Startseite Beispiele Bildschirmfotos Benutzerhandbuch Bluesky-Logo YouTube ☰
OghmaNano Multiphysik-Simulationsplattform für optoelektronische Bauelemente und photonische Systeme HERUNTERLADEN Schnellstartanleitung

Beschleunigung von Geräte-Simulationen

Wenn Sie eine große Anzahl von Simulationen durchführen, ist die Geschwindigkeit, mit der jede einzelne Simulation abgeschlossen wird, von Bedeutung. Auf dieser Seite wird erläutert, wie Sie die Berechnungsgeschwindigkeit des elektrischen Solvers von OghmaNano erhöhen können. Da die nützlichen Einstellungen erst dann sinnvoll sind, wenn Sie verstehen, was der Solver tatsächlich tut, behandelt die erste Hälfte der Seite die Grundlagen des Modells – die gelösten Gleichungen und die Art und Weise, wie sie gelöst werden –, und die zweite Hälfte zeigt, wie Sie den Solver so einstellen können, dass die Berechnungszeit verkürzt wird. Die physikalischen Grundlagen werden durch keine dieser Einstellungen verändert; sie beeinflussen lediglich, wie schnell die numerische Lösung erreicht wird.

This page has a little more maths than most. The key idea to carry through is that solving the device equations is really a root-finding problem: OghmaNano repeatedly improves a guess until an error function f(x) falls to zero. Everything in the tuning section is about reaching that point in fewer iterations.

1. Die Grundlagen des Modells

Bevor wir uns damit beschäftigen, wie man eine Simulation beschleunigen kann, ist es hilfreich zu wissen, was OghmaNano berechnet. Um den Ladungstransport in einer Komponente zu berücksichtigen, löst OghmaNano die grundlegenden Drift-Diffusions-Gleichungen zusammen mit der Poisson-Gleichung (Gaußsches Gesetz). Diese Gleichungen werden auf einem Finite-Differenzen-Gitter über die gesamte Komponente gelöst, sodass die Ladungsbewegung von einem Kontakt zum anderen sowohl auf der Leitungs- (LUMO) als auch auf der Valenzbandebene (HOMO) verfolgt werden kann.

1.1 Ladungstransport durch das Bauelement

Die Poisson-Gleichung stellt eine Beziehung zwischen dem elektrostatischen Potenzial und der freien Ladung her, während die beiden Stromgleichungen die treibenden Terme für Elektronen und Löcher beschreiben (Drift plus Diffusion):

\[ \nabla \cdot \varepsilon_0 \varepsilon_r \nabla \phi = q\,(n - p) \] \[ J_n = q\,\mu_e\,n\,\nabla E_c + q\,D_n\,\nabla n \] \[ J_p = q\,\mu_h\,p\,\nabla E_v - q\,D_p\,\nabla p \]

Diese Stromdichten werden anschließend in die Gleichungen für die Kontinuität von Elektronen und Löchern eingesetzt, die den Stromfluss mit der Rekombination, der Einfangrate und der zeitlichen Änderung der Konzentration freier Ladungsträger in Beziehung setzen.

\[ \nabla \cdot \mathbf{J}_n = q\left( R_n + T_n + \frac{\partial n_{\text{free}}}{\partial t} \right) \] \[ \nabla \cdot \mathbf{J}_p = -q\left( R_p + T_p + \frac{\partial p_{\text{free}}}{\partial t} \right) \]

Hierbei bezeichnet \( \phi \) das elektrostatische Potential, \( n \) und \( p \) die Konzentrationen freier Elektronen bzw. Löcher, \( \mu_e \) und \( \mu_h \) die Beweglichkeiten, \( D_n \) und \( D_p \) die Diffusionskoeffizienten, \( E_c \) und \( E_v \) die Bandkanten, \( R \) die Rekombinationsrate und \( T \) die Netto-Rate, mit der Ladungsträger in Fallen eingefangen werden. Die vollständige Ableitung und die verwendeten Vorzeichenkonventionen sind in der Arbeit von MacKenzie et al., J. Phys. Chem. C (DOI: 10.1021/jp200234m) beschrieben.

