วิวัฒนาการทางความร้อน

เมื่อสองปีก่อนทีมงานของ HP ต้องเผชิญกับความท้าทายในการเพิ่มการไหลเวียนของอากาศออกจากท่อเพื่อระบายความร้อนของหัวพิมพ์ของเครื่องพิมพ์อิงค์เจ็ทที่กำลังจะมาถึง

หากไม่มีการระบายความร้อนอย่างมีประสิทธิภาพเพื่อให้หมึกไหลในอุณหภูมิที่เหมาะสมเครื่องพิมพ์จะไม่สามารถทำงานด้วยความเร็วสูงสุดได้ การจำลองแสดงให้เห็นว่าการออกแบบท่อแบบดั้งเดิมทำให้เกิดการหมุนเวียนและความปั่นป่วนมากเกินไปเพื่อให้ทำงานได้อย่างมีประสิทธิภาพ

เพื่อหลีกเลี่ยงปัญหานี้ HP ได้ทำงานร่วมกับวิศวกรของ Siemens Digital Industries ซึ่งทำควบคู่ไปกับการจำลองการไหลของของไหลกับ บริษัท CAD เชิงกลทางเทคนิคในปัจจุบันคำว่าการออกแบบโดยกำเนิดเพื่อให้มีโครงสร้างที่แตกต่างกันอย่างสิ้นเชิง

“ ในขณะที่การออกแบบกำลังก่อตัวขึ้นมันเป็นการท้าทายสิ่งที่ทุกคนรวมถึงฉันคาดไว้” Julian Gaenz วิศวกรจำลองของซีเมนส์กล่าวหลังจากเปิดตัวเครื่องพิมพ์ที่จะใช้ท่อโดยชี้ไปที่ส่วนที่ยื่นออกมาคล้ายลิ้นในการออกแบบขั้นสุดท้ายของรุ่นก่อน ขาด

มีสองกลยุทธ์หลักที่ใช้ในการออกแบบกำเนิดประเภทนี้ วิธีหนึ่งคือการสร้างตัวแปรแบบสุ่มหลังจากการจำลองแต่ละครั้งทำงานโดยคาดหวังว่าอย่างน้อยหนึ่งรายการจะทำงานได้ดีขึ้น อีกประการหนึ่งคือการกลับบ้านในพื้นที่ที่มีปัญหาเช่นการหมุนเวียนในท่อของเครื่องพิมพ์ HP และสร้างรูปทรงที่ดูเหมือนจะช่วยลดปัญหาก่อนที่จะจำลองส่วนที่สมบูรณ์เพื่อดูว่าการเปลี่ยนแปลงทำงานได้ดีเพียงใด HP อยู่ห่างไกลจากการใช้ประโยชน์จากการออกแบบที่ขับเคลื่อนด้วยการจำลองเพียงอย่างเดียว

ด้านบน: ผลของการออกแบบโดยกำเนิด - ความสมบูรณ์ของลิ้นท่อ HP

Tom Gregory ผู้จัดการผลิตภัณฑ์ของซัพพลายเออร์เครื่องมือวิเคราะห์ความร้อน Future Facilities กล่าวว่าเครื่องมือ 6SigmaET ของ บริษัท ของเขาถูกนำมาใช้เพื่อช่วยกำหนดรูปทรงที่เหมาะสมที่สุดสำหรับพินที่ใช้ในฮีทซิงค์รูปแบบนั้น

“ การเพิ่มประสิทธิภาพดำเนินการโดยใช้อัลกอริธึมทางพันธุกรรมร่วมกับ CFD จุดมุ่งหมายของการเพิ่มประสิทธิภาพคือการลดแรงดันตกที่ตัวระบายความร้อนในขณะที่ยังคงรักษาประสิทธิภาพการระบายความร้อนไว้ด้วย”

