Skip to main content
Šī lapa tiek parādīta, izmantojot automātisko tulkošanu. Tā vietā skatīt angļu valodā?

SHERPA izpētes algoritms

HyperLynx Design Space Exploration

HyperLynx Design Space Exploration (HL-DSE) nodrošina uzlabotu dizaina optimizāciju, kad izmeklējamo simulācijas gadījumu skaits ievērojami pārsniedz praktisko. HL-DSE var atrast optimālus risinājumus ar daļu no skaitļošanas resursiem, kas nepieciešami tradicionālajām metodēm.

HyperLynx resursi
Shēmas plate ar krāsainām pēdām un komponentiem uz zila fona

Optimizācijas izaicinājums

Simulācija ļauj dizaineriem analizēt, atkļūdot un optimizēt elektronisko dizainu, izmantojot digitālo dvīņu, pirms prototipa izlaišanas ražošanai. Tā rezultātā tiek iegūta izturīgāka, uzticamāka un rentablāka dēlis, samazinot iespējamību, ka laboratorijas testēšanas laikā rodas problēmas, kurām var būt nepieciešama dēļa atjaunošana.

Simulācija arī ļauj lietotājiem izpētīt alternatīvas dizaina versijas, lai uzlabotu uzticamību, ātrumu vai rezervi vai samazinātu kopējās ražošanas izmaksas. Ja simulāciju izmanto kā optimizācijas rīku, veiktās analīzes sarežģītība parasti palielinās pakāpeniski:

Select...

Sākotnēji lietotāji maina dizainu un atkārtoti simulē izmaiņas pa vienam. Tas labi darbojas vienkāršiem pētījumiem, un jaunajiem simulācijas lietotājiem ir viegli saprast. Šī metode vislabāk darbojas, ja ir jāizpēta tikai viens vai divi dizaina parametri (mainīgie) un ja lietotājs var viegli noteikt parametru vērtības, kuras izmantot nākamajam pētījumam, pamatojoties uz iepriekšējo rezultātiem.

Ātra, efektīva optimizācija

Efektīva lielu dizaina telpu izpēte ar pēc iespējas mazāk simulāciju ir grūts uzdevums, kam nepieciešama uzlabotu analīzes metožu kombinācija. Tam nepieciešama pieeja, kas līdzsvaro divas pretrunīgas prasības:

  1. Ievērojiet daudzsološus rezultātus, lai ātri atrastu to optimālās vērtības. Ja sākotnēji tiek ņemts paraugs projektēšanas telpas, izvēlētās vērtības reti rada optimālas vērtības. Tā vietā tie rada gradientus, kas tiek apstrādāti, lai atrastu optimālas vietas (parasti lokālos maksimumus/minimumus) uz reakcijas virsmas. Lai sasniegtu lokāli (bet ne globālu) optimālu rezultātu, nepieciešami papildu simulācijas eksperimenti, kas galu galā neveicina globālā optimāla atrašanu.
  2. Nodrošināt pienācīgu paraugu ņemšanu no visas projektēšanas telpas. Apsveriet olu kastīti, kur visas virsotnes un ielejas nedaudz atšķiras. Ir daudz dažādu vietējo minimumu un maksimumu - bet katram tikai viena globālā vērtība. Pēc sākotnējās paraugu ņemšanas ir viegli atrast vietējo gradientu un vietējo virsotni/ieleju, taču ļoti grūti nodrošināt globālās vērtības atrašanu. pilnīgs kosmosa paraugi jāņem pietiekami, lai līdz procesa beigām būtu konstatēti globālie maksimumi/minimumi.

SHERPA algoritms

Šo divu atšķirīgo prasību līdzsvarošana ir grūts uzdevums, kam nepieciešamas uzlabotas metodes, lai novērtētu katru reakciju, jo tā kļūst pieejama, lai novērtētu reakcijas virsmas skaitlisko secību un noteiktu nākamo veicamo eksperimentu. Lielākajai daļai optimizētāju tas prasa ievērojamu izpratni gan par atrisināmo problēmu, gan par pašu meklēšanas algoritmu, lai “noregulētu” algoritma vadības parametrus.

