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常快速的變化中。

Covid19過去3年給全人類上了一場遺傳和變異的學術大課，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。變化帶來適應能力，但是也帶來成本問題。效率能帶來利潤，也會導致組織固化。

邏輯上所有的規則本質上都是為了效率，但是過多的規則會產生邊際效用遞減。判斷規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。

博大精深的皇權文化中在和奧卡姆差不多同樣時期，公公們創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。

機器學習

機器學習已經熱了十年以上的時間，關于機器學習有各種定義。機器學習又和大數據、神經網絡攪合在一起，成為AI封套之下門派之一。

具體來說機器學習泛指使用計算機學習知識總結規律，以便人們認知各種特征和內在性質。各種神經網絡是機器學習算法中最傳奇的一種。一般而言，機器學習的算法包括聚類（分類）、擬合、特征解構和神經網絡。其中的差別在于前三者都有精確的數學定義和數學表達式，以及清晰的物理意義，但是神經網絡在今天更類似于一個神奇的盲盒，有接近正確的結果但是內在不易解釋。

聚類主要是指對數據進行特征劃分，算法類似對特征函數求優。

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

特征解構的本質是將數據向某一類由特殊的基函數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本質上是用較少的基函數擬合空間特征分布。比如RGB三原色就是色彩的基函數。定義國家特征的時候，為了進行國家區分，至少需要2個特征。比如中國的特征是：漢語、漢族。

ANSYS中的機器學習

商業軟件中也大量使用了機器學習的方法。

目前有據可查的ANSYS軟件中的機器學習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，所以深度學習過程在相對簡單的橢圓微分方程類型的導熱問題中更容易實現。

2022年ANSYS CTO領銜的技術團隊研究了芯片導熱的機器學習算法（CoAEMLSim組合式自動編碼器機器學習模擬器），并與經典的Mechanical導熱問題進行了比較，以極小的誤差和200倍的速度完勝。現選摘部分內容以饗讀者。

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，以應對各種系統場景。在本文中，ANSYS提出了一種熱機器學習（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習模擬器）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測高維系統參數中電子芯片的溫度。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芯片問題和具有幾何復雜性和材料變化的芯片封裝。

嬗變，對于經典仿真軟件來說，已經開始！

審核編輯：彭菁