HyperLynx Design Space Exploration

Optimointihaaste

Simulaation avulla suunnittelijat voivat analysoida, virheenkorjata ja optimoida elektronisen suunnittelun digitaalisen twinin avulla ennen prototyypin julkaisemista valmistukseen. Tämä johtaa kestävämpään, luotettavampaan ja kustannustehokkaampaan levyyn vähentämällä laboratoriotestien aikana ilmenevien ongelmien todennäköisyyttä, jotka saattavat vaatia levyn uudelleenkäynnistystä.

Simulaation avulla käyttäjät voivat myös tutkia suunnittelunsa vaihtoehtoisia versioita luotettavuuden, nopeuden tai marginaalin parantamiseksi tai kokonaisvalmistuskustannusten vähentämiseksi. Kun simulointia käytetään optimointityökaluna, suoritetun analyysin monimutkaisuus kasvaa normaalisti vaiheittain:

Select...

Aluksi käyttäjät muokkaavat suunnittelua ja simuloivat muutoksia yksi kerrallaan. Tämä toimii hyvin yksinkertaisissa tutkimuksissa ja uusien simulaatioiden käyttäjien on helppo ymmärtää. Tämä menetelmä toimii parhaiten, kun tutkittavia suunnitteluparametreja (muuttujia) on vain yksi tai kaksi ja kun käyttäjä voi helposti määrittää seuraavassa tutkimuksessa käytettävät parametriarvot aiempien tulosten perusteella.

Nopea ja tehokas optimointi

Suurten suunnittelutilojen tehokas tutkiminen mahdollisimman vähillä simulaatioilla on vaikea tehtävä, joka vaatii edistyneiden analyysitekniikoiden yhdistelmän. Tämä edellyttää lähestymistapaa, joka tasapainottaa kaksi ristiriitaista vaatimusta:

Nollaa kaikki lupaavat tulokset löytääksesi optimaaliset arvot nopeasti. Kun suunnittelutilasta otetaan alun perin näytteet, valitut arvot johtavat harvoin optimaalisiin arvoihin. Sen sijaan ne tuottavat kaltevuuksia, joita käsitellään optimaalisten sijaintien (yleensä paikallisten maksimien/minimien) löytämiseksi vastepinnalla. Paikallisesti (mutta ei globaalisti) optimaalisen tuloksen nollaaminen vaatii lisää simulaatiokokeita, jotka eivät lopulta edistä globaalin optimaalin löytämistä.
Varmistetaan, että koko suunnittelutilasta otetaan riittävästi näytteitä. Harkitse munapakkausta, jossa huiput ja laaksot ovat kaikki hieman erilaisia. Paikallisia minimejä ja maksimeja on monia erilaisia - mutta vain yksi globaali arvo jokaisesta. Alustavan näytteenoton jälkeen on helppo löytää paikallinen kaltevuus ja paikallinen huipu/laakso - mutta erittäin vaikea varmistaa, että globaali arvo löytyy. koko Tilasta on otettava näytteet riittävän hyvin, jotta globaalit maksimit/minimit on löydetty prosessin loppuun mennessä.

SHERPA-algoritmi

Näiden kahden eri vaatimuksen tasapainottaminen on vaikea tehtävä, joka vaatii edistyneitä tekniikoita kunkin vasteen arvioimiseksi, kun se tulee saataville vastepinnan numeerisen järjestyksen arvioimiseksi ja seuraavan suoritettavan kokeen määrittämiseksi. Useimmilla optimoijilla tämä vaatii huomattavaa ymmärrystä sekä ratkaistavasta ongelmasta että itse hakualgoritmista algoritmin ohjausparametrien ”virittämiseksi”.

HL-DSE: n avulla SHERPA-algoritmi arvioi vastaukset analyysin suorittamisen aikana ja virittää algoritmin automaattisesti. HL-DSE tuottaa kaavion vastauksista analyysin edetessä, joka näyttää kustakin simulaatiokokeesta saadut arvot.

