HyperLynx Design Space Exploration

Inicialmente, os utilizadores modificam o design e simulam novamente as alterações uma de cada vez. Isto funciona bem para estudos simples e é fácil para os novos utilizadores de simulação compreenderem. Este método funciona melhor quando há apenas um ou dois parâmetros de design (variáveis) a serem estudados e quando o utilizador pode determinar prontamente os valores dos parâmetros a utilizar para o próximo estudo com base nos resultados dos anteriores.

Quando o número de combinações de parâmetros de design (permutações) a estudar se torna mais do que um punhado, é necessária uma metodologia mais consistente e organizada. A análise Swept-Parameter permite ao utilizador definir os parâmetros e valores associados a estudar e, em seguida, utiliza uma metodologia automatizada para simular o comportamento de cada caso, construindo uma tabela dos resultados para que os melhores possam ser identificados. A chave para esta 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 design. A análise de parâmetros SWEPT vem em duas categorias - análise completa, onde todas as combinações de todas as variáveis de design são exploradas, e análise de conjunto reduzida, onde apenas um subconjunto de todas as combinações são exploradas.

Análise de conjuntos reduzida é importante porque o número de permutações numa análise completa cresce rapidamente à medida que as variáveis e os valores são adicionados ao mix. A análise completa avalia todas as combinações de todas as variáveis, quer façam sentido ou não. A análise reduzida de conjuntos ajuda a manter os tempos de simulação geríveis nestas condições, permitindo que os utilizadores aproveitem a sua intuição de design e especificando formas de limitar o número de casos explorados.

Para grandes estudos, o número de casos a explorar pode crescer para milhões, e a exploração tradicional já não é possível. Nestes 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 percentagem da contagem total de permutações pode ser praticamente simulada. Isto é o que as ferramentas avançadas de otimização fazem - o utilizador define o leque de variáveis de design e valores a explorar (o espaço de design), as métricas de saída utilizadas para comparar o comportamento do design (o respostas), os valores para as respostas que definem o sucesso ou o fracasso do design (o design alvos) e, para cada resposta, se a intenção é maximizar ou minimizar o seu valor (o design objetivos).

O superfície de resposta é definido como o espaço n-dimensional criado pelo valor de cada métrica ao longo do intervalo de entradas - simplesmente, 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 plotada no eixo Z. Quando existem três variáveis de entrada, a superfície de resposta torna-se 4 dimensional, e assim por diante. Estas superfícies de resposta de ordem superior são difíceis para os humanos internalizarem, mas a complexidade adicional não faz muita diferença para os computadores e algoritmos matemáticos, além do tempo, memória e cálculos necessários. Assim, as ferramentas avançadas de otimização (HL-DSE é uma delas) combinam a análise baseada na superfície de resposta com algoritmos numéricos sofisticados que utilizam experiências de simulação para investigar automaticamente um grande espaço de design da forma mais eficiente e abrangente possível.