1.2 Ladungseinkapselung und Rekombination

Density-of-states diagram plotting electron energy against log(DOS). A green parabolic band of free electrons sits at the top at the electron mobility edge mu_e^0, a magenta parabolic band of free holes at the bottom at the hole mobility edge mu_h^0. Red exponential trap states descend from the electron trap edge E_e^d and blue exponential trap states rise from the hole trap edge E_h^d. Curved arrows labelled r1 and r2 connect the free electrons to the traps (capture and emission), and arrows r3 and r4 connect the traps to the free holes.
Das Shockley-Read-Hall-Modell zur Beschreibung von Einfang- und Freisetzungsprozessen wird an jedem Gitterpunkt gelöst. Freie Ladungsträger (nfree, pfree) befinden sich in parabolischen Bändern an den Mobilitätsgrenzen \( \mu_e^0 \) / \( \mu_h^0 \); die roten und blauen Dreiecke stellen die exponentielle Verteilung der Elektron- und Loch-Fallezustände dar. Die Raten \( r_1 \)–\( r_4 \) beschreiben den Einfang in die Fallen und die Freisetzung aus den Fallen.

Ladungseinkapselung und -rekombination spielen eine wichtige Rolle in organischen Bauelementen und in vielen anderen Materialsystemen, daher müssen sie explizit modelliert werden. Üblicherweise wird die Shockley-Read-Hall-Rekombination (SRH) auf einen einzigen Ausdruck für den stationären Zustand reduziert, der sich leicht lösen lässt. OghmaNano macht dies nicht: Da das Ziel darin besteht, die Gleichungen im Zeitbereich zu lösen, wird die vollständige Menge der SRH-Gleichungen für die Einfang-/Austrittsrate an jedem Gitterpunkt des Finite-Differenzen-Gitters gelöst.

An jedem Punkt wird die in ?? dargestellte Situation gelöst. Die Parabeln oben und unten stellen die Leitungsbänder für freie Ladungsträger an den Rändern der Elektronen- bzw. Lochmobilität dar. Von der Elektronen-Fallenkante \( E_e^d \) aus geht eine exponentielle Verteilung von Elektronenfällen (rot) aus; von der Loch-Fallenkante \( E_h^d \) aus geht eine exponentielle Verteilung von Lochfällen (blau) aus. Jedes der diskreten Niveaus innerhalb dieser Verteilungen ist eine einzelne Falle, und für jedes einzelne wird das vollständige System von Gleichungen für die Einfang- und Austrittsraten gelöst. Die Änderung der Anzahl der eingefangenen Elektronen in einem bestimmten Niveau ist das Ergebnis des Gleichgewichts zwischen vier Raten:

\[ \frac{\partial n_t}{\partial t} = r_1 - r_2 - r_3 + r_4 \]

wobei \( r_1 \) Elektronenabfang, \( r_2 \) Elektronenemission, \( r_3 \) Lochabfang und \( r_4 \) Lochemission bezeichnet, wobei jeder dieser Prozesse der üblichen Form des Abfang-/Emissionsprozesses folgt, die durch die Konzentration der Defektstellen, die Trägerkonzentration, den Abfangquerschnitt und die thermische Geschwindigkeit bestimmt wird (siehe die oben genannte Referenz). Ein detailliertes Gleichgewicht wird über alle Niveaus hinweg aufrechterhalten. Die Summe der Netto-Abfangrate über die Verteilung der Defektstellen ergibt die Rekombinationsrate der freien Träger:

\[ R_n = \sum_{0}^{n_{\text{band}}} \left( r_1^{\,e} - r_2^{\,e} \right) \]

Warum das für die Geschwindigkeit wichtig ist: Die Lösung der Verteilung der Fallen im Energieraum an jedem Punkt im Ortsraum führt zu einer vollständigen Karte der Ladungsdichte als Funktion von Energie und Position. Dadurch kann OghmaNano transiente Berechnungen durchführen, ohne die üblichen Annahmen für den stationären Zustand zu verwenden – aber genau deshalb müssen viele gekoppelte Gleichungen gleichzeitig gelöst werden, und daher hat die Wahl der numerischen Methode und deren Einstellungen einen direkten Einfluss auf die Berechnungszeit.

2. Wie die Gleichungen gelöst werden: Newtons Verfahren

Alle oben genannten Gleichungen werden mit Newtons Methode gelöst, die von Isaac Newton im Jahr 1671 in seinem Werk „Method of Fluxions“ veröffentlicht wurde. Es handelt sich um eine der effizientesten und zuverlässigsten Methoden, die für diese Art von gekoppelten Gleichungssystemen verfügbar sind: Wenn eine Gleichung nicht von Hand gelöst werden kann, findet Newtons Methode fast immer eine Lösung.

