Skip to main content
Ova se stranica prikazuje pomoću automatiziranog prijevoda. Umjesto toga, pogledaj na engleskom?

SHERPA algoritam istraživanja

HyperLynx Design Space Exploration

HyperLynx Design Space Exploration (HL-DSE) pruža naprednu optimizaciju dizajna kada broj slučajeva simulacije koje treba istražiti znatno premašuje ono što je praktično. HL-DSE može pronaći optimalna rješenja s dijelom računskih resursa potrebnih tradicionalnim metodama.

Resursi HyperLynx
Ploča sa šarenim tragovima i komponentama na plavoj pozadini

Izazov optimizacije

Simulacija omogućuje dizajnerima analizu, ispravljanje pogrešaka i optimizaciju elektroničkog dizajna pomoću digitalnog blizanca prije puštanja prototipa u proizvodnju. To rezultira robusnijom, pouzdanijom i isplativijom pločom smanjujući vjerojatnost problema koji se pojave tijekom laboratorijskih ispitivanja koji mogu zahtijevati ponovno postavljanje ploče.

Simulacija također omogućuje korisnicima da istraže alternativne verzije svog dizajna kako bi poboljšali pouzdanost, brzinu ili maržu ili smanjili ukupni trošak proizvodnje. Kada se simulacija koristi kao alat za optimizaciju, složenost izvedene analize obično se povećava u fazama:

Select...

U početku korisnici mijenjaju dizajn i ponovno simuliraju promjene jednu po jednu. Ovo dobro funkcionira za jednostavne studije i lako je razumjeti novim korisnicima simulacije. Ova metoda najbolje funkcionira kada se proučavaju samo jedan ili dva parametra dizajna (varijable) i kada korisnik može lako odrediti vrijednosti parametara koje će se koristiti za sljedeću studiju na temelju rezultata prethodnih.

Brza i učinkovita optimizacija

Učinkovito istraživanje velikih dizajnerskih prostora s što manje simulacija težak je zadatak koji zahtijeva kombinaciju naprednih tehnika analize. To zahtijeva pristup koji uravnotežuje dva sukobljena zahtjeva:

  1. Uključite sve obećavajuće rezultate kako biste brzo pronašli njihove optimalne vrijednosti. Kada se početno uzorkuje dizajnerski prostor, odabrane vrijednosti rijetko rezultiraju optimalnim vrijednostima. Umjesto toga, oni proizvode gradijente koji se obrađuju kako bi se pronašle optimalne lokacije (obično lokalni maksimumi/minimumi) na površini odziva. Nuliranje lokalnog (ali ne globalnog) optimalnog rezultata zahtijeva dodatne simulacijske eksperimente koji u konačnici ne doprinose pronalaženju globalnog optimuma.
  2. Osiguravanje adekvatnog uzorkovanja cijelog prostora dizajna. Razmislite o kartonu za jaja gdje su vrhovi i doline malo drugačiji. Postoji mnogo različitih lokalnih minimuma i maksimuma - ali samo jedna globalna vrijednost svakog od njih. Nakon početnog uzorkovanja lako je pronaći lokalni gradijent i lokalni vrh/dolinu - ali vrlo je teško osigurati pronalaženje globalne vrijednosti. čitav prostor mora biti uzorkovan dovoljno da se globalni maksimumi/minimumi pronađu do kraja procesa.

SHERPA algoritam

Uravnoteženje ova dva različita zahtjeva težak je zadatak koji zahtijeva napredne tehnike za procjenu svakog odgovora jer postaje dostupan za procjenu numeričkog redoslijeda površine odziva i određivanje sljedećeg eksperimenta koji će se pokrenuti. Kod većine optimizatora to zahtijeva značajno razumijevanje problema koji se rješava i samog algoritma pretraživanja za "podešavanje" kontrolnih parametara za algoritam.

