拉丁超立方抽样与非确定性蒙特卡罗模拟
关键的外卖
蒙特卡罗建模的多种形式。
拉丁超立方抽样如何支持非确定性蒙特卡罗问题。
一些蒙特卡罗的应用，PCB设计人员可能会发现重要的。
一个6x6的魔方会有一个拉丁超立方的排列
隐藏在现代PCB设计应用程序光鲜的用户界面之下的是一组强大的数学定理和模型，它们是这些工具背后的核心功能。首先想到的可能是电路仿真和3D建模，但还有更强大的实现，用户可能不一定知道——更不用说支持总体模型的数学了。特定的定理有助于解决PCB设计软件中遇到的一些独特和更普遍的问题。其中之一是拉丁超立方采样，这是一种求解非确定性蒙特卡罗模型的方法，在电路设计和仿真领域有一些有趣的实际应用。
蒙特卡罗方法的重要性
在讨论拉丁超立方采样模型之前，从稍微低一点的抽象层次开始是很重要的:蒙特卡罗法．蒙特卡罗方法是一种计算算法，试图解决问题，潜在的确定性，与使用一个随机或伪随机数据集在一些定义的领域。该方法在提供空间均匀散射和大量数据点的概率分布时发挥最佳作用。与大多数计算算法一样，随着数据的增加，该方法的解的可信度迅速攀升。
蒙特卡洛方法可能有一个显著的缺点:适当大小的数据集随着空间的维数呈指数级增长。也就是说，在二维或三维空间中计算效果良好的蒙特卡洛模拟对于二十维或二十维以上的空间是完全不够的。虽然这在概念上似乎很难，但大多数工程师都很熟悉高维空间;单个维度表示系统的自由度。换句话说，很容易想出许多现实世界的例子和问题，这些问题很快就会压倒特定蒙特卡罗模拟的计算能力。
然而，蒙特卡罗模型是一组宽泛的、定义松散的算法，因此，存在一些不确定的模型，即蒙特卡罗积分，它们更适合解决高维的问题。蒙特卡洛积分通过将平均值的标准误差与空间的体积相乘来解决维数问题。由于模拟的性质，结果不像在确定性模型中那样有误差限制。尽管如此，考虑到确定性建模根本无法处理这个问题，警告是值得的。
拉丁超立方抽样增强非确定性蒙特卡罗模拟
那么，拉丁超立方抽样如何适用于所有这些呢?随机性非常重要蒙特卡罗模型的属性-某些问题可能或多或少地容易受到伪随机数生成器的随机性近似的影响，但一般来说，如果没有足够的随机性，模型就不能正常工作。例如，生成器的随机性必须通过某些测试，例如在重复之前有足够长的编号，以支持来自模型的高置信度解所需的样本数量。重复是所有伪随机数生成器都存在的固有缺陷，尽管计算的进步有望在随机性方面取得突破，但今天的问题需要当前的解决方案。此外，由于在空间上执行抽样的方法，非确定性方法对随机性有更大的需求。
进入拉丁超立方采样，它作为拉丁平方到n维空间的推广:通过将一个n维问题分成M个n维空间的概率等价子集，并用M个样本填充这些空间，在空间上的近似随机分布是可能的。此外，由于样本的数量与维数无关，问题的计算复杂度不会随着高维数的增加而增加，这使它成为特别复杂的问题。为了更好地理解拉丁超立方采样是如何工作的，考虑一个2x2拉丁方阵的特定迭代(其中a和B代表一些不同的符号):
再一次，一个3x3拉丁方阵的例子(其中a, B和C代表一些不同的数据):
这个模式很明显:每个符号在每个维度中只出现一次。
日常生活的例子
在详细讨论了蒙特卡罗方法以及拉丁超立方采样如何支持蒙特卡罗积分这样的非确定性方法之后，问题仍然存在——求解模型有什么用?蒙特卡洛模拟具有广泛的实用性电路板设计领域、其相关的学科，以及许多远远超出本文范围的其他领域:
无线通信压力测试-网络测试需要考虑多个因素，如用户数量、到最近的基站的距离、服务提供商等。利用拉丁超立方抽样的模拟更容易解释大量的变量。
〇保养及修理蒙特卡罗模拟能够准确地预测疲劳、磨损、维修等部件更换时间表．对于更高级别的电子产品，这为维修计划提供了基线。
信号处理-贝叶斯推断和粒子滤波器是平均场粒子方法的两个例子，它们利用部分观测和噪声来预测实时进化系统的概率。
蒙特卡洛建模甚至可以触及设计世界的业务方面。鉴于其在拉丁超立方采样的帮助下处理高维问题的能力，分析师可以进行高度复杂的风险和不确定性分析。
拉丁超立方采样只是Cadence库背后工作的众多数学模型之一PCB设计和分析软件，最好的部分是，你不需要成为一个数学家，以获得他们的好处在你的PCB设计套件。对于易于使用、高度集成和复杂的电路模拟，Cadence提供了全面的软件，一定能满足您的设计需求。
领先的电子产品供应商依靠Cadence产品来优化各种市场应用的电源、空间和能源需求。如果您想了解更多我们的创新解决方案，和我们的专家团队谈谈吧或请订阅我们的YouTube频道．