HyperLynx Design Space Exploration

Optimizavimo iššūkis

Modeliavimas leidžia dizaineriams analizuoti, derinti ir optimizuoti elektroninį dizainą naudojant digital twin dvynį prieš išleidžiant prototipą gamybai. Tai lemia tvirtesnę, patikimesnę ir ekonomiškesnę lentą, nes sumažėja tikimybė, kad laboratorinių tyrimų metu iškils problemų, dėl kurių gali prireikti lentos atstatymo.

Modeliavimas taip pat leidžia vartotojams ištirti alternatyvias jų dizaino versijas, siekiant pagerinti patikimumą, greitį ar maržą arba sumažinti bendras gamybos išlaidas. Kai modeliavimas naudojamas kaip optimizavimo įrankis, atliekamos analizės sudėtingumas paprastai didėja etapais:

Select...

Iš pradžių vartotojai modifikuoja dizainą ir iš naujo imituoja pakeitimus po vieną. Tai gerai veikia paprastoms studijoms ir naujiems modeliavimo vartotojams lengva suprasti. Šis metodas geriausiai veikia, kai yra tik vienas ar du projektavimo parametrai (kintamieji), kuriuos reikia ištirti, ir kai vartotojas gali lengvai nustatyti parametrų reikšmes, kurias reikia naudoti kitam tyrimui, remdamasis ankstesnių rezultatais.

Greitas ir efektyvus optimizavimas

Efektyvus didelių dizaino erdvių tyrinėjimas naudojant kuo mažiau modeliavimų yra sudėtinga užduotis, kuriai reikia derinti pažangius analizės metodus. Tam reikia požiūrio, kuris subalansuotų du prieštaringus reikalavimus:

Nuliuokite bet kokius perspektyvius rezultatus, kad greitai rastumėte optimalias jų vertes. Kai iš pradžių imamas dizaino erdvės mėginiai, pasirinktos vertės retai lemia optimalias vertes. Vietoj to, jie gamina gradientus, kurie apdorojami siekiant rasti optimalias vietas (paprastai vietinius maksimumus/minimumus) atsako paviršiuje. Norint pasiekti lokaliai (bet ne globaliai) optimalų rezultatą, reikia papildomų modeliavimo eksperimentų, kurie galiausiai nepadeda rasti visuotinio optimumo.
Užtikrinti, kad visos projektinės erdvės mėginiai būtų tinkamai paimti. Apsvarstykite kiaušinių dėžutę, kurioje smailės ir slėniai šiek tiek skiriasi. Yra daug įvairių vietinių minimumų ir maximų - bet tik viena pasaulinė kiekvieno vertė. Nesunku rasti vietinį gradientą ir vietinę viršūnę/slėnį po pradinio mėginio ėmimo - tačiau labai sunku užtikrinti, kad būtų rasta pasaulinė vertė. The ištisas erdvė turi būti paimta pakankamai tinkamai, kad iki proceso pabaigos būtų rasti pasauliniai maksimumai/minimumai.

SHERPA algoritmas

Subalansuoti šiuos du skirtingus reikalavimus yra sudėtinga užduotis, kuri reikalauja pažangių metodų įvertinti kiekvieną atsaką, nes ji tampa prieinama įvertinti skaitinę tvarką atsako paviršiaus ir nustatyti kitą eksperimentą paleisti. Naudojant daugumą optimizatorių, tam reikia nemažai suprasti tiek sprendžiamą problemą, tiek patį paieškos algoritmą, kad būtų galima “suderinti” algoritmo valdymo parametrus.

Naudodamas HL-DSE, SHERPA algoritmas įvertina atsakymus, kai analizė vykdoma, ir automatiškai suderina algoritmą. Analizės metu HL-DSE sukuria atsakymų diagramą, parodantį vertę (-as), gautą (-as) iš kiekvieno modeliavimo eksperimento.