Uz HL-DSE, SHERPA algoritam procjenjuje odgovore dok se analiza pokreće i automatski podešava algoritam. HL-DSE proizvodi grafikon odgovora kako se analiza odvija, pokazujući vrijednosti dobivene iz svakog simulacijskog eksperimenta.

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

U ovom zapletu HL-DSE ima dvije figure zasluga i povezane ciljeve:

  • optimizirati crvene vrijednosti
  • minimizirajte plave vrijednosti

Plava linija prikazuje povijest eksperimenata koji su poboljšali vrijednost plave metrike. Kao proračun za ovu analizu dato je 100 simulacija, od ukupno 82.500 mogućih permutacija ulaznih vrijednosti.

Unutar 25 simulacija SHERPA je uspjela brzo pronaći gotovo optimalne vrijednosti za svaku metriku.

Metodologija površine odgovora

Vizualizacija rezultata

Zbog složene prirode problema koji se istražuju, napredne tehnike optimizacije mogu uzorkovati samo mali postotak ukupnog dizajnerskog prostora. Sposobnost brzog i učinkovitog vizualiziranja rezultata analize ključni je dio izvođenja procesa poput optimizacije.

HyperLynx Design Space Exploration nudi bogat asortiman mogućnosti crtanja izlaza kako bi se pružio uvid u ponašanje dizajna. To uključuje 3D grafikone koje mogu pokazati stvari poput toga kako na gubitak povratka utječe razdvajanje i promjer antipad-a.

U ovom primjeru, gubitak povratka treba maksimizirati kako bi se poboljšao integritet signala. To uključuje naknadnu obradu rezultata svake simulacije kako bi se izvještavala maksimalna vrijednost koja se nailazi kao metrika odgovora, a zatim pronalaženje uvjeta ulazne varijable koji taj odgovor minimiziraju.

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

Metodologija površine odgovora iz HyperLynx DSE

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

Definiranje dizajnerskog prostora

HL-DSE integriran je s HyperLynx Advanced Solvers 3D Explorerom i HyperLynx Signal Integrity protokovima usklađenosti serijskih veza prije rasporeda, od kojih je svaki već sposoban izvršiti optimizaciju dizajna kroz analizu parametara.

Kada broj slučajeva simulacije postane neodrživ, HL-DSE se koristi za obavljanje automatizirane optimizacije. Dizajnerske varijable i rasponi koje je korisnik već definisao priopćeni su HL-DSE-u, koje korisnik može pregledati i prilagoditi prema potrebi.

Ciljevi analize

Definiranje ciljeva optimizacije

HL-DSE je čvrsto integriran s 3D Explorerom i analizom usklađenosti prije izgleda iz perspektive simulacijskog izlaza (odgovora). Izlazne metrike koje je korisnik već definirao prosljeđuju se na HL-DSE, gdje korisnik dodaje zahtjeve za prolaskom/neuspjeh i ciljeve optimizacije.

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

Zamjensko modeliranje

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

U nekim aplikacijama jednostavno izvođenje simulacijskih eksperimenata i pronalaženje optimalnih konfiguracija nije dovoljno, jer je cilj znati kako se dizajn ponaša u milijunima slučajeva. Na primjer, nakon što je dizajn optimiziran, korisnik će možda htjeti predvidjeti prinos proizvodnje na milijune jedinica. U ovom slučaju, varijable su parametri dizajna, ali njihov raspon postaje raspodjela vrijednosti koje bi se očekivalo kao rezultat proizvodnih tolerancija.

Izvođenje milijuna simulacijskih eksperimenata očito nije praktično, pa se stvara prilagođeni matematički ili surogatni model koji usko odgovara dizajnerskom ulazno/izlaznom ponašanju unutar raspona parametara. Ovaj surogat model se tada može koristiti umjesto stvarnih simulacijskih eksperimenata za predviđanje ponašanja dizajna u velikom broju uvjeta, a samim tim i predviđanje proizvodnog prinosa.

Resources