HyperLynx Design Space Exploration

Provocarea optimizării

Simularea permite designerilor să analizeze, să depaneze și să optimizeze un design electronic folosind un digital twin înainte de a lansa un prototip la fabricație. Acest lucru are ca rezultat o placă mai robustă, mai fiabilă și mai rentabilă, reducând probabilitatea apariției problemelor în timpul testelor de laborator, care pot necesita o respin a plăcii.

Simularea permite, de asemenea, utilizatorilor să exploreze versiuni alternative ale designului lor pentru a îmbunătăți fiabilitatea, viteza sau marja sau pentru a reduce costul total de fabricație. Când simularea este utilizată ca instrument de optimizare, complexitatea analizei efectuate crește în mod normal în etape:

Select...

Inițial, utilizatorii modifică designul și re-simulează modificările pe rând. Acest lucru funcționează bine pentru studii simple și este ușor de înțeles de noii utilizatori de simulare. Această metodă funcționează cel mai bine atunci când există doar unul sau doi parametri de proiectare (variabile) de studiat și când utilizatorul poate determina cu ușurință valorile parametrilor de utilizat pentru următorul studiu pe baza rezultatelor celor anterioare.

Optimizare rapidă și eficientă

Explorarea eficientă a spațiilor mari de proiectare cu cât mai puține simulări este o sarcină dificilă care necesită o combinație de tehnici avansate de analiză. Acest lucru necesită o abordare care echilibrează două cerințe contradictorii:

Atenție la orice rezultate promițătoare pentru a găsi rapid valorile optime. Când un spațiu de proiectare este eșantionat inițial, valorile selectate rareori duc la valori optime. În schimb, produc gradienți, care sunt procesați pentru a găsi locații optime (de obicei maxime/minime locale) pe suprafața de răspuns. Stabilirea unui rezultat optim local (dar nu global) necesită experimente suplimentare de simulare care în cele din urmă nu contribuie la găsirea optimului global.
Asigurarea faptului că întregul spațiu de proiectare este eșantionat în mod adecvat. Luați în considerare o cutie de ouă în care vârfurile și văile sunt ușor diferite. Există multe minime și maxime locale diferite - dar o singură valoare globală a fiecăruia. Este ușor să găsiți un gradient local și vârfurul/valea locală după eșantionarea inițială - dar foarte dificil să vă asigurați că valoarea globală este găsită. La întreg spațiul trebuie eșantionat suficient de adecvat încât maximele/minimele globale să fi fost găsite până la sfârșitul procesului.

Algoritmul SHERPA

Echilibrarea acestor două cerințe diferite este o sarcină dificilă care necesită tehnici avansate pentru a evalua fiecare răspuns pe măsură ce devine disponibil pentru a evalua ordinea numerică a suprafeței de răspuns și a determina următorul experiment de rulat. Cu majoritatea optimizatorilor, acest lucru necesită o înțelegere considerabilă atât a problemei rezolvate, cât și a algoritmului de căutare în sine pentru a „regla” parametrii de control pentru algoritm.

Cu HL-DSE, algoritmul SHERPA evaluează răspunsurile pe măsură ce analiza rulează și reglează automat algoritmul. HL-DSE produce un grafic al răspunsurilor pe măsură ce analiza continuă, arătând valoarea (valorile) obținute din fiecare experiment de simulare.

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

În acest complot, HL-DSE are două figuri de merit și obiective asociate:

optimizați valorile roșii
minimizați valorile albastre

Linia albastră arată istoricul experimentelor care au îmbunătățit valoarea metricei albastre. 100 de simulări au fost date ca buget pentru această analiză, dintr-un total de 82.500 posibile permutări ale valorilor de intrare.

În cadrul a 25 de simulări, SHERPA a reușit să găsească rapid valori aproape optime pentru fiecare metrică.

Metodologia suprafeței de răspuns

Vizualizarea rezultatelor

Datorită naturii complexe a problemelor investigate, tehnicile avansate de optimizare sunt capabile să eșantioneze doar un procent mic din spațiul total de proiectare. Posibilitatea de a vizualiza rapid și eficient rezultatele analizei este o parte esențială pentru realizarea proceselor, cum ar fi prin optimizare.

HyperLynx Design Space Exploration oferă o gamă bogată de capabilități de trasare a ieșirilor pentru a oferi o perspectivă asupra modului în care se comportă designul. Acestea includ diagrame 3D care pot arăta lucruri precum modul în care pierderea de retur este afectată prin separare și diametrul antipad.

În acest exemplu, pierderea de retur trebuie maximizată pentru a îmbunătăți integritatea semnalului. Aceasta implică post-procesarea rezultatelor fiecărei simulări pentru a raporta valoarea maximă întâlnită ca metrică de răspuns, apoi găsirea condițiilor variabile de intrare care minimizează acel răspuns.

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

Metodologia suprafeței de răspuns de la HyperLynx DSE

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

Definirea spațiului de proiectare

HL-DSE este integrat atât cu fluxurile de conformitate cu HyperLynx Advanced Solvers 3D Explorer, cât și cu fluxurile de conformitate a legăturilor seriale pre-layout HyperLynx Signal Integrity, fiecare dintre acestea fiind deja capabil să efectueze optimizarea proiectării prin analiza parametrilor swept.

Când numărul de cazuri de simulare devine nesustenabil, HL-DSE este utilizat pentru a efectua optimizarea automată. Variabilele de proiectare și intervalele deja definite de utilizator sunt comunicate HL-DSE, pe care utilizatorul le poate revizui și ajusta după cum este necesar.

Obiective de analiză

Definirea obiectivelor de optimizare

HL-DSE este strâns integrat cu 3D Explorer și analiza conformității pre-layout dintr-o perspectivă de ieșire (răspuns) de simulare. Valorile de ieșire deja definite de utilizator sunt transmise către HL-DSE, unde utilizatorul adaugă cerințe de acceptare/eșuare și obiective de optimizare.

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

Modelarea surogat

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

În unele aplicații, simpla efectuare a experimentelor de simulare și găsirea configurațiilor optime nu este suficientă, deoarece cunoașterea modului în care se comportă designul în milioane de cazuri este scopul. De exemplu, odată ce un design este optimizat, utilizatorul poate dori să prezică randamentul de fabricație peste milioane de unități. În acest caz, variabilele sunt parametrii proiectării, dar intervalul lor devine distribuția valorilor pe care s-ar aștepta să le vedem ca rezultat al toleranțelor de fabricație.

Rularea a milioane de experimente de simulare nu este în mod clar practică, astfel încât este creat un model matematic sau surogat adaptat care se potrivește îndeaproape cu comportamentul de intrare/ieșire al proiectelor în intervalul de parametri. Acest model surogat poate fi apoi utilizat în locul experimentelor de simulare reale pentru a prezice comportamentul designului într-un număr mare de condiții și, prin urmare, a prezice randamentul de fabricație.

Algoritmul de explorare SHERPA