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

Šiame siužete HL-DSE turi dvi nuopelnų figūras ir susijusius tikslus:

optimizuoti raudonas vertes
sumažinkite mėlynas vertes

Mėlyna linija rodo eksperimentų, kurie pagerino mėlynos metrikos vertę, istoriją. Kaip šios analizės biudžetas buvo pateiktas 100 modeliavimų iš viso 82 500 galimų įvesties verčių permutacijų.

Per 25 modeliavimus SHERPA sugebėjo greitai rasti beveik optimalias kiekvienos metrikos vertes.

Atsakymo paviršiaus metodika

Rezultatų vizualizacija

Dėl sudėtingo tiriamų problemų pobūdžio pažangūs optimizavimo metodai gali paimti tik nedidelę dalį visos projektinės erdvės. Gebėjimas greitai ir efektyviai vizualizuoti analizės rezultatus yra pagrindinė procesų, tokių kaip optimizavimas, dalis.

“HyperLynx Design Space Exploration” siūlo gausų produkcijos braižymo galimybių asortimentą, kad suteiktų įžvalgų apie tai, kaip dizainas elgiasi. Tai apima 3D sklypus, kurie gali parodyti tokius dalykus kaip grąžos nuostolius veikia per atskyrimas ir antipad skersmuo.

Šiame pavyzdyje grąžos nuostoliai turi būti maksimaliai padidinti, kad būtų pagerintas signalo vientisumas. Tai apima kiekvieno modeliavimo rezultatų apdorojimą, kad būtų galima pranešti apie didžiausią vertę, su kuria susiduriama kaip atsako metrika, tada ieškant įvesties kintamųjų sąlygų, kurios sumažina tą atsaką.

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

“HyperLynx DSE” atsako paviršiaus metodika

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

Dizaino erdvės apibrėžimas

HL-DSE yra integruotas tiek su “HyperLynx Advanced Solvers 3D Explorer”, tiek su “HyperLynx Signal Integrity” išankstinio išdėstymo nuosekliosios nuorodos atitikties srautais, kurių kiekvienas jau gali atlikti dizaino optimizavimą atlikdamas “swept-parameter” analizę.

Kai modeliavimo atvejų skaičius tampa neišlaikomas, HL-DSE naudojamas automatizuotam optimizavimui atlikti. Naudotojo jau apibrėžti dizaino kintamieji ir diapazonai perduodami HL-DSE, kuriuos vartotojas gali peržiūrėti ir prireikus koreguoti.

Analizės tikslai

Optimizavimo tikslų nustatymas

HL-DSE yra glaudžiai integruota su 3D Explorer ir išankstinio išdėstymo atitikties analize iš modeliavimo išvesties (atsako) perspektyvos. Vartotojo jau apibrėžta išvesties metrika perduodama HL-DSE, kur vartotojas prideda pass/fail reikalavimus ir optimizavimo tikslus.

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

Surogatinis modeliavimas

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

Kai kuriose programose nepakanka paprasčiausiai atlikti modeliavimo eksperimentus ir rasti optimalias konfigūracijas, nes tikslas yra žinoti, kaip dizainas elgiasi milijonais atvejų. Pavyzdžiui, optimizavus dizainą, vartotojas gali norėti numatyti milijonus vienetų gamybos derlingumą. Šiuo atveju kintamieji yra dizaino parametrai, tačiau jų diapazonas tampa verčių pasiskirstymu, kurį galima tikėtis pamatyti kaip gamybos nuokrypių rezultatą.

Vykdyti milijonus modeliavimo eksperimentų akivaizdžiai nėra praktiška, todėl sukuriamas pritaikytas matematinis arba surogatinis modelis, kuris glaudžiai atitinka dizaino įvesties/išvesties elgesį parametrų diapazone. Tada šis surogatinis modelis gali būti naudojamas vietoje faktinių modeliavimo eksperimentų, siekiant numatyti dizaino elgesį daugybe sąlygų ir todėl prognozuoti gamybos derlingumą.

SHERPA tyrinėjimo algoritmas