熱の進化

XNUMX年前、HPのチームは、次のインクジェットプリンタのプリントヘッドを冷却するために使用されるダクトからより多くの空気の流れを引き出すという課題に直面しました。

インクが適切な温度で流れるように効率的に冷却しないと、プリンタはフルスピードで動作できません。シミュレーションでは、従来のダクト設計が過剰な再循環と乱流を引き起こして効果的に機能しないことが示されました。

この問題を回避するために、HPはSiemens Digital Industriesのエンジニアと協力して、流体シミュレーションと機械CAD企業が現在ジェネレーティブデザインと呼んでいる技術を組み合わせて、根本的に異なる構造を考案しました。

シーメンスのシミュレーションエンジニアであるジュリアン・ゲンツ氏は、ダクトを使用するプリンターの発売後、「デザインが形作られているので、私が期待するものは何でも反抗しました」と述べ、前任者が最終デザインの舌のような突起を指しています。欠けていた。

この種のジェネレーティブデザインで使用されるXNUMXつの主要な戦術があります。 XNUMXつは、XNUMXつ以上がより適切に機能することを期待して、各シミュレーションの実行後にバリアントをランダムに生成することです。もうXNUMXつは、HPプリンターのダクト内の再循環などの問題領域に焦点を当て、変更がどの程度うまく機能したかを確認するために完全なパーツをシミュレートする前に、問題を軽減する可能性のある形状を考え出すことです。シミュレーション主導の設計を活用する上で、HPだけではありません。

上：ジェネレーティブデザインの結果–HPダクトタンの豊富さ

熱分析ツールのサプライヤであるFutureFacilitiesの製品マネージャーであるTomGregoryは、彼の会社の6SigmaETツールが、そのスタイルのヒートシンクで使用されるピンの最適な形状を決定するために使用されたと述べています。

「最適化は、CFDと組み合わせた遺伝的アルゴリズムを使用して実行されました。最適化の目的は、熱性能を維持しながら、ヒートシンク全体の圧力損失を減らすことでした。」

バリアントや反復を手動で作成することは完全に可能ですが、機械学習は、原則として、バリエーションをすばやく作成し、直感に反するが効果的な予期しない結果をもたらす可能性があるため、ジェネレーティブデザインに役立つツールのように見えます。グレゴリー氏は、いくつかの研究論文が斬新なヒートシンク設計を考案したことを指摘しています。生成されたデザインは印象的で視覚的に素晴らしいです。ただし、従来の方法では製造できません。」

3Dプリントは必須ではありません

研究の観点から、ヒートシンクはHPノズルと同様に、3Dプリントを必要とすることがよくあります。ただし、3つの射出成形部品を交換するため、XNUMXD印刷プロセスが最適化されると、新しい部品の方が費用効果が高くなります。

ベルギーを拠点とするジェネレーティブデザインのスタートアップDiabatixのCEO兼共同創設者であるLievenVerveckenは、3Dプリントは必須ではないと述べています。

「CNC機械加工、押し出し、ダイカスト、板金成形など、デフォルトでサポートされている製造技術がいくつかあります」とVervecken氏は言います。それぞれが異なる市場で使用されています。たとえば、板金成形は、電気自動車に必要な大型バッテリーのコールドプレートの製造に役立つことが証明されています。

Diabatixは、ツールスイートの熱流と機械的構造の分析に基づいてヒートシンクまたは冷却コンポーネントの構造を繰り返し改良する、オープンソースの設計およびシミュレーションツールの選択を中心に生成環境を構築しました。

同社は、XNUMX月にクラウドでホストされるバージョンのツールをリリースする準備をしています。

ジェネレーティブデザインはランダム化を使用して新しいデザインを作成できますが、これはDiabatixが採用したアプローチではありませんでした。ランダム化の問題は、各バリアントを評価するために必要なシミュレーションのオーバーヘッドにより、テクニックが扱いにくくなることです。代わりに、フェルヴェッケンは、スタートアップが使用するアプローチは、機械学習を使用して、ほとんどの従来の設計に見られる平行フィンではなく、効果的であるがしばしば予期しない形状や構造を生み出すことができるアルゴリズムを構築し、製造上の制約がそれらを防ぐために使用されると言います製造するには実用的すぎます。

