HyperLynx Design Space Exploration

Optimizacijski izziv

Simulacija omogoča oblikovalcem, da analizirajo, odpravijo napake in optimizirajo elektronsko zasnovo z uporabo digitalnega dvojčka, preden izdajo prototip v izdelavo. Posledica tega je bolj robustna, zanesljiva in stroškovno učinkovita plošča, saj zmanjšuje verjetnost težav, ki nastanejo med laboratorijskim testiranjem, ki lahko zahtevajo ponovitev plošče.

Simulacija uporabnikom omogoča tudi, da raziščejo alternativne različice njihove zasnove za izboljšanje zanesljivosti, hitrosti ali marže ali za zmanjšanje celotnih proizvodnih stroškov. Ko se simulacija uporablja kot orodje za optimizacijo, se kompleksnost izvedene analize običajno poveča v fazah:

Select...

Sprva uporabniki spremenijo zasnovo in ponovno simulirajo spremembe eno za drugim. To dobro deluje za preproste študije in ga novi uporabniki simulacije enostavno razumejo. Ta metoda najbolje deluje, če je treba preučiti le enega ali dva načrtovalna parametra (spremenljivke) in ko lahko uporabnik zlahka določi vrednosti parametrov, ki jih bo uporabil za naslednjo študijo na podlagi rezultatov prejšnjih.

Hitra in učinkovita optimizacija

Učinkovito raziskovanje velikih oblikovalskih prostorov s čim manj simulacijami je težka naloga, ki zahteva kombinacijo naprednih tehnik analize. To zahteva pristop, ki uravnoteži dve nasprotujoči si zahtevi:

Zmanjšajte vse obetavne rezultate, da hitro najdete njihove optimalne vrednosti. Ko se oblikovni prostor sprva vzorči, izbrane vrednosti redko povzročijo optimalne vrednosti. Namesto tega proizvajajo gradiente, ki se obdelujejo, da najdejo optimalne lokacije (običajno lokalne maksimume/minimume) na odzivni površini. Za zmanjšanje lokalnega (vendar ne globalnega) optimalnega rezultata so potrebni dodatni simulacijski poskusi, ki na koncu ne prispevajo k iskanju globalnega optimuma.
Zagotavljanje ustreznega vzorčenja celotnega oblikovalskega prostora. Razmislite o škatli za jajca, kjer so vrhovi in doline nekoliko drugačni. Obstaja veliko različnih lokalnih minimumov in maksimumov - vendar le ena globalna vrednost vsakega. Po začetnem vzorčenju je enostavno najti lokalni gradient in lokalni vrh/dolino - vendar je zelo težko zagotoviti, da je ugotovljena globalna vrednost. celoto prostor mora biti dovolj vzorčen, da so do konca postopka ugotovljeni globalni maksimum/minimumi.

Algoritem SHERPA

Uravnoteženje teh dveh različnih zahtev je težka naloga, ki zahteva napredne tehnike za oceno vsakega odziva, ko postane na voljo za oceno številčnega vrstnega reda odzivne površine in določitev naslednjega poskusa, ki ga je treba izvesti. Pri večini optimizatorjev to zahteva precejšnje razumevanje reševanja problema in samega iskalnega algoritma za »nastavitev« kontrolnih parametrov algoritma.

S HL-DSE algoritem SHERPA ocenjuje odzive med izvajanjem analize in samodejno prilagodi algoritem. HL-DSE med nadaljevanjem analize ustvari grafikon odzivov, ki prikazuje vrednosti, pridobljene iz vsakega simulacijskega poskusa.

Graf HyperLynx, ki prikazuje zasnovo zgodovine optimizacije poskusov, prikazano prek algoritma SHERPA

V tem zapletu ima HL-DSE dve številki zaslug in s tem povezane cilje:

optimizirajte rdeče vrednosti
zmanjšajte modre vrednosti

Modra črta prikazuje zgodovino poskusov, ki so izboljšali vrednost modre metrike. Kot proračun za to analizo je bilo podanih 100 simulacij, od skupno 82.500 možnih permutacij vhodnih vrednosti.

V 25 simulacijah je SHERPA lahko hitro našla skoraj optimalne vrednosti za vsako metriko.

Metodologija odzivne površine

Vizualizacija rezultatov

Zaradi zapletene narave problemov, ki jih preučujemo, lahko napredne tehnike optimizacije vzorčijo le majhen odstotek celotnega načrtovalnega prostora. Hitra in učinkovita vizualizacija rezultatov analize je ključni del izvajanja procesov, kot je optimizacija.

HyperLynx Design Space Exploration ponuja bogat izbor zmogljivosti risanja izhodov, ki zagotavljajo vpogled v obnašanje zasnove. Sem spadajo 3D grafikoni, ki lahko prikažejo stvari, na primer, kako na izgubo donosa vpliva ločitev in premer proti blazinici.

V tem primeru je treba izgubo povratka čim bolj povečati, da se izboljša celovitost signala. To vključuje naknadno obdelavo rezultatov vsake simulacije, da se poroča o največji vrednosti, ki jo naletimo kot metrika odziva, nato pa iskanje pogojev vhodne spremenljivke, ki ta odziv zmanjšujejo.

3D graf, ki prikazuje obarvano površino s konturnimi črtami, ki predstavlja vizualizacijo podatkov ali metodologijo odzivne površine

Metodologija odzivne površine iz HyperLynx DSE

Oblikovalska miza, ki prikazuje različne domače sloge s stebri za kvadratne površine, spalnice, kopalnice in garažne prostore.

Določitev oblikovalskega prostora

HL-DSE je integriran tako s tokovi skladnosti s serijskimi povezavami HyperLynx Advanced Solvers 3D Explorer kot HyperLynx Signal Integrity pred postavitvijo, od katerih je vsak že sposoben optimizirati zasnovo z analizo parametrov.

Ko število primerov simulacije postane nevzdržno, se HL-DSE uporablja za izvajanje avtomatizirane optimizacije. Oblikovne spremenljivke in razponi, ki jih je uporabnik že opredelil, so sporočeni HL-DSE, ki jih lahko uporabnik pregleda in prilagodi po potrebi.

Cilji analize

Opredelitev ciljev optimizacije

HL-DSE je tesno integriran s 3D Explorerjem in analizo skladnosti pred postavitvijo z vidika simulacijskega izhoda (odziva). Izhodne meritve, ki jih je uporabnik že opredelil, se posredujejo na HL-DSE, kjer uporabnik doda zahteve za prehodo/neuspeh in cilje optimizacije.

Diagram, ki prikazuje odzive študije in parametre z elementi vizualizacije podatkov in grafikoni

Nadomestno modeliranje

V nekaterih aplikacijah preprosto izvajanje simulacijskih poskusov in iskanje optimalnih konfiguracij ni dovolj, saj je cilj vedeti, kako se zasnova obnaša v milijonih primerov. Na primer, ko je zasnova optimizirana, bo uporabnik morda želel napovedati proizvodni donos na milijone enot. V tem primeru so spremenljivke parametri zasnove, vendar njihov obseg postane porazdelitev vrednosti, ki bi jih pričakovali kot rezultat proizvodnih toleranc.

Izvajanje milijonov simulacijskih poskusov očitno ni praktično, zato se ustvari vgrajen matematični ali nadomestni model, ki se tesno ujema z vhodo/izhodnim vedenjem načrtov znotraj območja parametrov. Ta nadomestni model se lahko nato uporabi namesto dejanskih simulacijskih poskusov za napovedovanje vedenja zasnove v velikem številu pogojev in s tem napovedovanje proizvodnega donosa.