2.1 Wurzeln und die Fehlerfunktion

Beginnen Sie mit einer einfachen Aufgabe. Für welche Werte von x ist die folgende Gleichung gleich Null?

\[ 0 = (x - 3)(x - 40) \]

Durch eine einfache Überprüfung ergibt sich, dass die Lösungen \( x = 3 \) und \( x = 40 \) sind. Dies sind die Wurzeln der Gleichung. Dasselbe Problem lässt sich auch als Funktion darstellen.

\[ f(x) = (x - 3)(x - 40), \]

Wenn \( f(x) \) gegen \( x \) aufgetragen wird, sind die Nullstellen einfach die Punkte, an denen die Kurve die Achse schneidet, d. h. wo \( f(x) = 0 \). Die Vorstellung, die Gleichung als eine Fehlerfunktion zu betrachten, die auf Null getrieben wird, ist die zentrale Idee. Im Gerätemodell wird \( x \) durch die physikalischen Unbekannten ersetzt – das Potential \( \phi \) sowie die Quasi-Fermi-Niveaus für Elektronen und Löcher \( E_{Fn} \) und \( E_{Fp} \) –, und die Werte dieser Variablen werden so lange angepasst, bis \( f(x) = 0 \).

Die Wurzeln sind nur bei einfachen Gleichungen auf den ersten Blick erkennbar. Betrachten Sie stattdessen

\[ f(x) = \frac{(x^2 + 10x - 3)\,\cos^2(4x)}{\tan(x)}. \]

Es wäre sehr aufwendig, dies zu analysieren, um die zugrunde liegenden Ursachen zu finden, und die Gerätegleichungen sind noch viel komplizierter. Genau hier zeigt sich der Wert der Newton-Methode.

2.2 Die Methode – Schritt für Schritt

Nehmen wir ein konkretes Beispiel, \( f(x) = x^2 + 10x - 3 \). Newtons Verfahren funktioniert wie folgt:

  1. Leiten Sie die Gleichung nach der Variablen ab, nach der aufgelöst werden soll: \( f'(x) = 2x + 10 \).
  2. Raten Sie, welche Wurzel gemeint ist. Jeder Wert ist zulässig – nehmen Sie \( x = 10 \). Es ist eine schlechte Schätzung (\( f(10) = 197 \), weit entfernt von Null), aber das spielt keine Rolle.
  3. Berechnen Sie den Wert der Funktion und ihrer Ableitung an den geschätzten Punkten \( f(10) = 197 \) und \( f'(10) = 30 \).
  4. Berechnen Sie eine bessere Schätzung mithilfe der Newton-Iterationsformel:
\[ x_{+1} = x - \frac{f(x)}{f'(x)} \]

Wenn man die Werte einsetzt, erhält man eine bessere Schätzung \( x_{+1} = 10 - 197/30 = 3.433 \). Anschließend wird das Verfahren einfach wiederholt: Die verbesserte Schätzung wird erneut verwendet, es wird erneut berechnet (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)), und es wird eine noch bessere Schätzung von \( 0.877 \) erhalten, und so weiter. Bei jeder Iteration wird die Fehlerfunktion näher an Null und die Schätzung näher an die tatsächliche Lösung gebracht.

2.3 Ein Beispiel zur Veranschaulichung

Die gesamte Methode besteht nur aus wenigen Codezeilen. Die folgende Schleife implementiert sie für \( f(x) = x^2 + 10x - 3 \) und gibt bei jeder Iteration die aktuelle Schätzung und den Fehler aus:

x = 10;                       % our guess for the answer
for i = 1:10                  % loop ten times
    y  = x*x + 10*x - 3;      % f(x)
    dy = 2*x + 10;            % f'(x)
    new_x = x - (y/dy);       % calculate a better x
    x = new_x;                % update x
    sprintf("%f %f", x, y)    % print the estimate and the error
end                           % repeat
A code editor on the left showing the Newton iteration loop for f(x) = x*x + 10x - 3, and a terminal on the right showing the printed output. The two printed columns are the running estimate of the root and the error f(x): 3.433333 and 197.0, then 0.876746 and 43.12, then 0.320644 and 6.54, then 0.291582 and 0.309, then 0.291503 and 0.000845, then 0.291503 and 0.000000 for the remaining iterations.
Hier sehen Sie die iterative Berechnung in Aktion. Die linke Spalte zeigt die jeweils aktuelle Schätzung der Wurzel, die rechte Spalte den Fehler \( f(x) \). Die Schätzung stabilisiert sich bei \( 0.291503 \), und der Fehler sinkt innerhalb weniger Iterationen auf Null.