แม้ว่าจะเป็นไปได้ทั้งหมดที่จะสร้างรูปแบบหรือการทำซ้ำด้วยมือ แต่การเรียนรู้ของเครื่องดูเหมือนจะเป็นเครื่องมือที่มีประโยชน์สำหรับการออกแบบเชิงกำเนิดเนื่องจากโดยหลักการแล้วสามารถสร้างรูปแบบต่างๆได้อย่างรวดเร็วและได้ผลลัพธ์ที่ไม่คาดคิดที่ตอบโต้ได้ง่าย แต่มีประสิทธิภาพ Gregory ชี้ไปที่งานวิจัยหลายฉบับที่มีการออกแบบอ่างความร้อนแบบใหม่ "การออกแบบที่สร้างขึ้นนั้นน่าประทับใจและน่าทึ่ง อย่างไรก็ตามไม่สามารถผลิตด้วยวิธีการดั้งเดิมได้”

การพิมพ์ 3 มิติไม่จำเป็น

ในแง่ของการวิจัยฮีทซิงค์มักต้องการการพิมพ์ 3 มิติเช่นเดียวกับหัวฉีด HP อย่างไรก็ตามในขณะที่เปลี่ยนชิ้นส่วนแม่พิมพ์ฉีดหกชิ้นชิ้นส่วนที่ใหม่กว่าจะคุ้มค่ากว่าเมื่อกระบวนการพิมพ์ 3 มิติได้รับการปรับให้เหมาะสมที่สุด

Lieven Vervecken ซีอีโอและผู้ร่วมก่อตั้ง Diabatix สตาร์ทอัพจากเบลเยียมกล่าวว่าการพิมพ์ 3 มิติไม่จำเป็น

“ เรามีเทคนิคการผลิตบางอย่างที่เราสนับสนุนโดยค่าเริ่มต้นเช่นการตัดเฉือน CNC การอัดขึ้นรูปการหล่อขึ้นรูปและการขึ้นรูปโลหะแผ่น” Vervecken กล่าว แต่ละแห่งมีการใช้งานในตลาดที่แตกต่างกัน ตัวอย่างเช่นการขึ้นรูปโลหะแผ่นได้พิสูจน์แล้วว่ามีประโยชน์ในการทำแผ่นความเย็นของแบตเตอรี่ขนาดใหญ่ที่จำเป็นสำหรับยานยนต์ไฟฟ้า

Diabatix ได้สร้างสภาพแวดล้อมที่เกิดขึ้นโดยใช้เครื่องมือการออกแบบและการจำลองแบบโอเพนซอร์สที่เลือกซึ่งจะปรับแต่งโครงสร้างของฮีทซิงค์หรือส่วนประกอบระบายความร้อนซ้ำ ๆ ตามการวิเคราะห์การไหลของความร้อนและโครงสร้างเชิงกลของเครื่องมือ

บริษัท กำลังเตรียมที่จะเปิดตัวเครื่องมือเวอร์ชันที่โฮสต์บนคลาวด์ในเดือนเมษายนนี้

แม้ว่าการออกแบบโดยกำเนิดสามารถใช้การสุ่มเพื่อสร้างการออกแบบใหม่ แต่นี่ไม่ใช่แนวทางที่ Diabatix ใช้ ปัญหาเกี่ยวกับการสุ่มคือค่าใช้จ่ายในการจำลองที่จำเป็นในการประเมินตัวแปรแต่ละตัวทำให้เทคนิคนั้นดูเทอะทะเกินไป Vervecken กล่าวว่าแนวทางที่ใช้ในการเริ่มต้นใช้งานการเรียนรู้ของเครื่องเพื่อสร้างอัลกอริทึมที่สามารถสร้างรูปทรงและโครงสร้างที่มีประสิทธิภาพ แต่มักจะไม่คาดคิดแทนที่จะเป็นครีบคู่ขนานที่พบในการออกแบบทั่วไปโดยมีข้อ จำกัด ในการผลิตที่ใช้เพื่อหยุดไม่ให้กลายเป็น ทำไม่ได้จริงเกินไปที่จะผลิต

“ นี่คือเหตุผลที่เราสามารถเพิ่มประสิทธิภาพการระบายความร้อนได้มากถึง 30 เปอร์เซ็นต์” Vervecken กล่าว

