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.
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
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:
- Leiten Sie die Gleichung nach der Variablen ab, nach der aufgelöst werden soll: \( f'(x) = 2x + 10 \).
- 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.
- Berechnen Sie den Wert der Funktion und ihrer Ableitung an den geschätzten Punkten \( f(10) = 197 \) und \( f'(10) = 30 \).
- Berechnen Sie eine bessere Schätzung mithilfe der Newton-Iterationsformel:
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
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.
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:
- Maximale Anzahl von Iterationen im ersten Schritt. Wenn die erste Lösung nach beispielsweise 400 Iterationen eindeutig das Rauschlevel erreicht hat, ist es nicht sinnvoll, die vollen tausend Iterationen durchzuführen. Eine Reduzierung dieser Grenze (z. B. von 1000 auf 600) kürzt lediglich den flachen Endbereich, in dem der Solver bereits konvergiert ist. Jede entfernte Iteration bedeutet eine tatsächliche Zeitersparnis bei der Berechnung.
- Zielabweichung beim ersten Schritt. Oft wird beim ersten Lösungsversuch ein sehr geringes Fehlerniveau wie \( 10^{-9} \) angestrebt. Wenn das Ergebnis bereits bei \( 10^{-7} \) gut konvergiert, sollte das Ziel angepasst werden: Anstatt \( 10^{-9} \) zu erreichen, kann man bei \( 10^{-7} \) aufhören, was den letzten, langsamsten Teil des Abstiegsprozesses einspart.
- Begrenzung. Die Begrenzung ist der Anteil des vollständigen Newton-Schritts \( [\Delta x] \), den der Solver durchführen darf. Ein vollständiger Schritt teilt durch die Jacobi-Matrix; bei der Begrenzung wird jedoch nur ein Teil davon verwendet – wenn Newton beispielsweise verlangt, eine Variable um 0,5 zu verschieben, kann die Begrenzung nur eine Verschiebung von 0,1 zulassen. Kleine Begrenzungen führen zu einer langsameren Konvergenz, aber es ist viel unwahrscheinlicher, dass der Solver dadurch in einen Bereich gerät, in dem er abstürzt; größere Begrenzungen führen zu einer schnelleren, aber riskanteren Konvergenz. Der erste Schritt verwendet in der Regel eine kleine, konservative Begrenzung (etwa 0,1); eine Erhöhung dieser Begrenzung (0,2, 0,3 und höher bei gutartigen Strukturen) verstärkt den anfänglichen Abstieg deutlich. Die Begrenzung für die verbleibenden Schritte kann ebenfalls von ihrem Standardwert aus erhöht werden, wobei eine zu starke Erhöhung das Risiko einer fehlenden Konvergenz birgt.
- Mindestanzahl an Newton-Iterationen. Dadurch wird sichergestellt, dass der Solver mindestens eine bestimmte Anzahl von Malen durchläuft, bevor er das Verfahren beenden darf. Dies hilft ihm, aus einem lokalen Minimum herauszukommen, in dem er andernfalls stecken bleiben könnte. Ein kleiner Wert (wenige Iterationen) ist eine sinnvolle Vorsichtsmaßnahme; ein zu hoher Wert führt lediglich dazu, dass unnötig Zeit damit verbracht wird, im Bereich der zufälligen Schwankungen zu verharren, nachdem die Lösung bereits gefunden wurde.
- Minimale Solver-Fehlertoleranz und maximale Anzahl an Iterationen (für alle anderen Schritte). Diese Parameter legen die Zielgenauigkeit und die maximale Anzahl an Iterationen für die einzelnen Spannungslösungen fest. Sie verhalten sich genauso wie die entsprechenden Parameter für den ersten Schritt und können angepasst werden, sobald Sie wissen, wie schnell Ihre Struktur konvergiert.
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
- Wenn man die Klemmkraft zu stark erhöht, wird der Solver zwar schneller, aber es besteht eine größere Wahrscheinlichkeit, dass er abstürzt oder keine Lösung findet. Erhöhen Sie die Klemmkraft schrittweise und prüfen Sie, ob die Simulation weiterhin erfolgreich abgeschlossen wird.
- Wenn man die Mindestanzahl der Iterationen zu hoch einstellt, wird der Algorithmus gezwungen, die Berechnungen fortzusetzen, obwohl er bereits konvergiert hat, was genau die Zeit verschwendet, die man eigentlich sparen möchte.
- Wenn man die Toleranz für den Zielwert zu stark erhöht, kann es passieren, dass die Lösung nicht vollständig konvergiert. Man sollte sie nur so weit erhöhen, dass die Konvergenzkurve deutlich abgeflacht ist und in reines numerisches Rauschen übergeht.
- Die optimalen Einstellungen für die einzelnen Strukturen sind unterschiedlich. Werte, die für ein Gerät gut funktionieren, können für ein anderes Gerät zu stark sein. Daher sollten Sie das Konvergenzdiagramm erneut überprüfen, wenn Sie die Struktur ändern.
Zusammenfassung und nächste Schritte
- OghmaNano löst die Drift-Diffusions-, Poisson- und vollständigen SRH-Gleichungen für die Erfassung und Freisetzung von Ladungsträgern auf einem Gitter, wobei die Ladungsträger sowohl im Energie- als auch im Ortsraum aufgelöst werden.
- Diese gekoppelten Gleichungen werden mit dem Newton-Verfahren gelöst, einem iterativen Verfahren, das eine Fehlerfunktion \( f(x) \) durch überlineare Konvergenz auf Null reduziert; in Matrixform \( [J][\Delta x] = -[f(x)] \).
- Das Konvergenzdiagramm zeigt eine lange anfängliche Berechnung des Gleichgewichtszustands, gefolgt von einer schnellen Berechnung bei jedem Spannungsschritt.
- Um die Ausführungsgeschwindigkeit zu erhöhen: Schreiben Sie weniger Daten auf die Festplatte, reduzieren Sie die Anzahl der Iterationen im ersten Schritt und lockern Sie die Zielgenauigkeit; erhöhen Sie die Begrenzung vorsichtig; und legen Sie eine kleine Mindestanzahl von Iterationen fest, um falsche Minima zu vermeiden.
- Die durch die Optimierung gewonnene Zeit kann in die Entwicklung eines feineren Netzes oder die Lösung eines schwierigeren Problems investiert werden.
Als Nächstes: Sehen Sie in der Materialdatenbank nach, um zu erfahren, wie die Materialparameter definiert sind, die in diesen Gleichungen verwendet werden.