Ansys MAPDL在測試用例上溫度預(yù)測的準確性

寫在前面的話

嬗的古文愿意是變換，更替與傳承。

生物體與社會組織始終處于非?？焖俚淖兓?。

Covid19過去3年給全人類上了一場遺傳和變異的學(xué)術(shù)大課，演繹了一場物競天擇的大戲，大部分生物體都是其中的參與者。

天貓到天狗到拼一波再到直播，幾千年的商品買賣形式在10年的時間里經(jīng)歷了多輪的演變。

對于組織來說，一直存在效率和變化之間的矛盾。變化帶來適應(yīng)能力，但是也帶來成本問題。效率能帶來利潤，也會導(dǎo)致組織固化。

邏輯上所有的規(guī)則本質(zhì)上都是為了效率，但是過多的規(guī)則會產(chǎn)生邊際效用遞減。判斷規(guī)則多寡有一個簡單的定理就是所謂的奧卡姆剃刀：如無必要，勿增實體。

草原牧民不需要衛(wèi)生許可。

新疆沙漠公路旁邊賣瓜的老漢也不需要三證合一。

博大精深的皇權(quán)文化中在和奧卡姆差不多同樣時期，公公們創(chuàng)造了幾乎同樣的定理：無例不可興。可惜的是，公公們多加了一句：有例不可廢。公公自古好威名，威震千年到如今。

到今天人們還會為某些文字進行激辯，無他，惟此而已。

機器學(xué)習(xí)

機器學(xué)習(xí)已經(jīng)熱了十年以上的時間，關(guān)于機器學(xué)習(xí)有各種定義。機器學(xué)習(xí)又和大數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)攪合在一起，成為AI封套之下門派之一。

具體來說機器學(xué)習(xí)泛指使用計算機學(xué)習(xí)知識總結(jié)規(guī)律，以便人們認知各種特征和內(nèi)在性質(zhì)。各種神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)算法中最傳奇的一種。一般而言，機器學(xué)習(xí)的算法包括聚類（分類）、擬合、特征解構(gòu)和神經(jīng)網(wǎng)絡(luò)。其中的差別在于前三者都有精確的數(shù)學(xué)定義和數(shù)學(xué)表達式，以及清晰的物理意義，但是神經(jīng)網(wǎng)絡(luò)在今天更類似于一個神奇的盲盒，有接近正確的結(jié)果但是內(nèi)在不易解釋。

聚類主要是指對數(shù)據(jù)進行特征劃分，算法類似對特征函數(shù)求優(yōu)。

擬合主要是對非線性數(shù)據(jù)進行曲線/曲面描述，其中多維高斯過程是其中重要的手段。

特征解構(gòu)的本質(zhì)是將數(shù)據(jù)向某一類由特殊的基函數(shù)組成的空間進行投影，常見的就是正交分解。在很多時候也稱為降階。

POD（有時候也成為SVD、PCA）在TB中作為動態(tài)降階方法的一種，被用來進行非線性較強的流動特征分解。POD本質(zhì)上是用較少的基函數(shù)擬合空間特征分布。比如RGB三原色就是色彩的基函數(shù)。定義國家特征的時候，為了進行國家區(qū)分，至少需要2個特征。比如中國的特征是：漢語、漢族。

ANSYS中的機器學(xué)習(xí)

商業(yè)軟件中也大量使用了機器學(xué)習(xí)的方法。

目前有據(jù)可查的ANSYS軟件中的機器學(xué)習(xí)方法分別存在于兩個工具中：ANSYS TwinBuilder中的SVD和Optislang中的深度高斯過程。

由于流場的高度非線性，所以深度學(xué)習(xí)過程在相對簡單的橢圓微分方程類型的導(dǎo)熱問題中更容易實現(xiàn)。

2022年ANSYS CTO領(lǐng)銜的技術(shù)團隊研究了芯片導(dǎo)熱的機器學(xué)習(xí)算法（CoAEMLSim組合式自動編碼器機器學(xué)習(xí)模擬器），并與經(jīng)典的Mechanical導(dǎo)熱問題進行了比較，以極小的誤差和200倍的速度完勝?，F(xiàn)選摘部分內(nèi)容以饗讀者。

摘要

熱分析可以更深入地了解電子芯片在不同溫度情況下的行為，并加快設(shè)計探索速度。然而，使用FEM 或 CFD 在芯片上獲得詳細而準確的熱曲線非常耗時。因此，迫切需要加快片上散熱解決方案，以應(yīng)對各種系統(tǒng)場景。在本文中，ANSYS提出了一種熱機器學(xué)習(xí)（ML）求解器來加速芯片的熱仿真。熱 ML-Solver 是最近新方法 CoAEMLSim（可組合自動編碼器機器學(xué)習(xí)模擬器）的擴展，對求解算法進行了修改，以處理常量和分布式 HTC。在不同場景下，該方法針對Ansys MAPDL等商業(yè)求解器以及最新的ML基線UNet進行了驗證，以證明其增強的準確性、可擴展性和泛化性。

?

結(jié)論

在這項工作中，ANSYS引入了一種熱ML求解器，它基于最近提出的CoAEMLSim方法，以功率圖、HTC、芯片厚度等形式準確預(yù)測高維系統(tǒng)參數(shù)中電子芯片的溫度。在本文中，展示了使用恒定和分布式HTC的兩個用例，并演示了Ansys MAPDL在測試用例上溫度預(yù)測的準確性。此外，還提供了額外的實驗來測試的方法在不同芯片尺寸、網(wǎng)格尺寸和超出范圍的HTC上的可推廣性，并展示了與最先進的ML基線相比的卓越性能。盡管本工作中演示的熱求解器針對 200μmx 200 μm 的 Powermap 尺寸進行了訓(xùn)練和測試，但相同的方法可以很容易地擴展到 1 – 10μm的較小尺寸。將來，希望將這種方法擴展到瞬態(tài)芯片問題和具有幾何復(fù)雜性和材料變化的芯片封裝。

嬗變，對于經(jīng)典仿真軟件來說，已經(jīng)開始！

審核編輯：彭菁