「これが、最大30％の追加の冷却性能を生み出すことができる理由です」とVervecken氏は主張します。

上：Diabatixの3Dデザイン

熱工学

熱工学における機械学習のもうXNUMXつの潜在的な目標は、さらなる進歩を遂げる前に多数のバリアントを並行して分析する必要がある場合に、シミュレーションによって生じるボトルネックを減らすことです。

トレーニングされたモデルは元のシミュレーションよりも高速に実行できるため、広範なシミュレーションの結果を使用した深層学習モデルのトレーニングは、材料や素粒子物理学の研究などの分野で使用されています。これは、スーパーコンピューターでも完了するまでに数日かかる場合があります。これらは完全な精度を提供するわけではありませんが、最終的な詳細なシミュレーションを実行する前に、パラメータを特定するための高速パスで使用できます。

すでに機械学習の強力な支持者であるGPUメーカーのnVidiaは、熱工学に使用される種類の計算流体力学（CFD）モデルに対して同じことを行うために、SimNetと呼ばれるプロジェクトに同じ手法を適用しました。

重要な問題は、深層学習自体が計算集約的であり、パラメーターが空間内の空気と熱の流れにどのように影響するかをAIモデルに学習させるのに十分な大きさのトレーニングセットを構築するには、数週間のシミュレーションが必要なことです。

Vervecken氏は、携帯電話のプロセッサヒートシンクからトラック規模のバッテリーコールドプレートまで、さまざまなプロジェクトが関与しているため、問題が複雑になると述べています。

」その範囲全体をカバーするように単一のモデルをトレーニングするには？それは難しいことです」とVervecken氏は述べ、シミュレーションエンジンよりも設計ツールの機械学習を優先する方が理にかなっていると述べています。

AIベースの高速化の可能性に対して、計算流体力学（CFD）アルゴリズムを直接最適化することから生じる可能性のある寄与を比較検討する必要があります。

FutureFacilitiesなどのスペシャリストベンダーは、マルチコア実行やその他の最適化を採用して、全体的なターンアラウンドタイムを短縮しています。 Rohde＆Schwarzによる調査では、CADのインポートからメッシュの生成、分析までのシミュレーションの実行にかかる時間が、15時間以上から40時間未満に短縮されました。

ヒートシンクだけでなく、シミュレーション駆動型の機械学習をコアデバイスとシステムの設計に適用できます。

「FutureFacilitiesが機械学習研究グループと協力している分野のXNUMXつは、CFDシミュレーションを使用して機械学習アルゴリズムをトレーニングすることです」とGregory氏は述べています。

機械学習が役立つと証明できる分野はたくさんあります。 XNUMXつは、マルチコアSoCのプロセッサの電源を切るタイミングを決定するために使用されるアルゴリズムをガイドできる発熱と伝達の単純なモデルの構築を支援することです。

「熱シミュレーションは、プロセッサの使用状況に基づいてデバイスの温度がどのように変化するかを機械学習アルゴリズムで簡単にトレーニングできます。これは、デバイスが製造される前に、並行して迅速に行うことができます」とグレゴリー氏は言います。

もうXNUMXつの用途は、パワーエレクトロニクスに使用されるデバイスなど、過度の熱が熱暴走やその他の安全上の問題を引き起こす可能性がある新しいタイプのデバイスの研究開発にあります。「効果的な機械学習アルゴリズムには包括的なトレーニングデータが不可欠ですが、物理デバイスからトレーニングデータを取得することは実際的または安全ではないことがよくあります。新しいデバイスまたはシステムを最適化する場合、物理デバイスが作成されていない可能性があります」とグレゴリー氏は言います。

AI ベースのモデルを使用する動機はパフォーマンスだけではありません。「非常に多くの場合、彼らが探しているのはより安価なソリューションです」と Vervecken 氏は付け加えます。「私たちの考えには誤解があります。テクノロジー。私たちは常に最も効率的なヒートシンクを探しているわけではありません。当社では進行中のプロジェクトがあり、お客様は代わりに最も手頃なソリューションを探しています。お客様は、パフォーマンスは問題ではないと言いました。既存の設計はすでに 30% オーバープロビジョニングされていますが、そのタイプの設計をもっと安くすることはできないのです。」

熱工学の機械学習はまだ始まったばかりですが、ジェネレーティブデザイン手法は、より適切に機能する、より安価に機能する、またはその両方の設計を考案する上で、シミュレーションと迅速な反復の価値を示しています。