HyperLynx Design Space Exploration

Проблема оптимізації

Моделювання дозволяє дизайнерам аналізувати, налагоджувати та оптимізувати електронний дизайн за допомогою цифрового близнюка, перш ніж випустити прототип на виготовлення. Це призводить до більш надійної, надійної та економічно ефективної плати, зменшуючи ймовірність проблем, що виникають під час лабораторних випробувань, які можуть вимагати повторного перегляду плати.

Моделювання також дозволяє користувачам досліджувати альтернативні версії своєї конструкції, щоб підвищити надійність, швидкість або маржу або зменшити загальну вартість виготовлення. Коли моделювання використовується як інструмент оптимізації, складність проведеного аналізу зазвичай збільшується поетапно:

Select...

Спочатку користувачі змінюють дизайн і повторно імітують зміни по одному. Це добре працює для простих досліджень і легко зрозуміти новим користувачам моделювання. Цей метод найкраще працює, коли потрібно вивчити лише один або два параметри проектування (змінні) і коли користувач може легко визначити значення параметрів, які будуть використані для наступного дослідження на основі результатів попередніх.

Швидка, ефективна оптимізація

Ефективне вивчення великих дизайнерських просторів за допомогою якомога меншої кількості моделювань є складним завданням, яке вимагає поєднання передових методів аналізу. Для цього потрібен підхід, який врівноважує дві суперечливі вимоги:

Обнулюючись будь-якими перспективними результатами, щоб швидко знайти їх оптимальні значення. Коли спочатку вибірка дизайнерського простору вибирається, вибрані значення рідко призводять до оптимальних значень. Натомість вони створюють градієнти, які обробляються для пошуку оптимальних місць (зазвичай локальних максимум/мінімумів) на поверхні відгуку. Обнулення локального (але не глобального) оптимального результату вимагає додаткових експериментів моделювання, які в кінцевому підсумку не сприяють пошуку глобального оптимуму.
Забезпечення належного відбору проб всього дизайнерського простору. Розглянемо коробку з яєць, де вершини та долини трохи відрізняються. Існує багато різних локальних мінімумів і максимумів - але лише одне глобальне значення кожного. Легко знайти локальний градієнт і місцевий пік/долину після початкової вибірки - але дуже важко забезпечити, щоб глобальне значення було знайдено. цілих простір повинен бути відібраний достатньо адекватно, щоб глобальні максимуми/мінімуми були знайдені до кінця процесу.

Алгоритм ШЕРПА

Збалансування цих двох різних вимог є складним завданням, яке вимагає передових методів оцінки кожної відповіді, оскільки вона стає доступною для оцінки числового порядку поверхні відповіді та визначення наступного експерименту для запуску. У більшості оптимізаторів це вимагає значного розуміння як проблеми, що вирішується, так і самого алгоритму пошуку, щоб «налаштувати» параметри управління для алгоритму.

За допомогою HL-DSE алгоритм SHERPA оцінює відповіді під час запуску аналізу та автоматично налаштовує алгоритм. HL-DSE створює графік відповідей у міру проходження аналізу, показуючи значення (и), отримані з кожного експерименту моделювання.

Графік HyperLynx, що показує дизайн історії оптимізації експериментів, показаний за допомогою алгоритму SHERPA

У цьому сюжеті HL-DSE має дві фігури заслуги та пов'язані з цим цілі:

оптимізувати червоні значення
мінімізувати сині значення

Синя лінія показує історію експериментів, які покращили значення синьої метрики. 100 моделювань було наведено як бюджет для цього аналізу, із загальної кількості 82 500 можливих перестановок вхідних значень.

У межах 25 моделювань SHERPA зміг швидко знайти майже оптимальні значення для кожної метрики.

Методологія поверхні реагування

Візуалізація результатів

Завдяки складному характеру досліджуваних проблем, передові методи оптимізації здатні вибрати лише невеликий відсоток від загального проектного простору. Можливість швидко та ефективно візуалізувати результати аналізу є ключовою частиною виконання процесів, таких як оптимізація.

HyperLynx Design Space Exploration пропонує багатий асортимент можливостей побудови графіків, щоб дати уявлення про поведінку дизайну. Сюди входять тривимірні графіки, які можуть показати такі речі, як впливає на втрати повернення через поділ та діаметр антипада.

У цьому прикладі втрати повернення повинні бути максимізовані для поліпшення цілісності сигналу. Це передбачає постобробку результатів кожного моделювання, щоб повідомити про максимальне значення, яке зустрічається як метрика відповіді, а потім пошук умов вхідної змінної, які мінімізують цю відповідь.

3D-графік, що показує кольорову поверхню з контурними лініями, що представляє візуалізацію даних або методологію поверхні реакції

Методологія поверхні реагування від HyperLynx DSE

Таблиця дизайну, що показує різні стилі будинку з колонами для квадратних метрів, спалень, ванних кімнат та гаражних приміщень.

Визначення дизайну простору

HL-DSE інтегрований як з потоками відповідності послідовних посилань HyperLynx Advanced Solvers 3D Explorer, так і HyperLynx Signal Integrity перед компонуванням послідовних посилань, кожен з яких вже здатний виконувати оптимізацію дизайну за допомогою аналізу параметрів розгортки.

Коли кількість випадків моделювання стає неспроможною, HL-DSE використовується для автоматизованої оптимізації. Змінні дизайну та діапазони, вже визначені користувачем, передаються HL-DSE, які користувач може переглянути та налаштувати за потреби.

Цілі аналізу

Визначення цілей оптимізації

HL-DSE тісно інтегрований з 3D Explorer та аналізом відповідності перед макетом з точки зору виведення (відповіді) моделювання. Вихідні показники, вже визначені користувачем, передаються до HL-DSE, де користувач додає вимоги щодо пропущення/відмови та цілі оптимізації.

Діаграма, що показує відповіді та параметри дослідження з елементами візуалізації даних та діаграмами

Сурогатне моделювання

У деяких додатках просто проведення експериментів з моделювання та пошуку оптимальних конфігурацій недостатньо, оскільки знання того, як поводиться конструкція протягом мільйонів випадків, є метою. Наприклад, після оптимізації дизайну користувач може захотіти передбачити виробничий вихід понад мільйони одиниць. У цьому випадку змінні є параметрами конструкції, але їх діапазон стає розподілом значень, які можна було б очікувати в результаті виробничих допусків.

Запуск мільйонів імітаційних експериментів явно не є практичним, тому створюється відповідна математична або сурогатна модель, яка тісно відповідає поведінці введення/виводу конструкцій у діапазоні параметрів. Потім цю сурогатну модель можна використовувати замість фактичних експериментів моделювання для прогнозування поведінки конструкції за великої кількості умов, а отже, прогнозування виробничої врожайності.