Evolusi terma

Dua tahun yang lalu, sekumpulan HP menghadapi cabaran untuk mendapatkan lebih banyak aliran udara dari saluran yang digunakan untuk menyejukkan kepala pencetak inkjet yang akan datang.

Tanpa penyejukan yang cekap untuk memastikan tinta mengalir pada suhu yang tepat, pencetak tidak dapat beroperasi pada kelajuan penuh. Simulasi menunjukkan reka bentuk saluran tradisional menyebabkan peredaran darah dan pergolakan terlalu banyak berfungsi dengan berkesan.

Untuk menyelesaikan masalah ini, HP bekerjasama dengan jurutera di Siemens Digital Industries yang menggabungkan simulasi aliran bendalir dengan teknik mekanik syarikat CAD yang kini menjadikan reka bentuk generatif untuk menghasilkan struktur yang sangat berbeza.

"Oleh kerana reka bentuknya sudah terbentuk, ia menantang apa sahaja yang diharapkan oleh semua orang," kata jurutera simulasi Siemens, Julian Gaenz selepas pelancaran pencetak yang akan menggunakan saluran itu, menunjuk pada penonjolan seperti lidah pada reka bentuk akhir yang menjadi pendahulunya kekurangan.

Terdapat dua taktik utama yang digunakan dalam reka bentuk generatif seperti ini. Salah satunya adalah menghasilkan varian secara rawak setelah setiap simulasi dijalankan dengan jangkaan satu atau lebih akan berfungsi dengan lebih baik. Yang lain adalah mencari di kawasan yang bermasalah, seperti peredaran semula pada saluran pencetak HP, dan tampil dengan bentuk yang nampaknya dapat mengurangkan masalah sebelum mensimulasikan bahagian yang lengkap untuk melihat seberapa baik perubahan itu berlaku. HP jauh dari keseorangan dalam memanfaatkan reka bentuk yang didorong oleh simulasi.

Di atas: Hasil reka bentuk generatif - profusi lidah saluran HP

Tom Gregory, pengurus produk pembekal alat analisis termal Future Facilities mengatakan bahawa alat 6SigmaET milik syarikatnya telah digunakan untuk membantu menentukan bentuk optimum untuk pin yang digunakan dalam gaya heatsink itu.

"Pengoptimuman itu dilakukan dengan menggunakan algoritma genetik dalam kombinasi dengan CFD. Tujuan pengoptimuman adalah untuk mengurangkan penurunan tekanan di bahagian pendingin sambil mengekalkan prestasi terma. "

Walaupun sangat mungkin untuk membuat varian atau iterasi dengan tangan, pembelajaran mesin nampaknya merupakan alat yang berguna untuk reka bentuk generatif kerana, pada prinsipnya, ia dapat membuat variasi dengan cepat dan menghasilkan hasil yang tidak dijangka yang berlawanan dengan intuitif tetapi berkesan. Gregory menunjukkan beberapa makalah penyelidikan telah menghasilkan reka bentuk pendingin baru. "Reka bentuk yang dihasilkan mengagumkan dan memukau secara visual. Namun, mereka tidak boleh dibuat dengan kaedah tradisional. "

Percetakan 3D tidak penting

Dari segi penyelidikan, heatsink sering memerlukan pencetakan 3D, begitu juga dengan muncung HP. Tetapi kerana menggantikan enam bahagian yang dibentuk suntikan, bahagian yang lebih baru berfungsi lebih efektif setelah proses pencetakan 3D dioptimumkan.

Lieven Vervecken, Ketua Pegawai Eksekutif dan pengasas bersama permulaan reka bentuk generatif yang berpangkalan di Belgium Diabatix mengatakan bahawa percetakan 3D tidak penting.

"Kami mempunyai beberapa teknik pembuatan yang kami dukung secara lalai, seperti pemesinan CNC, penyemperitan, pemutus mati dan pembentukan logam lembaran," kata Vervecken. Masing-masing mempunyai kegunaan di pasaran yang berbeza. Sebagai contoh, pembentukan logam lembaran telah terbukti berguna untuk membuat plat sejuk bateri besar yang diperlukan oleh kenderaan elektrik.

Diabatix telah membina persekitaran generatif di sekitar pilihan alat reka bentuk dan simulasi sumber terbuka yang secara berulang-ulang menyempurnakan struktur komponen pendingin atau penyejuk berdasarkan analisis alatan alat dan aliran mekanikal alat.

Syarikat itu sedang bersiap untuk melancarkan versi alat yang dihoskan oleh awan pada bulan April.

Walaupun reka bentuk generatif dapat menggunakan pengacakan untuk membuat reka bentuk novel, ini bukan pendekatan yang diambil oleh Diabatix. Masalah dengan pengacakan adalah bahawa overhead simulasi yang diperlukan untuk menilai setiap varian menjadikan teknik ini terlalu berat. Sebaliknya, Vervecken mengatakan pendekatan yang digunakan oleh permulaan menggunakan pembelajaran mesin untuk membina algoritma yang boleh menghasilkan bentuk dan struktur yang berkesan tetapi sering kali tidak dijangka daripada sirip selari yang terdapat dalam kebanyakan reka bentuk konvensional, dengan kekangan pembuatan yang digunakan untuk menghalangnya daripada menjadi terlalu tidak praktikal untuk pembuatan.