ด้านบน: การออกแบบ 3 มิติจาก Diabatix

วิศวกรรมความร้อน

เป้าหมายที่เป็นไปได้อีกประการหนึ่งสำหรับการเรียนรู้ของเครื่องในวิศวกรรมเชิงความร้อนคือการลดปัญหาคอขวดที่เกิดจากการจำลองหากจำเป็นต้องวิเคราะห์ตัวแปรจำนวนมากควบคู่กันไปก่อนที่จะดำเนินการต่อไปได้

การฝึกแบบจำลองการเรียนรู้เชิงลึกด้วยผลของการจำลองที่ครอบคลุมได้ถูกนำไปใช้ในด้านต่างๆเช่นการวิจัยวัสดุและฟิสิกส์ของอนุภาคเนื่องจากแบบจำลองที่ผ่านการฝึกอบรมสามารถทำงานได้เร็วกว่าการจำลองแบบเดิมซึ่งอาจใช้เวลาหลายวันกว่าจะเสร็จสมบูรณ์แม้ในซูเปอร์คอมพิวเตอร์ พวกเขาไม่ได้ให้ความแม่นยำเต็มรูปแบบ แต่สามารถใช้บนเส้นทางที่รวดเร็วไปยังบ้านโดยใช้พารามิเตอร์ก่อนที่จะเรียกใช้การจำลองโดยละเอียดขั้นสุดท้าย

ผู้ผลิต GPU nVidia ซึ่งเป็นผู้สนับสนุนการเรียนรู้ของเครื่องได้ใช้เทคนิคเดียวกันนี้กับโครงการที่เรียกว่า SimNet เพื่อทำแบบเดียวกันกับแบบจำลองพลศาสตร์ของไหลเชิงคำนวณ (CFD) ที่ใช้สำหรับวิศวกรรมเชิงความร้อน

ปัญหาสำคัญคือการเรียนรู้เชิงลึกนั้นต้องใช้การคำนวณอย่างเข้มข้นและต้องใช้เวลาหลายสัปดาห์ในการจำลองเพื่อสร้างชุดฝึกที่ใหญ่พอที่จะให้โมเดล AI เรียนรู้ว่าพารามิเตอร์มีผลต่ออากาศและการไหลของความร้อนในอวกาศอย่างไร

Vervecken กล่าวว่าโครงการต่างๆที่พวกเขามีส่วนเกี่ยวข้องซึ่งมีตั้งแต่ฮีทซิงค์โปรเซสเซอร์โทรศัพท์มือถือไปจนถึงแผ่นความเย็นแบตเตอรี่ขนาดรถบรรทุกช่วยเพิ่มความซับซ้อนของปัญหา

” หากต้องการฝึกโมเดลเดียวให้ครอบคลุมทั้งช่วง? นั่นเป็นเรื่องยาก” Vervecken กล่าวโดยกล่าวว่าการจัดลำดับความสำคัญของการเรียนรู้ของเครื่องให้เหมาะสมกับเครื่องมือออกแบบมากกว่าเครื่องมือจำลอง

เมื่อเทียบกับการเร่งความเร็วที่ใช้ AI ที่เป็นไปได้คุณจำเป็นต้องชั่งน้ำหนักการมีส่วนร่วมที่อาจมาจากการปรับอัลกอริทึมพลศาสตร์ของไหลเชิงคำนวณ (CFD) ให้เหมาะสมโดยตรง

ผู้จำหน่ายผู้เชี่ยวชาญเช่น Future Facilities ได้ใช้การดำเนินการแบบหลายคอร์และการเพิ่มประสิทธิภาพอื่น ๆ เพื่อลดเวลาตอบสนองโดยรวม ในการศึกษากับ Rohde & Schwarz เวลาที่ใช้ในการจำลองจากการนำเข้า CAD ผ่านการสร้างตาข่ายไปจนถึงการวิเคราะห์ถูกลดลงเหลือต่ำกว่า 15 ชั่วโมงจากมากกว่า 40 ชั่วโมง