Izmantojot HL-DSE, SHERPA algoritms novērtē atbildes, kad analīze darbojas, un automātiski noskaņo algoritmu. Analīzes gaitā HL-DSE veido atbilžu diagrammu, parādot vērtību (-as), kas iegūtas no katra simulācijas eksperimenta.

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

Šajā sižetā HL-DSE ir divi nopelnu skaitļi un saistītie mērķi:

  • optimizēt sarkanās vērtības
  • samazināt zilās vērtības

Zilā līnija parāda eksperimentu vēsturi, kas uzlaboja zilās metrikas vērtību. Šīs analīzes budžets tika dotas 100 simulācijas no kopumā 82 500 iespējamām ievades vērtību permutācijām.

25 simulāciju laikā SHERPA spēja ātri atrast gandrīz optimālas vērtības katrai metrikai.

Atbildes virsmas metodika

Rezultātu vizualizācija

Sakarā ar pētāmo problēmu sarežģīto raksturu, uzlabotas optimizācijas metodes spēj izņemt tikai nelielu daļu no kopējās projektēšanas telpas. Spēja ātri un efektīvi vizualizēt analīzes rezultātus ir galvenā sastāvdaļa tādu procesu veikšanā kā optimizācija.

HyperLynx Design Space Exploration piedāvā bagātīgu izejas zīmēšanas iespēju klāstu, lai sniegtu ieskatu par dizaina uzvedību. Tie ietver 3D diagrammas, kas var parādīt tādas lietas kā to, kā atdalīšana un antipad diametrs ietekmē atgriešanās zudumus.

Šajā piemērā atgriešanās zudumi ir jāpalielina, lai uzlabotu signāla integritāti. Tas ietver katras simulācijas rezultātu pēcapstrādi, lai ziņotu par maksimālo vērtību, kas sastopama kā atbildes metrika, un pēc tam atrastu ievades mainīgos apstākļus, kas samazina šo reakciju.

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

Atbildes virsmas metodoloģija no HyperLynx DSE

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

Dizaina telpas definēšana

HL-DSE ir integrēts gan ar HyperLynx Advanced Solvers 3D Explorer, gan HyperLynx Signal Integrity pirms izkārtojuma sērijveida saišu atbilstības plūsmām, no kurām katra jau spēj veikt dizaina optimizāciju, izmantojot svīšanas parametru analīzi.

Kad simulācijas gadījumu skaits kļūst neuzturams, HL-DSE tiek izmantots automatizētas optimizācijas veikšanai. Lietotāja jau definētie dizaina mainīgie lielumi un diapazoni tiek paziņoti HL-DSE, kurus lietotājs var pārskatīt un pēc vajadzības pielāgot.

Analīzes mērķi

Optimizācijas mērķu noteikšana

HL-DSE ir cieši integrēts ar 3D Explorer un iepriekšējas izkārtojuma atbilstības analīzi no simulācijas izvades (atbildes) viedokļa. Lietotāja jau definētie izvades metriki tiek nodoti HL-DSE, kur lietotājs pievieno caurlaides un neveiksmes prasības un optimizācijas mērķus.

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

Aizvietotājmodelēšana

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

Dažās lietojumprogrammās nepietiek ar simulācijas eksperimentu veikšanu un optimālu konfigurāciju atrašanu, jo mērķis ir zināt, kā dizains uzvedas miljoniem gadījumu. Piemēram, kad dizains ir optimizēts, lietotājs var vēlēties paredzēt ražošanas ienesīgumu miljoniem vienību. Šajā gadījumā mainīgie lielumi ir dizaina parametri, bet to diapazons kļūst par vērtību sadalījumu, ko varētu sagaidīt ražošanas pielaižu rezultātā.

Miljoniem simulācijas eksperimentu veikšana acīmredzami nav praktiska, tāpēc tiek izveidots pielāgots matemātisks vai aizstājējs modelis, kas cieši atbilst dizaina ievades/izvades uzvedībai parametru diapazonā. Pēc tam šo surogātmodeli var izmantot faktisko simulācijas eksperimentu vietā, lai prognozētu dizaina uzvedību daudzos apstākļos un tādējādi prognozētu ražošanas ražu.

Resources