Αρχική σελίδα Παραδείγματα Εικόνες οθόνης Εγχειρίδιο χρήστη Λογότυπο της Bluesky. YouTube ☰
OghmaNano Πλατφόρμα προσομοίωσης πολλαπλών φυσικών φαινομένων για οπτοηλεκτρονικές συσκευές και φωτονικά συστήματα. Λήψη Οδηγός γρήγορης εκκίνησης

Επιτάχυνση των προσομοιώσεων συσκευών.

Εάν εκτελείτε μεγάλο αριθμό προσομοιώσεων, η ταχύτητα με την οποία ολοκληρώνεται η καθεμία είναι σημαντική. Αυτή η σελίδα εξηγεί πώς να κάνετε τον ηλεκτρικό επιλυτή του OghmaNano να λειτουργεί πιο γρήγορα. Επειδή οι χρήσιμες ρυθμίσεις έχουν νόημα μόνο αφού κατανοήσετε τι ακριβώς κάνει ο επιλυτής, το πρώτο μισό της σελίδας καλύπτει τις βασικές αρχές του μοντέλου – τις εξισώσεις που επιλύονται και τον τρόπο επίλυσής τους – και το δεύτερο μισό δείχνει πώς να ρυθμίσετε τον επιλυτή για να μειώσετε τους χρόνους εκτέλεσης. Η φυσική δεν αλλάζει από καμία από αυτές τις ρυθμίσεις· επηρεάζουν μόνο το πόσο γρήγορα επιτυγχάνεται η αριθμητική λύση.

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. Οι θεμελιώδεις αρχές του μοντέλου.

Πριν εξετάσουμε πώς μπορούμε να επιταχύνουμε μια προσομοίωση, είναι χρήσιμο να γνωρίζουμε τι υπολογίζει το OghmaNano. Για να λάβει υπόψη τη μεταφορά φορτίου σε μια συσκευή, το OghmaNano επιλύει τις βασικές εξισώσεις μεταφοράς-διάχυσης μαζί με την εξίσωση του Poisson (νόμος του Gauss). Αυτές οι εξισώσεις επιλύονται σε ένα πλέγμα πεπερασμένων διαφορών σε όλη τη συσκευή, έτσι ώστε η κίνηση του φορτίου από μια επαφή στην άλλη να μπορεί να παρακολουθηθεί τόσο στην αγώγιμη (LUMO) όσο και στη σθενική (HOMO) ζώνη.

1.1 Μεταφορά φορτίου σε όλη τη συσκευή.

Η εξίσωση Poisson συνδέει το ηλεκτροστατικό δυναμικό με την ελεύθερη φόρτιση, ενώ οι δύο εξισώσεις ρεύματος περιγράφουν τους όρους που καθορίζουν την κίνηση των ηλεκτρονίων και των οπών (παράσυρση συν διάχυση):

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

Στη συνέχεια, αυτές οι πυκνότητες ρεύματος αντικαθίστανται στις εξισώσεις συνέχειας των ηλεκτρονίων και των οπών, οι οποίες εξισορροπούν τη ροή του ρεύματος με την ανασύνθεση, την παγίδευση και τον ρυθμό μεταβολής του χρόνου των πληθυσμών των φορέων φορτίου:

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

Εδώ, το \( \phi \) είναι το ηλεκτροστατικό δυναμικό, τα \( n \) και \( p \) είναι οι πυκνότητες των ελεύθερων ηλεκτρονίων και των οπών, τα \( \mu_e \) και \( \mu_h \) είναι οι κινητικότητες, τα \( D_n \) και \( D_p \) είναι οι συντελεστές διάχυσης, τα \( E_c \) και \( E_v \) είναι οι άκρες της ζώνης, το \( R \) είναι ο ρυθμός ανασύνθεσης και το \( T \) είναι ο καθαρός ρυθμός με τον οποίο οι φορείς φορτίου παγιδεύονται στις παγίδες. Η πλήρης απόδειξη και οι συμβάσεις για τα πρόσημα ακολουθούν τις εργασίες των MacKenzie et al., J. Phys. Chem. C (doi:10.1021/jp200234m).