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

Tässä juonessa HL-DSE: llä on kaksi ansioluvua ja niihin liittyviä tavoitteita:

optimoi punaiset arvot
minimoi siniset arvot

Sininen viiva näyttää sellaisten kokeiden historian, jotka paransivat sinisen metriikan arvoa. Tämän analyysin budjettiksi annettiin 100 simulaatiota yhteensä 82 500 mahdollisesta syöttöarvojen permutaatiosta.

25 simulaatiossa SHERPA pystyi nopeasti löytämään lähes optimaaliset arvot kullekin mittarille.

Vastauspintamenetelmät

Tulosten visualisointi

Tutkittavien ongelmien monimutkaisuuden vuoksi edistyneet optimointitekniikat pystyvät ottamaan näytteitä vain pienestä prosenttiosuudesta koko suunnittelutilasta. Kyky visualisoida analyysitulokset nopeasti ja tehokkaasti on keskeinen osa prosessien suorittamista, kuten optimoinnin avulla.

HyperLynx Design Space Exploration tarjoaa runsaan valikoiman tulostuspiirtoominaisuuksia, jotka antavat käsityksen suunnittelun käyttäytymisestä. Näihin kuuluvat 3D-kaaviot, jotka voivat näyttää esimerkiksi kuinka erottelu ja antipadin halkaisija vaikuttaa palautushäviöön.

Tässä esimerkissä palautushäviö on maksimoitava signaalin eheyden parantamiseksi. Tähän sisältyy kunkin simulaation tulosten jälkikäsittely vastemittarina havaitun maksimiarvon raportoimiseksi ja sitten syöttömuuttujan olosuhteiden löytämiseksi, jotka minimoivat vasteen.

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

HyperLynx DSE: n vastepintamenetelmät

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

Suunnittelutilan määrittely

HL-DSE on integroitu sekä HyperLynx Advanced Solvers 3D Explorer- että HyperLynx Signal Integrity -asettelua edeltäviin sarjalinkkien vaatimustenmukaisuusvirtoihin, joista jokainen pystyy jo suorittamaan suunnittelun optimoinnin swept-parametrianalyysin avulla.

Kun simulointitapausten määrä muuttuu kestämättömäksi, HL-DSE: tä käytetään automaattisen optimoinnin suorittamiseen. Käyttäjän jo määrittelemät suunnittelumuuttujat ja alueet ilmoitetaan HL-DSE: lle, joita käyttäjä voi tarkistaa ja säätää tarpeen mukaan.

Analyysitavoitteet

Optimointitavoitteiden määrittäminen

HL-DSE on tiiviisti integroitu 3D Exploreriin ja asettelua edeltävään vaatimustenmukaisuusanalyysiin simulaatiolähdön (vastaus) näkökulmasta. Käyttäjän jo määrittämät tulostusmittarit välitetään HL-DSE: lle, jossa käyttäjä lisää läpäisy-/hylätyvaatimukset ja optimointitavoitteet.

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

Korvaava mallinnus

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

Joissakin sovelluksissa pelkkä simulaatiokokeiden suorittaminen ja optimaalisten kokoonpanojen löytäminen ei riitä, koska tavoitteena on tietää, miten suunnittelu käyttäytyy miljoonissa tapauksissa. Esimerkiksi, kun suunnittelu on optimoitu, käyttäjä voi haluta ennustaa valmistuksen tuottoa miljoonien yksiköiden yli. Tässä tapauksessa muuttujat ovat suunnittelun parametreja, mutta niiden alueesta tulee arvojen jakauma, jonka voidaan odottaa näkevän valmistustoleranssien seurauksena.

Miljoonien simulaatiokokeiden suorittaminen ei selvästikään ole käytännöllistä, joten luodaan sopiva matemaattinen tai korvaava malli, joka vastaa läheisesti mallin tulo-/lähtökäyttäytymistä parametrialueella. Tätä korvaavaa mallia voidaan sitten käyttää todellisten simulaatiokokeiden sijasta ennustamaan suunnittelun käyttäytymistä useissa olosuhteissa ja siten ennustamaan valmistuksen tuottoa.

SHERPA-tutkimusalgoritmi