HyperLynx Design Space Exploration

Optimaliseringsutfordringen

Simulering lar designere analysere, feilsøke og optimalisere et elektronisk design ved hjelp av en digital twin før de slipper en prototype til fabrikasjon. Dette resulterer i et mer robust, pålitelig og kostnadseffektivt brett ved å redusere sannsynligheten for problemer som oppstår under laboratorietesting som kan kreve en brettrespin.

Simulering lar også brukere utforske alternative versjoner av designet for å forbedre påliteligheten, hastigheten eller marginen, eller for å redusere de totale produksjonskostnadene. Når simulering brukes som et optimaliseringsverktøy, øker kompleksiteten i analysen som utføres normalt i trinn:

Select...

I utgangspunktet endrer brukerne designet og simulerer endringer en om gangen. Dette fungerer bra for enkle studier og er lett for nye simuleringsbrukere å forstå. Denne metoden fungerer best når det bare er en eller to designparametere (variabler) som skal studeres, og når brukeren lett kan bestemme parameterverdiene som skal brukes til neste studie basert på resultatene fra tidligere.

Rask og effektiv optimalisering

Effektivt å utforske store designrom med så få simuleringer som mulig er en vanskelig oppgave som krever en kombinasjon av avanserte analyseteknikker. Dette krever en tilnærming som balanserer to motstridende krav:

Nullstille inn lovende resultater for å finne de optimale verdiene raskt. Når et designrom først samples, resulterer verdiene som velges sjelden i optimale verdier. I stedet produserer de gradienter, som behandles for å finne optimale steder (vanligvis lokale maksima/minima) på responsoverflaten. Å nullstille på et lokalt (men ikke globalt) optimalt resultat krever ytterligere simuleringseksperimenter som til slutt ikke bidrar til å finne det globale optimumet.
Sikre at hele designrommet er tilstrekkelig prøvetatt. Tenk på en eggekartong der toppene og dalene er litt forskjellige. Det er mange forskjellige lokale minima og maksima - men bare en global verdi av hver. Det er lett å finne en lokal gradient og den lokale toppen/dalen etter første prøvetaking - men veldig vanskelig å sikre at den globale verdien blir funnet. De hele plass må samples tilstrekkelig nok til at de globale maksimum/minima er funnet ved slutten av prosessen.

SHERPA algoritme

Å balansere disse to forskjellige kravene er en vanskelig oppgave som krever avanserte teknikker for å vurdere hvert svar når det blir tilgjengelig for å evaluere den numeriske rekkefølgen på responsoverflaten og bestemme neste eksperiment som skal kjøres. Med de fleste optimalisatorer krever dette betydelig forståelse av både problemet som løses og selve søkealgoritmen for å «tune» kontrollparametrene for algoritmen.

Med HL-DSE evaluerer SHERPA-algoritmen svar mens analysen kjører og justerer algoritmen automatisk. HL-DSE produserer et plott av svarene etter hvert som analysen fortsetter, og viser verdien (e) oppnådd fra hvert simuleringseksperiment.

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

I dette plottet har HL-DSE to merittfigurer og tilhørende mål:

optimalisere røde verdier
minimere blå verdier

Den blå linjen viser historien til eksperimenter som forbedret verdien av den blå beregningen. 100 simuleringer ble gitt som budsjett for denne analysen, av totalt 82 500 mulige permutasjoner av inngangsverdier.

Innen 25 simuleringer var SHERPA i stand til raskt å finne nesten optimale verdier for hver beregning.

Responsoverflatemetodikk

Resultatvisualisering

På grunn av den komplekse naturen til problemene som undersøkes, er avanserte optimaliseringsteknikker i stand til å prøve bare en liten prosentandel av det totale designrommet. Å kunne visualisere analyseresultater raskt og effektivt er en sentral del for å utføre prosesser som via optimalisering.

HyperLynx Design Space Exploration tilbyr et rikt utvalg av utdataplottefunksjoner for å gi innsikt i hvordan designet oppfører seg. Disse inkluderer 3D-plott som kan vise ting som hvordan returtap påvirkes av via separasjon og antipad-diameter.

I dette eksemplet skal returtapet maksimeres for å forbedre signalintegriteten. Dette innebærer etterbehandling av hver simuleringens resultater for å rapportere den maksimale verdien som oppstår som responsmåling, og deretter finne inngangsvariablene som minimerer responsen.

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

Responsoverflatemetodikk fra HyperLynx DSE

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

Definere designrommet

HL-DSE er integrert med både HyperLynx Advanced Solvers 3D Explorer og HyperLynx Signal Integrity pre-layout serielle koblingsflyter, som hver allerede er i stand til å utføre designoptimalisering gjennom swept-parameteranalyse.

Når antall simuleringssaker blir uholdbare, brukes HL-DSE til å utføre automatisert optimalisering. Designvariabler og områder som allerede er definert av brukeren kommuniseres til HL-DSE, som brukeren kan gjennomgå og justere etter behov.

Analysemål

Definere optimaliseringsmål

HL-DSE er tett integrert med 3D Explorer og samsvarsanalyse før layout fra et simuleringsutgangsperspektiv (respons). Utdatametrikker som allerede er definert av brukeren sendes til HL-DSE, der brukeren legger til bestått/mislyktes krav og optimaliseringsmål.

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

Surrogatmodellering

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

I noen applikasjoner er det ikke nok å utføre simuleringseksperimenter og finne optimale konfigurasjoner, fordi det er målet å vite hvordan designet oppfører seg over millioner av tilfeller. For eksempel, når et design er optimalisert, vil brukeren kanskje forutsi produksjonsutbytte over millioner av enheter. I dette tilfellet er variablene designens parametere, men deres rekkevidde blir fordelingen av verdier man forventer å se som et resultat av produksjonstoleranser.

Å kjøre millioner av simuleringseksperimenter er tydeligvis ikke praktisk, så det lages en tilpasset matematisk eller surrogatmodell som tett samsvarer med designens inngangs-/utgangsatferd innenfor parameterområdet. Denne surrogatmodellen kan deretter brukes i stedet for faktiske simuleringseksperimenter for å forutsi designens oppførsel over et stort antall forhold, og derfor forutsi produksjonsutbytte.

SHERPA utforskningsalgoritme