1.2 Παγίδευση και ανασύνθεση φορτίων

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.
Το μοντέλο Shockley–Read–Hall για την παγίδευση/απελευθέρωση επιλύεται σε κάθε σημείο του πλέγματος. Ελεύθεροι φορείς (nfree, pfree) βρίσκονται σε παραβολικές ζώνες στα όρια κινητικότητας \( \mu_e^0 \) / \( \mu_h^0 \). Τα κόκκινα και μπλε τρίγωνα απεικονίζουν τις εκθετικές κατανομές των καταστάσεων παγίδευσης ηλεκτρονίων και οπών. Οι ρυθμοί \( r_1 \)–\( r_4 \) αντιπροσωπεύουν την παγίδευση και την απελευθέρωση από τις παγίδες.

Η παγίδευση και η ανασύνθεση φορτίων είναι σημαντικές στις οργανικές συσκευές και σε πολλά άλλα συστήματα υλικών, επομένως πρέπει να μοντελοποιούνται ρητά. Είναι σύνηθες να απλοποιείται η ανασύνθεση Shockley–Read–Hall (SRH) σε μια ενιαία έκφραση σταθερής κατάστασης, η οποία είναι εύκολη στην επίλυση. Το OghmaNano δεν το κάνει αυτό: επειδή ο στόχος είναι να επιλυθούν οι εξισώσεις στον χρονικό τομέα, ολόκληρο το σύνολο των εξισώσεων ρυθμού σύλληψης/απόδρασης SRH επιλύεται σε κάθε σημείο του πλέγματος πεπερασμένων διαφορών.

Σε κάθε σημείο, λύνεται η κατάσταση που απεικονίζεται στο ??. Οι παραβολές στο πάνω και κάτω μέρος αντιπροσωπεύουν τις ζώνες ελεύθερων φορέων στις άκρες κινητικότητας των ηλεκτρονίων και των οπών. Ξεκινώντας από την άκρη της παγίδας ηλεκτρονίων \( E_e^d \), υπάρχει μια εκθετική κατανομή παγίδων ηλεκτρονίων (κόκκινο χρώμα). Ξεκινώντας από την άκρη της παγίδας οπών \( E_h^d \), υπάρχει μια εκθετική κατανομή παγίδων οπών (μπλε χρώμα). Κάθε ένα από τα διακριτά επίπεδα εντός αυτών των κατανομών είναι μια μεμονωμένη παγίδα και για κάθε ένα από αυτά, λύνονται οι πλήρεις εξισώσεις ρυθμού σύλληψης και διαφυγής. Η αλλαγή στον πληθυσμό των παγιδευμένων ηλεκτρονίων ενός επιπέδου είναι η ισορροπία τεσσάρων ρυθμών:

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

όπου \( r_1 \) είναι η σύλληψη ηλεκτρονίων, \( r_2 \) η εκπομπή ηλεκτρονίων, \( r_3 \) η σύλληψη οπών και \( r_4 \) η εκπομπή οπών, καθεμία από τις οποίες ακολουθεί την τυπική μορφή σύλληψης/εκπομπής που καθορίζεται από την πυκνότητα των παγίδων, την πυκνότητα των φορέων, την διατομή σύλληψης και τη θερμική ταχύτητα (βλ. την παραπάνω αναφορά). Η λεπτομερής ισορροπία διατηρείται σε όλα τα επίπεδα. Η άθροιση της καθαρής σύλληψης σε όλη την κατανομή των παγίδων δίνει τον ρυθμό ανασύνθεσης των ελεύθερων φορέων:

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

Γιατί αυτό είναι σημαντικό για την ταχύτητα. Η επίλυση της κατανομής των παγίδων στον ενεργειακό χώρο, σε κάθε σημείο του χωρικού χώρου, παράγει έναν πλήρη χάρτη της πυκνότητας φορτίου ως συνάρτηση τόσο της ενέργειας όσο και της θέσης. Αυτό επιτρέπει στο OghmaNano να εκτελεί προσωρινές υπολογιστικές προσομοιώσεις χωρίς τις συνήθεις προσεγγίσεις σταθερής κατάστασης — αλλά είναι επίσης ο λόγος για τον οποίο υπάρχουν πολλές συνδεδεμένες εξισώσεις που πρέπει να επιλυθούν ταυτόχρονα, και επομένως ο λόγος για τον οποίο η επιλογή της αριθμητικής μεθόδου και οι ρυθμίσεις της έχουν πραγματικό αντίκτυπο στον χρόνο εκτέλεσης.

