Ansys MAPDL在测试用例上温度预测的准确性

写在前面的话

嬗的古文愿意是变换，更替与传承。

生物体与社会组织始终处于非常快速的变化中。

Covid19过去3年给全人类上了一场遗传和变异的学术大课，演绎了一场物竞天择的大戏，大部分生物体都是其中的参与者。

天猫到天狗到拼一波再到直播，几千年的商品买卖形式在10年的时间里经历了多轮的演变。

对于组织来说，一直存在效率和变化之间的矛盾。变化带来适应能力，但是也带来成本问题。效率能带来利润，也会导致组织固化。

逻辑上所有的规则本质上都是为了效率，但是过多的规则会产生边际效用递减。判断规则多寡有一个简单的定理就是所谓的奥卡姆剃刀：如无必要，勿增实体。

草原牧民不需要卫生许可。

新疆沙漠公路旁边卖瓜的老汉也不需要三证合一。

博大精深的皇权文化中在和奥卡姆差不多同样时期，公公们创造了几乎同样的定理：无例不可兴。可惜的是，公公们多加了一句：有例不可废。公公自古好威名，威震千年到如今。

到今天人们还会为某些文字进行激辩，无他，惟此而已。

机器学习

机器学习已经热了十年以上的时间，关于机器学习有各种定义。机器学习又和大数据、神经网络搅合在一起，成为AI封套之下门派之一。

具体来说机器学习泛指使用计算机学习知识总结规律，以便人们认知各种特征和内在性质。各种神经网络是机器学习算法中最传奇的一种。一般而言，机器学习的算法包括聚类（分类）、拟合、特征解构和神经网络。其中的差别在于前三者都有精确的数学定义和数学表达式，以及清晰的物理意义，但是神经网络在今天更类似于一个神奇的盲盒，有接近正确的结果但是内在不易解释。

聚类主要是指对数据进行特征划分，算法类似对特征函数求优。

拟合主要是对非线性数据进行曲线/曲面描述，其中多维高斯过程是其中重要的手段。

特征解构的本质是将数据向某一类由特殊的基函数组成的空间进行投影，常见的就是正交分解。在很多时候也称为降阶。

POD（有时候也成为SVD、PCA）在TB中作为动态降阶方法的一种，被用来进行非线性较强的流动特征分解。POD本质上是用较少的基函数拟合空间特征分布。比如RGB三原色就是色彩的基函数。定义国家特征的时候，为了进行国家区分，至少需要2个特征。比如中国的特征是：汉语、汉族。

ANSYS中的机器学习

商业软件中也大量使用了机器学习的方法。

目前有据可查的ANSYS软件中的机器学习方法分别存在于两个工具中：ANSYS TwinBuilder中的SVD和Optislang中的深度高斯过程。

由于流场的高度非线性，所以深度学习过程在相对简单的椭圆微分方程类型的导热问题中更容易实现。

2022年ANSYS CTO领衔的技术团队研究了芯片导热的机器学习算法（CoAEMLSim组合式自动编码器机器学习模拟器），并与经典的Mechanical导热问题进行了比较，以极小的误差和200倍的速度完胜。现选摘部分内容以飨读者。

摘要

热分析可以更深入地了解电子芯片在不同温度情况下的行为，并加快设计探索速度。然而，使用FEM 或 CFD 在芯片上获得详细而准确的热曲线非常耗时。因此，迫切需要加快片上散热解决方案，以应对各种系统场景。在本文中，ANSYS提出了一种热机器学习（ML）求解器来加速芯片的热仿真。热 ML-Solver 是最近新方法 CoAEMLSim（可组合自动编码器机器学习模拟器）的扩展，对求解算法进行了修改，以处理常量和分布式 HTC。在不同场景下，该方法针对Ansys MAPDL等商业求解器以及最新的ML基线UNet进行了验证，以证明其增强的准确性、可扩展性和泛化性。

‍

结论

在这项工作中，ANSYS引入了一种热ML求解器，它基于最近提出的CoAEMLSim方法，以功率图、HTC、芯片厚度等形式准确预测高维系统参数中电子芯片的温度。在本文中，展示了使用恒定和分布式HTC的两个用例，并演示了Ansys MAPDL在测试用例上温度预测的准确性。此外，还提供了额外的实验来测试的方法在不同芯片尺寸、网格尺寸和超出范围的HTC上的可推广性，并展示了与最先进的ML基线相比的卓越性能。尽管本工作中演示的热求解器针对 200μm x 200 μm 的 Powermap 尺寸进行了训练和测试，但相同的方法可以很容易地扩展到 1 – 10μm 的较小尺寸。将来，希望将这种方法扩展到瞬态芯片问题和具有几何复杂性和材料变化的芯片封装。

嬗变，对于经典仿真软件来说，已经开始！

        审核编辑：彭菁