Die Ergebnisse sind aufschlussreich. Die Schätzung nähert sich \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \) an, und der Fehler sinkt auf \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \). Beachten Sie, wie sich die Anzahl der korrekten Dezimalstellen bei jeder Iteration ungefähr verdoppelt. Dies wird als überlineare Konvergenz bezeichnet, und sie ist der Grund, warum Newtons Methode eine so effiziente Methode zur Bestimmung der Nullstelle einer Gleichung ist.

2.4 Dieselbe Idee in Matrixform.

Das System wird nicht durch eine einzelne Gleichung beschrieben, sondern durch eine große Menge gekoppelter Gleichungen – das Potential, die Fermi-Niveaus für Elektronen und Löcher sowie die Besetzung der Fallen an jedem Gitterpunkt. In Matrixform ausgedrückt, lautet Newtons Methode:

\[ [J]\,[\Delta x] = -[f(x)] \]

\( [J] \) ist die Jacobi-Matrix, die Matrix der Ableitungen aller Gerätegleichungen (Poisson, Drift-Diffusions-Gleichung, SRH) in Bezug auf alle Unbekannten. \( [f(x)] \) ist der Fehler in diesen Gleichungen für die aktuelle Schätzung, und \( [\Delta x] \) ist die daraus resultierende Aktualisierung – die Verbesserung des Feldes, der Fermi-Niveaus und der Ladungsträgerkonzentrationen im gesamten Gerät. Die Aktualisierung wird zur aktuellen Lösung addiert.

\[ [x] = [x] + [\Delta x], \]

und der Vorgang wird so lange wiederholt, bis \( f(x) \approx 0 \)an diesem Punkt werden die Gerätegleichungen gelöst. Zwei Aspekte lassen sich direkt in die anschließende Feinabstimmung einbeziehen: \( f(x) \) ist die Größe, die wir gegen Null treiben, und somit das natürliche Maß für die Konvergenz; und eine bessere erste SchätzungJe näher der Algorithmus beim Start an der Lösung ist, desto weniger Iterationen sind erforderlich.

3. Beschleunigung einer Simulation in der Praxis

Nachdem die Grundlagen geschaffen wurden, ergeben die praktischen Anwendungsszenarien Sinn. Das hier verwendete Beispiel ist ein zweidimensionaler Feldeffekttransistor (ein 2D-Bauelement, das alle Fallen berücksichtigt), aber die gleichen Prinzipien lassen sich auf jede Simulation anwenden.

3.1 Deaktivieren Sie die Funktion zum Schreiben auf die Festplatte.

Die einfachste Änderung ist, die Menge der auf die Festplatte geschriebenen Daten zu reduzieren. Das Schreiben von Dateien ist langsam, und bei einer Simulation, die eine große Menge an Ausgabedaten erzeugt, kann dies die gesamte Laufzeit stark beeinflussen. OghmaNano bietet eine Funktion, mit der die Menge der auf die Festplatte geschriebenen Daten mit einem einzigen Klick minimiert werden kann; die einzelnen Optionen für Ausgabedateien (z. B. das Speichern dynamischer Zeitreihendaten) können auch einzeln in den Ausgabeeinstellungen aktiviert oder deaktiviert werden, sodass Sie nur die Dateien speichern können, die Sie tatsächlich benötigen. Für die schnellstmögliche Ausführung sollten Sie so wenig Daten wie möglich auf die Festplatte schreiben.

Probieren Sie dies zuerst aus. Bevor Sie eine der unten stehenden numerischen Einstellungen ändern, deaktivieren Sie die Ausgabefunktion, die Sie nicht benötigen, und führen Sie die Simulation erneut aus. Bei Simulationen, die viele Daten auf der Festplatte erzeugen, kann allein dies bereits die größte Geschwindigkeitssteigerung bewirken, und es ändert nichts an der Physik oder der Genauigkeit des Ergebnisses.

