HyperLynx Design Space Exploration

Inicialmente, os usuários modificam o design e simulam novamente as alterações, uma por vez. Isso funciona bem para estudos simples e é fácil para novos usuários de simulação entenderem. Esse método funciona melhor quando há apenas um ou dois parâmetros de projeto (variáveis) a serem estudados e quando o usuário pode determinar prontamente os valores dos parâmetros a serem usados no próximo estudo com base nos resultados dos anteriores.

Quando o número de combinações de parâmetros de projeto (permutações) a serem estudados se torna mais do que um punhado, é necessária uma metodologia mais consistente e organizada. A análise de parâmetros varridos permite que o usuário defina os parâmetros e valores associados a serem estudados e, em seguida, usa uma metodologia automatizada para simular o comportamento de cada caso, criando uma tabela dos resultados para que os melhores possam ser identificados. A chave para essa metodologia é a seleção de uma métrica quantitativa ou figura de mérito - um valor numérico derivado dos resultados da simulação que serve como uma indicação do comportamento do projeto. A análise de parâmetros de varredura vem em duas categorias - análise completa, onde todas as combinações de todas as variáveis de projeto são exploradas, e análise de conjuntos reduzidos, onde somente um subconjunto de todas as combinações é explorado.

Análise de conjunto reduzida é importante porque o número de permutações em uma análise completa cresce rapidamente à medida que variáveis e valores são adicionados à mistura. A análise completa avalia todas as combinações de todas as variáveis, independentemente de elas fazerem sentido ou não. A análise reduzida de conjuntos ajuda a manter os tempos de simulação gerenciáveis sob essas condições, permitindo que os usuários aproveitem sua intuição de design e especificando formas de limitar o número de casos explorados.

Para grandes estudos, o número de casos a serem explorados pode chegar a milhões, e a exploração tradicional não é mais possível. Nesses casos, o subconjunto de todas as permutações que serão simuladas deve ser escolhido de forma muito eficiente usando métodos matemáticos avançados de amostragem, porque apenas uma pequena porcentagem da contagem total de permutações pode ser praticamente simulada. Isso é o que as ferramentas avançadas de otimização fazem: o usuário define a variedade de variáveis e valores de design a serem explorados (o espaço de design), as métricas de saída usadas para comparar o comportamento do design (o respostas), os valores dessas respostas que definem o sucesso ou o fracasso do design (o design tem como alvo) e, para cada resposta, se a intenção é maximizar ou minimizar seu valor (o design objetivos).

O superfície de resposta é definido como o espaço n-dimensional criado pelo valor de cada métrica na faixa de entradas - simplificando, um gráfico dos valores de saída. Quando existe apenas uma variável, a superfície de resposta é um gráfico 2D (x-y) ou uma curva. Quando existem duas variáveis de entrada, a superfície de resposta é um gráfico 3D, com a métrica de saída traçada no eixo Z. Quando existem três variáveis de entrada, a superfície de resposta se torna quadridimensional e assim por diante. Essas superfícies de resposta de ordem superior são difíceis de serem internalizadas por humanos, mas a complexidade adicional não faz muita diferença para computadores e algoritmos matemáticos, além do tempo, da memória e dos cálculos necessários. Assim, ferramentas avançadas de otimização (HL-DSE é uma delas) combinam a análise baseada na superfície de resposta com algoritmos numéricos sofisticados que usam experimentos de simulação para investigar automaticamente um grande espaço de projeto da forma mais eficiente e abrangente possível.