เช่นเดียวกับฮีทซิงค์การเรียนรู้ของเครื่องที่ขับเคลื่อนด้วยการจำลองสามารถนำไปใช้กับอุปกรณ์หลักและการออกแบบระบบได้

“ ส่วนหนึ่งที่ Future Facilities กำลังทำงานร่วมกับกลุ่มวิจัยแมชชีนเลิร์นนิงคือการใช้การจำลอง CFD เพื่อฝึกอัลกอริธึมแมชชีนเลิร์นนิง” Gregory กล่าว

มีหลายพื้นที่ที่การเรียนรู้ของเครื่องสามารถพิสูจน์ได้ว่ามีประโยชน์ วิธีหนึ่งคือการช่วยสร้างโมเดลการสร้างและการถ่ายเทความร้อนที่เรียบง่ายซึ่งสามารถแนะนำอัลกอริทึมที่ใช้ในการตัดสินใจว่าเมื่อใดที่จะปิดตัวประมวลผลบน SoC แบบมัลติคอร์

“ การจำลองความร้อนสามารถฝึกอัลกอริทึมการเรียนรู้ของเครื่องได้อย่างง่ายดายว่าอุณหภูมิของอุปกรณ์จะเปลี่ยนแปลงไปอย่างไรตามการใช้งานโปรเซสเซอร์ สิ่งนี้สามารถทำได้อย่างรวดเร็วควบคู่กันก่อนที่อุปกรณ์จะถูกผลิตขึ้นด้วยซ้ำ” Gregory กล่าว

การใช้งานอีกอย่างอยู่ในการวิจัยและพัฒนาสำหรับอุปกรณ์ประเภทใหม่เช่นอุปกรณ์ที่ใช้สำหรับอุปกรณ์อิเล็กทรอนิกส์กำลังซึ่งความร้อนที่มากเกินไปอาจทำให้เกิดการระบายความร้อนและปัญหาด้านความปลอดภัยอื่น ๆ “ ข้อมูลการฝึกอบรมที่ครอบคลุมเป็นสิ่งจำเป็นสำหรับอัลกอริธึมการเรียนรู้ของเครื่องที่มีประสิทธิภาพ แต่มักไม่สามารถใช้งานได้จริงหรือปลอดภัยในการรับข้อมูลการฝึกอบรมจากอุปกรณ์ทางกายภาพ หากคุณกำลังเพิ่มประสิทธิภาพอุปกรณ์หรือระบบใหม่อุปกรณ์จริงอาจไม่ได้ถูกสร้างขึ้น” Gregory กล่าว

ประสิทธิภาพไม่ใช่แรงจูงใจเพียงอย่างเดียวในการใช้โมเดลที่ใช้ AI “บ่อยครั้งที่พวกเขากำลังมองหาโซลูชันที่ถูกกว่า” Vervecken กล่าวเสริม “มีความเข้าใจผิดที่เกิดขึ้นกับเรา เทคโนโลยี. เราไม่ได้มองหาฮีทซิงค์ที่มีประสิทธิภาพสูงสุดเสมอไป เรามีโครงการที่กำลังดำเนินอยู่โดยที่ลูกค้ามองหาโซลูชันที่เหมาะสมที่สุดแทน ลูกค้ากล่าวว่าประสิทธิภาพไม่ใช่ปัญหา: การออกแบบที่มีอยู่ได้รับการจัดเตรียมไว้เกิน 30 เปอร์เซ็นต์แล้ว แต่พวกเขาไม่สามารถทำให้การออกแบบประเภทนั้นถูกลงได้”

ยังคงเป็นวันแรกสำหรับการเรียนรู้ของเครื่องจักรสำหรับวิศวกรรมเชิงความร้อน แต่เทคนิคการออกแบบโดยกำเนิดกำลังแสดงให้เห็นถึงคุณค่าของการจำลองและการทำซ้ำอย่างรวดเร็วในการออกแบบที่ทำงานได้ดีขึ้นทำงานได้ถูกกว่าหรือทั้งสองอย่าง