3.2 Beobachten, wie sich die Lösung dem Zielwert annähert.

A plot of solver error on a logarithmic vertical axis against iteration number on the horizontal axis. From 0 to about 1000 iterations the error wanders down from around 1e15 to a noisy floor near 1e-7: this is the initial equilibrium solve. After that the trace shows a series of sharp spikes that rise and then decay, each spike corresponding to a voltage step where the error jumps and is then driven back down.
Lösungsfehler \( f(x) \) in Abhängigkeit von der Iterationsnummer. Der lange Abfall auf der linken Seite stellt die anfängliche Gleichgewichtslösung dar; jeder Peak auf der rechten Seite entspricht einer Spannungsänderung, wobei eine Änderung der Vorspannung die Gleichungen aus dem Gleichgewicht bringt und der Solver den Fehler wieder reduziert.

Um den Solver zu optimieren, müssen Sie ihn zunächst in Aktion sehen. OghmaNano kann den Newton-Fehler (den aktuellen Fehler) für jede Iteration ausgeben und die Konvergenzgeschichte in eine Datei schreiben, anstatt für jeden Spannungsschritt nur eine einzelne Zeile auszugeben. Aktivieren Sie die Newton-Fehlerausgabe und das Konvergenzprotokoll und führen Sie das Programm dann erneut aus.

Der erste Simulationsschritt ist besonders. Wenn das Modell startet, hat es keine gute Ausgangsschätzung für den Zustand des Bauelements – es kennt weder das Potential noch die Fermi-Niveaus –, daher beginnt es weit entfernt von der Lösung. In ?? ist der Fehler zunächst enorm (etwa \( 10^{15} \)) und wird über viele Iterationen hinweg reduziert, bis er einen bestimmten Schwellenwert in der Nähe von \( 10^{-7} \) bis \( 10^{-9} \) erreicht, an dem die Gleichungen im Wesentlichen gelöst sind. Da diese erste Lösung so weit von der korrekten Antwort entfernt ist, werden zwei Dinge bewusst getan: Der Newton-Schritt wird stark begrenzt (siehe unten), sodass der Solver langsam und sicher konvergiert, anstatt zu einem Punkt zu springen, der zu einem Fehler führen könnte, und es werden ihm eine große Anzahl von Iterationen – typischerweise etwa tausend – erlaubt, damit er die Möglichkeit hat, sich zu stabilisieren.

Nach der Berechnung des Gleichgewichtszustands durchläuft das Modell die angeforderten Spannungen. Bei jedem Spannungsschritt wird das Gerät leicht von der vorherigen Lösung abgewichen, wodurch der Fehler zunächst ansteigt und dann sehr schnell wieder reduziert wird – dies ist in der Sequenz der Spitzen auf der rechten Seite des Diagramms dargestellt. Da jeder Schritt in der Nähe der letzten Lösung beginnt, konvergieren diese Berechnungen schnell.

3.3 Optimierung des Solvers

Das Konvergenzdiagramm entspricht genau der Fehlerfunktion \( f(x) \) aus Abschnitt 2, und das Ziel der Optimierung ist es, die Konvergenz in weniger Iterationen zu erreichen – also das Diagramm zu verkürzen. Die wichtigsten Steuerungsparameter in der Solver-Konfiguration sind:

Der Arbeitsablauf: Zeichnen Sie die Konvergenzdatei nach jeder Änderung neu und beobachten Sie, wie sich der Graph verkleinert: kürzen Sie den flachen Endteil der ersten Lösung, reduzieren Sie die Zielabweichung des ersten Schritts und erhöhen Sie dann die Begrenzungen, um die Abfälle steiler zu gestalten. Bei dem Beispielgerät führten diese Änderungen zusammen dazu, dass die Berechnungszeit von etwa fünfzehn Sekunden auf etwa acht Sekunden reduziert wurde – ohne dass sich das Ergebnis änderte. Die mit dem Modell gelieferten Eingabedateien verwenden konservative Werte, sodass in der Regel noch Spielraum besteht, um diese für Ihre eigenen Strukturen zu optimieren.

Nutzen Sie die gewonnene Zeit, um die Genauigkeit zu verbessern. Sobald der Solver optimiert ist, kann die Zeit, die Sie dadurch gewonnen haben, in ein schwierigeres Problem investiert werden – beispielsweise durch Erhöhung der Anzahl der Netzpunkte. Eine gut abgestimmte Newton-Konfiguration ermöglicht es, größere, feinere oder stärker gekoppelte Systeme in einer angemessenen Zeit zu lösen.

Häufige Fehlerquellen

Zusammenfassung und nächste Schritte

Als Nächstes: Sehen Sie in der Materialdatenbank nach, um zu erfahren, wie die Materialparameter definiert sind, die in diesen Gleichungen verwendet werden.