Exploration spatiale avec HyperLynx Design

Le défi de l'optimisation

La simulation permet aux concepteurs d'analyser, de déboguer et d'optimiser un design électronique à l'aide d'un jumeau numérique avant de lancer le prototype en fabrication. Cela permet d'obtenir une carte plus robuste, plus fiable et plus rentable en réduisant le risque de problèmes survenant lors des tests en laboratoire, qui peuvent nécessiter un respin du tableau.

La simulation permet également aux utilisateurs d'explorer d'autres versions de leur conception afin d'améliorer la fiabilité, la vitesse ou les marges, ou de réduire le coût de fabrication global. Lorsque la simulation est utilisée comme outil d'optimisation, la complexité de l'analyse effectuée augmente normalement par étapes :

Select...

Dans un premier temps, les utilisateurs modifient le design et simulent à nouveau les modifications une par une. Cela fonctionne bien pour les études simples et est facile à comprendre pour les nouveaux utilisateurs de simulations. Cette méthode fonctionne mieux lorsqu'il n'y a qu'un ou deux paramètres de conception (variables) à étudier et lorsque l'utilisateur peut facilement déterminer les valeurs des paramètres à utiliser pour la prochaine étude sur la base des résultats des précédentes.

Optimisation rapide et efficace

Explorer efficacement de grands espaces de conception avec le moins de simulations possible est une tâche difficile qui nécessite une combinaison de techniques d'analyse avancées. Cela nécessite une approche qui équilibre deux exigences contradictoires :

Se concentrer sur tous les résultats prometteurs pour trouver rapidement leurs valeurs optimales. Lorsqu'un espace de conception est échantillonné pour la première fois, les valeurs sélectionnées donnent rarement des valeurs optimales. Au lieu de cela, ils produisent des dégradés, qui sont traités pour trouver les emplacements optimaux (généralement des maximaux/minima locaux) sur la surface de réponse. Se concentrer sur un résultat optimal localement (mais pas globalement) nécessite des expériences de simulation supplémentaires qui, en fin de compte, ne contribuent pas à trouver l'optimum global.
Veiller à ce que l'ensemble de l'espace de conception soit correctement échantillonné. Prenons l'exemple d'une boîte à œufs dont les sommets et les vallées sont légèrement différents. Il existe de nombreux minima et maxima locaux différents, mais une seule valeur globale pour chacun. Il est facile de trouver une pente locale et le pic ou la vallée locaux après le premier échantillonnage, mais il est très difficile de s'assurer que la valeur globale est trouvée. Le l'ensemble l'espace doit être échantillonné de manière suffisamment adéquate pour que les maximums et minimums globaux soient déterminés à la fin du processus.

Algorithme SHERPA

Trouver un équilibre entre ces deux exigences est une tâche difficile qui nécessite des techniques avancées pour évaluer chaque réponse au fur et à mesure qu'elle est disponible, afin d'évaluer l'ordre numérique de la surface de réponse et de déterminer la prochaine expérience à effectuer. Avec la plupart des optimiseurs, cela nécessite une connaissance approfondie du problème à résoudre et de l'algorithme de recherche lui-même afin de « régler » les paramètres de contrôle de l'algorithme.

Avec HL-DSE, l'algorithme SHERPA évalue les réponses au fur et à mesure de l'analyse et règle l'algorithme automatiquement. Le HL-DSE produit un graphique des réponses au fur et à mesure de l'analyse, avec la ou les valeurs obtenues pour chaque expérience de simulation.

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

Dans ce graphique, HL-DSE a deux chiffres de mérite et des objectifs associés :

optimiser les valeurs rouges
minimiser les valeurs bleues

La ligne bleue montre l'historique des expériences qui ont amélioré la valeur de la métrique bleue. 100 simulations ont été prévues comme budget pour cette analyse, sur un total de 82 500 permutations possibles des valeurs d'entrée.

En 25 simulations, SHERPA a pu rapidement trouver des valeurs quasi optimales pour chaque indicateur.

Méthodologie de la surface de réponse

Visualisation des résultats

En raison de la nature complexe des problèmes étudiés, les techniques d'optimisation avancées ne permettent d'échantillonner qu'un faible pourcentage de l'espace de conception total. La capacité de visualiser les résultats des analyses rapidement et efficacement est un élément clé de l'exécution des processus, par exemple par le biais de l'optimisation.

HyperLynx Design Space Exploration propose un large éventail de fonctionnalités de traçage en sortie qui permettent de mieux comprendre le comportement du design. Il s'agit notamment de graphiques en 3D qui peuvent montrer comment la perte de retour est affectée par la séparation via et le diamètre de l'antipad.

Dans cet exemple, la perte de retour doit être maximisée afin d'améliorer l'intégrité du signal. Cela implique de post-traiter les résultats de chaque simulation pour indiquer la valeur maximale rencontrée comme métrique de réponse, puis de trouver les conditions des variables d'entrée qui minimisent cette réponse.

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

Méthodologie de surface de réponse développée par HyperLynx DSE

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

Définition de l'espace design

Le HL-DSE est intégré à la fois aux flux de conformité des liaisons série HyperLynx Advanced Solvers 3D Explorer et HyperLynx Signal Integrity avant la mise en page, chacun d'entre eux étant déjà capable d'optimiser la conception grâce à une analyse des paramètres de balayage.

Lorsque le nombre de cas de simulation devient intenable, le HL-DSE est utilisé pour effectuer une optimisation automatique. Les variables de conception et les plages déjà définies par l'utilisateur sont communiquées à HL-DSE, que l'utilisateur peut revoir et ajuster si nécessaire.

Objectifs d'analyse

Définir des objectifs d'optimisation

Le HL-DSE est étroitement intégré à 3D Explorer et à l'analyse de conformité préalable à la mise en page du point de vue des résultats de simulation (réponse). Les indicateurs de sortie déjà définis par l'utilisateur sont transmis à HL-DSE, où l'utilisateur ajoute des exigences de réussite/échec et des objectifs d'optimisation.

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

Modélisation de substitution

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

Dans certaines applications, il ne suffit pas de réaliser des expériences de simulation et de trouver les configurations optimales, car l'objectif est de savoir comment le design se comporte dans des millions de cas. Par exemple, une fois le design optimisé, l'utilisateur peut vouloir prévoir le rendement de fabrication sur des millions d'unités. Dans ce cas, les variables sont les paramètres du design, mais leur plage devient la distribution des valeurs que l'on peut s'attendre à voir en raison des tolérances de fabrication.

Réaliser des millions d'expériences de simulation n'est clairement pas pratique. C'est pourquoi un modèle mathématique adapté, ou de substitution, est créé qui correspond étroitement au comportement des entrées/sorties du design dans la plage de paramètres. Ce modèle de substitution peut ensuite être utilisé à la place de véritables expériences de simulation pour prédire le comportement du design dans un grand nombre de conditions, et donc prédire le rendement de fabrication.

Algorithme d'exploration SHERPA