HyperLynx Design Space Exploration

Izazov optimizacije

Simulacija omogućava dizajnerima da analiziraju, isprave greške i optimizuju elektronski dizajn koristeći digital twin pre puštanja prototipa u proizvodnju. Ovo rezultira robusnijom, pouzdanijom i isplativijom pločom smanjujući verovatnoću da se pojave problemi tokom laboratorijskog testiranja koji mogu zahtevati ponovno postavljanje ploče.

Simulacija takođe omogućava korisnicima da istraže alternativne verzije svog dizajna kako bi poboljšali pouzdanost, brzinu ili maržu ili smanjili ukupne troškove proizvodnje. Kada se simulacija koristi kao alat za optimizaciju, složenost izvedene analize obično se povećava u fazama:

Select...

U početku korisnici modifikuju dizajn i ponovo simuliraju promene jednu po jednu. Ovo dobro funkcioniše za jednostavne studije i lako je razumeti novim korisnicima simulacije. Ova metoda najbolje funkcioniše kada postoje samo jedan ili dva parametra dizajna (promenljive) koje treba proučavati i kada korisnik može lako odrediti vrednosti parametara koje će koristiti za sledeću studiju na osnovu rezultata prethodnih.

Brza, efikasna optimizacija

Efikasno istraživanje velikih dizajnerskih prostora sa što manje simulacija težak je zadatak koji zahteva kombinaciju naprednih tehnika analize. Ovo zahteva pristup koji uravnotežuje dva sukobljena zahteva:

Uključite sve obećavajuće rezultate kako biste brzo pronašli njihove optimalne vrednosti. Kada se dizajnerski prostor prvobitno uzorkuje, odabrane vrednosti retko rezultiraju optimalnim vrednostima. Umesto toga, oni proizvode gradijente koji se obrađuju kako bi se pronašle optimalne lokacije (obično lokalni maksimum/minimumi) na površini odziva. Nuliranje lokalnog (ali ne globalnog) optimalnog rezultata zahteva dodatne simulacione eksperimente koji na kraju ne doprinose pronalaženju globalnog optimuma.
Osiguravanje adekvatnog uzorkovanja čitavog prostora dizajna. Razmislite o kartonu za jaja gde su vrhovi i doline malo drugačiji. Postoji mnogo različitih lokalnih minimuma i maksimuma - ali samo jedna globalna vrednost svakog od njih. Lako je pronaći lokalni gradijent i lokalni vrh/dolinu nakon početnog uzorkovanja - ali vrlo je teško osigurati da se pronađe globalna vrednost. The ceo prostor mora biti uzorkovan dovoljno da se globalni maksimumi/minimumi pronađu do kraja procesa.

SHERPA algoritam

Balansiranje ova dva različita zahteva težak je zadatak koji zahteva napredne tehnike za procenu svakog odgovora kako postaje dostupan za procenu numeričkog redosleda površine odziva i određivanje sledećeg eksperimenta koji će se pokrenuti. Kod većine optimizatora, ovo zahteva značajno razumevanje i problema koji se rešava i samog algoritma pretraživanja da „podesi“ kontrolne parametre za algoritam.

Sa HL-DSE, SHERPA algoritam procenjuje odgovore dok se analiza pokreće i automatski podešava algoritam. HL-DSE proizvodi grafikon odgovora kako se analiza odvija, pokazujući vrednosti dobijene iz svakog simulacionog eksperimenta.

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

U ovom zapletu, HL-DSE ima dve figure zasluga i povezane ciljeve:

optimizujte crvene vrednosti
minimizirati plave vrednosti

Plava linija prikazuje istoriju eksperimenata koji su poboljšali vrednost plave metrike. Kao budžet za ovu analizu dato je 100 simulacija, od ukupno 82.500 mogućih permutacija ulaznih vrednosti.

U roku od 25 simulacija SHERPA je uspela da brzo pronađe skoro optimalne vrednosti za svaku metriku.

Metodologija površine odgovora

Vizualizacija rezultata

Zbog složene prirode problema koji se istražuju, napredne tehnike optimizacije mogu da uzorkuju samo mali procenat ukupnog dizajnerskog prostora. Sposobnost brzog i efikasnog vizuelizovanja rezultata analize ključni je deo izvođenja procesa poput optimizacije.

HyperLynx Design Space Exploration nudi bogat asortiman mogućnosti crtanja izlaza kako bi se pružio uvid u to kako se dizajn ponaša. To uključuje 3D grafikone koje mogu pokazati stvari poput toga kako na gubitak povratka utiče razdvajanje i prečnik antipad-a.

U ovom primeru, gubitak povratka treba maksimizirati kako bi se poboljšao integritet signala. Ovo uključuje naknadnu obradu rezultata svake simulacije kako bi se prijavila maksimalna vrednost koja se nailazi kao metrika odgovora, a zatim pronalaženje uslova ulazne promenljive koji taj odgovor minimiziraju.

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

Metodologija površine odgovora kompanije HiperLink DSE

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

Definisanje dizajnerskog prostora

HL-DSE je integrisan i sa HyperLynx Advanced Solvers 3D Ekplorer i HyperLynx Signal Integrity Integrity protokovima usklađenosti serijskih veza pre rasporeda, od kojih je svaki već sposoban da izvrši optimizaciju dizajna kroz analizu parametara svept-parametara.

Kada broj slučajeva simulacije postane neodrživ, HL-DSE se koristi za obavljanje automatizovane optimizacije. Dizajnerske promenljive i opsezi koje je korisnik već definisao prenose se HL-DSE, koje korisnik može pregledati i prilagoditi po potrebi.

Ciljevi analize

Definisanje ciljeva optimizacije

HL-DSE je čvrsto integrisan sa 3D Ekplorerom i analizom usklađenosti pre rasporeda iz perspektive simulacionog izlaza (odgovora). Izlazne metrike koje je korisnik već definisao prenose se na HL-DSE, gde korisnik dodaje zahteve za prolaskanje/neuspeh i ciljeve optimizacije.

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

Surogatno modeliranje

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

U nekim aplikacijama jednostavno izvođenje simulacionih eksperimenata i pronalaženje optimalnih konfiguracija nije dovoljno, jer je cilj znati kako se dizajn ponaša u milionima slučajeva. Na primer, kada se dizajn optimizuje, korisnik će možda želeti da predvidi prinos proizvodnje preko miliona jedinica. U ovom slučaju, promenljive su parametri dizajna, ali njihov opseg postaje raspodela vrednosti koje bi se očekivalo da vidimo kao rezultat proizvodnih tolerancija.

Izvođenje miliona simulacionih eksperimenata očigledno nije praktično, pa se kreira prilagođeni matematički ili surogatni model koji se blisko podudara sa dizajnerskim ulazno/izlaznim ponašanjem unutar opsega parametara. Ovaj surogat model se zatim može koristiti umesto stvarnih simulacionih eksperimenata za predviđanje ponašanja dizajna u velikom broju uslova, a samim tim i predviđanje prinosa proizvodnje.

Algoritam istraživanja SHERPA