"Inilah sebabnya mengapa kita dapat menghasilkan prestasi penyejukan tambahan hingga 30 persen," kata Vervecken.

Di atas: Reka bentuk 3D dari Diabatix

Kejuruteraan terma

Sasaran lain yang berpotensi untuk pembelajaran mesin dalam kejuruteraan termal adalah untuk mengurangkan kemacetan yang diperkenalkan oleh simulasi jika sebilangan besar varian perlu dianalisis secara selari sebelum kemajuan lebih lanjut dapat dibuat.

Melatih model pembelajaran mendalam dengan hasil simulasi yang luas telah digunakan dalam bidang seperti bahan dan penyelidikan fizik zarah kerana model yang dilatih dapat berjalan lebih cepat daripada simulasi yang asli, yang mungkin memerlukan waktu beberapa hari untuk diselesaikan bahkan di komputer super. Mereka tidak memberikan ketepatan sepenuhnya tetapi dapat digunakan pada jalan cepat ke rumah berdasarkan parameter sebelum menjalankan simulasi terperinci terakhir.

Pembuat GPU nVidia, yang sudah menjadi penyokong pembelajaran mesin yang kuat telah menerapkan teknik yang sama pada sebuah projek yang disebut SimNet untuk melakukan hal yang sama untuk jenis model dinamik cecair komputasi (CFD) yang digunakan untuk kejuruteraan terma.

Masalah utama adalah bahawa pembelajaran mendalam itu sendiri sangat intensif dan memerlukan simulasi selama berminggu-minggu untuk membina set latihan yang cukup besar untuk membiarkan model AI belajar bagaimana parameter mempengaruhi aliran udara dan haba di ruang angkasa.

Vervecken mengatakan pelbagai projek di mana mereka terlibat, yang berkisar dalam skala dari heatsink pemproses telefon bimbit hingga plat sejuk bateri skala trak, meningkatkan kerumitan masalah.

"Untuk melatih satu model untuk merangkumi keseluruhan rangkaian? Itu sukar, ”kata Vervecken, mengatakan bahawa lebih masuk akal untuk mengutamakan pembelajaran mesin untuk alat reka bentuk dan bukannya mesin simulasi.

Melawan kemungkinan peningkatan berasaskan AI, anda perlu mempertimbangkan sumbangan yang boleh datang dari hanya mengoptimumkan algoritma dinamik cecair komputasi (CFD) secara langsung.

Vendor pakar seperti Future Facilities telah menggunakan pelaksanaan multicore dan pengoptimuman lain untuk mengurangkan masa pemulihan keseluruhan. Dalam satu kajian dengan Rohde & Schwarz, masa yang diperlukan untuk menjalankan simulasi dari import CAD hingga penjanaan mesh hingga analisis dikurangkan di bawah 15 jam dari lebih dari 40.

Serta heatsink, pembelajaran mesin yang didorong oleh simulasi dapat diterapkan pada reka bentuk peranti teras dan sistem.

"Satu bidang di mana Future Facilities bekerja dengan kumpulan penyelidikan pembelajaran mesin adalah dengan menggunakan simulasi CFD untuk melatih algoritma pembelajaran mesin," catatan Gregory.

Terdapat sebilangan bidang di mana pembelajaran mesin dapat terbukti berguna. Salah satunya adalah untuk membantu membina model mudah penghasilan dan pemindahan haba yang dapat membimbing algoritma yang digunakan untuk memutuskan kapan mematikan pemproses pada SoC multicore.

"Simulasi termal dapat dengan mudah melatih algoritma pembelajaran mesin bagaimana suhu peranti akan berubah berdasarkan penggunaan pemproses. Ini dapat dilakukan dengan cepat secara selari sebelum peranti ini bahkan dibuat, ”kata Gregory.

Penggunaan lain terletak pada R&D untuk jenis peranti baru, seperti yang digunakan untuk elektronik kuasa, di mana haba yang berlebihan dapat menyebabkan pelarian terma dan masalah keselamatan lain. "Data latihan yang komprehensif sangat penting untuk algoritma pembelajaran mesin yang berkesan, tetapi selalunya tidak praktikal atau selamat untuk mendapatkan data latihan dari peranti fizikal. Sekiranya anda mengoptimumkan peranti atau sistem baru, peranti fizikal mungkin belum dibuat, ”kata Gregory.

Prestasi bukanlah satu-satunya motivasi untuk menggunakan model berasaskan AI. "Selalunya ia adalah penyelesaian yang lebih murah yang mereka cari," tambah Vervecken. "Terdapat salah tanggapan yang wujud dengan kami teknologi. Kami tidak selalu mencari heatsink yang paling cekap. Kami mempunyai projek yang sedang dijalankan di mana pelanggan sebaliknya mencari penyelesaian yang paling berpatutan. Pelanggan berkata prestasi bukan satu isu: reka bentuk sedia ada sudah terlebih peruntukan sebanyak 30 peratus tetapi mereka tidak boleh mendapatkan jenis reka bentuk itu menjadi lebih murah."

Masih awal untuk pembelajaran mesin untuk kejuruteraan terma tetapi teknik reka bentuk generatif menunjukkan nilai simulasi dan lelaran yang cepat dalam menghasilkan reka bentuk yang berfungsi lebih baik, berfungsi lebih murah atau kedua-duanya.