HL-DSE. Kasutaja poolt juba määratletud kujunduse muutujad ja vahemikud edastatakse HL-DSE-le, mida kasutaja saab vajadusel üle vaadata ja kohandada.

Analüüsi eesmärgid

Optimeerimise eesmärkide määratlemine

HL-DSE on tihedalt integreeritud 3D Exploreri ja eelpaigutuse vastavusanalüüsiga simulatsiooniväljundi (vastuse) vaatenurgast. Kasutaja poolt juba määratletud väljundmõõdikud edastatakse HL-DSE-le, kus kasutaja lisab passi/ebaõnnestumise nõuded ja optimeerimise eesmärgid.

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

Asendusmodelleerimine

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

Mõnes rakenduses ei piisa lihtsalt simulatsioonikatsete tegemisest ja optimaalsete konfiguratsioonide leidmisest, sest eesmärk on teada, kuidas disain käitub miljonitel juhtudel. Näiteks kui disain on optimeeritud, võib kasutaja soovida ennustada tootmistootlust miljonite ühikute ulatuses. Sel juhul on muutujad disaini parameetrid, kuid nende vahemik muutub väärtuste jaotuseks, mida võiks eeldada tootmise tolerantside tulemusena.

Miljonite simulatsioonikatsete läbiviimine pole ilmselgelt praktiline, seetõttu luuakse sobiv matemaatiline või asendusmudel, mis vastab tihedalt disaini sisend/väljundi käitumisele parameetrite vahemikus. Seda asendusmudelit saab seejärel kasutada tegelike simulatsioonikatsete asemel, et ennustada disaini käitumist paljudes tingimustes ja seega ennustada tootmissaagust.

Resources