HyperLynx Design Space Exploration

Optimeringsutmaningen

Simulering låter designers analysera, felsöka och optimera en elektronisk design med hjälp av en digital twin innan de släpper en prototyp till tillverkning. Detta resulterar i ett mer robust, pålitligt och kostnadseffektivt kort genom att minska sannolikheten för problem som uppstår under laboratorietester som kan kräva en kortrespin.

Simulering gör det också möjligt för användare att utforska alternativa versioner av sin design för att förbättra tillförlitligheten, hastigheten eller marginalen, eller för att minska den totala tillverkningskostnaden. När simulering används som ett optimeringsverktyg ökar komplexiteten i den utförda analysen normalt i steg:

Select...

Inledningsvis ändrar användarna designen och simulerar ändringarna en i taget. Detta fungerar bra för enkla studier och är lätt för nya simuleringsanvändare att förstå. Denna metod fungerar bäst när det bara finns en eller två designparametrar (variabler) som ska studeras och när användaren lätt kan bestämma parametervärdena som ska användas för nästa studie baserat på resultaten från tidigare.

Snabb och effektiv optimering

Att effektivt utforska stora designutrymmen med så få simuleringar som möjligt är en svår uppgift som kräver en kombination av avancerade analystekniker. Detta kräver ett tillvägagångssätt som balanserar två motstridiga krav:

Nollställa alla lovande resultat för att snabbt hitta deras optimala värden. När ett designutrymme initialt samplas resulterar de valda värdena sällan i optimala värden. Istället producerar de gradienter som bearbetas för att hitta optimala platser (vanligtvis lokala maxima/minima) på svarsytan. Att nollställa ett lokalt (men inte globalt) optimalt resultat kräver ytterligare simuleringsexperiment som i slutändan inte bidrar till att hitta det globala optimumet.
Säkerställa att hela designutrymmet är tillräckligt provtagat. Tänk på en äggkartong där topparna och dalarna är lite olika. Det finns många olika lokala minima och maxima - men bara ett globalt värde av varje. Det är lätt att hitta en lokal gradient och den lokala toppen/dalen efter första provtagningen - men mycket svårt att säkerställa att det globala värdet hittas. Den hel Utrymmet måste provtas tillräckligt för att de globala maxima/minima har hittats i slutet av processen.

SHERPA-algoritm

Att balansera dessa två olika krav är en svår uppgift som kräver avancerade tekniker för att bedöma varje svar när det blir tillgängligt för att utvärdera svarsytans numeriska ordning och bestämma nästa experiment som ska köras. Med de flesta optimerare kräver detta stor förståelse för både problemet som löses och själva sökalgoritmen för att ”ställa in” kontrollparametrarna för algoritmen.

Med HL-DSE utvärderar SHERPA-algoritmen svar när analysen körs och justerar algoritmen automatiskt. HL-DSE producerar ett diagram över svaren när analysen fortskrider, som visar de värden som erhållits från varje simuleringsexperiment.

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

I denna plot har HL-DSE två meriter och tillhörande mål:

optimera röda värden
minimera blå värden

Den blå linjen visar historien om experiment som förbättrade värdet på det blå måttet. 100 simuleringar gavs som budget för denna analys, av totalt 82 500 möjliga permutationer av ingångsvärden.

Inom 25 simuleringar kunde SHERPA snabbt hitta nära optimala värden för varje mätvärde.

Svarsytmetodik

Resultatvisualisering

På grund av den komplexa karaktären hos de problem som undersöks kan avancerade optimeringstekniker bara prova en liten andel av det totala designutrymmet. Att kunna visualisera analysresultat snabbt och effektivt är en viktig del för att utföra processer som via optimering.

HyperLynx Design Space Exploration erbjuder ett rikt sortiment av utdataplotningsfunktioner för att ge insikt i hur designen beter sig. Dessa inkluderar 3D-diagram som kan visa saker som hur returförlust påverkas av via separation och antipad-diameter.

I det här exemplet ska returförlusten maximeras för att förbättra signalintegriteten. Detta innebär efterbehandling av varje simuleringens resultat för att rapportera det maximala värdet som uppstått som svarsmått och sedan hitta de ingångsvariabla förhållandena som minimerar det svaret.

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

Responsytemetodik från HyperLynx DSE

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

Definiera designutrymmet

HL-DSE är integrerat med både HyperLynx Advanced Solvers 3D Explorer och HyperLynx Signal Integrity pre-layout seriella länkflöden, som var och en redan kan utföra designoptimering genom swept-parameteranalys.

När antalet simuleringsfall blir ohållbart används HL-DSE för att utföra automatiserad optimering. Designvariabler och intervall som redan definierats av användaren kommuniceras till HL-DSE, som användaren kan granska och justera vid behov.

Analysmål

Definiera optimeringsmål

HL-DSE är tätt integrerat med 3D Explorer och analys av överensstämmelse före layouten ur ett simuleringsutgångsperspektiv (respons). Utdatamätvärden som redan definierats av användaren skickas till HL-DSE, där användaren lägger till godkänd/underkänd-krav och optimeringsmål.

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

Surrogatmodellering

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

I vissa applikationer räcker det inte att bara utföra simuleringsexperiment och hitta optimala konfigurationer, eftersom det är målet att veta hur designen beter sig i miljontals fall. Till exempel, när en design är optimerad, kanske användaren vill förutsäga tillverkningsavkastning över miljoner enheter. I det här fallet är variablerna designens parametrar, men deras intervall blir fördelningen av värden man kan förvänta sig att se som ett resultat av tillverkningstoleranser.

Att köra miljontals simuleringsexperiment är uppenbarligen inte praktiskt, så en anpassad matematisk eller surrogatmodell skapas som nära matchar designens input/output-beteende inom parameterområdet. Denna surrogatmodell kan sedan användas i stället för faktiska simuleringsexperiment för att förutsäga designens beteende under ett stort antal förhållanden, och därför förutsäga tillverkningsavkastning.

SHERPA utforskningsalgoritm