2. Πώς επιλύονται οι εξισώσεις: η μέθοδος του Νεύτωνα.

Όλες οι παραπάνω εξισώσεις επιλύονται με τη μέθοδο του Νεύτωνα, η οποία δημοσιεύθηκε από τον Ισαάκ Νεύτωνα το 1671 στο έργο του "Μέθοδος των Ροών". Είναι μία από τις πιο αποτελεσματικές και αξιόπιστες μεθόδους που υπάρχουν για αυτόν τον τύπο συνδεδεμένων εξισώσεων: εάν μια εξίσωση δεν μπορεί να επιλυθεί με υπολογισμούς, η μέθοδος του Νεύτωνα σχεδόν πάντα θα βρει μια λύση.

2.1 Ρίζες και η συνάρτηση σφάλματος

Ξεκινήστε με κάτι απλό. Για ποιες τιμές του x η παρακάτω εξίσωση ισούται με μηδέν;

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

Με μια απλή επιθεώρηση, η απάντηση είναι \( x = 3 \) και \( x = 40 \). Αυτές είναι οι ρίζες της εξίσωσης. Το ίδιο πρόβλημα μπορεί να γραφτεί και ως συνάρτηση.

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

και αν απεικονιστεί το \( f(x) \) σε σχέση με το \( x \), οι ρίζες είναι απλώς τα σημεία όπου η καμπύλη τέμνει τον άξονα, δηλαδή όπου \( f(x) = 0 \). Η ιδέα είναι ότι η εξίσωση θεωρείται ως μια συνάρτηση σφάλματος που τείνει στο μηδέν. Στο μοντέλο της συσκευής, το \( x \) αντικαθίσταται από τις φυσικές άγνωστες μεταβλητές – το δυναμικό \( \phi \) και τα ημι-επίπεδα Fermi για τα ηλεκτρόνια και τις οπές \( E_{Fn} \) και \( E_{Fp} \) – και οι τιμές αυτών των μεταβλητών προσαρμόζονται μέχρι να επιτευχθεί \( f(x) = 0 \).

Οι ρίζες είναι εύκολα ορατές μόνο για απλές εξισώσεις. Αντί αυτού, εξετάστε το εξής:

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

Η γραφική παράσταση και η εύρεση των ριζών της θα απαιτούσαν μεγάλη προσπάθεια, και οι εξισώσεις της συσκευής είναι ακόμη πιο περίπλοκες. Αυτό ακριβώς είναι το σημείο όπου η μέθοδος του Νεύτωνα αποδεικνύει την αξία της.

2.2 Η μέθοδος, βήμα προς βήμα.

Ας εξετάσουμε ένα συγκεκριμένο παράδειγμα, \( f(x) = x^2 + 10x - 3 \). Η μέθοδος του Νεύτωνα ακολουθεί τα εξής βήματα:

  1. Διαφοροποιήστε την εξίσωση ως προς τη μεταβλητή για την οποία επιλύετε: \( f'(x) = 2x + 10 \).
  2. Μαντέψτε την αρχική τιμή. Οποιαδήποτε τιμή θα κάνει – ας χρησιμοποιήσουμε το \( x = 10 \). Είναι μια κακή εκτίμηση (\( f(10) = 197 \), πολύ μακριά από το μηδέν), αλλά αυτό δεν έχει σημασία.
  3. Υπολογίστε την τιμή της συνάρτησης και της παραγώγου της στο σημείο της εκτίμησης: \( f(10) = 197 \) και \( f'(10) = 30 \).
  4. Υπολογίστε μια καλύτερη εκτίμηση χρησιμοποιώντας την ενημέρωση του Νεύτωνα:
\[ x_{+1} = x - \frac{f(x)}{f'(x)} \]

Αντικαθιστώντας τις τιμές, λαμβάνουμε μια καλύτερη εκτίμηση, \( x_{+1} = 10 - 197/30 = 3.433 \). Στη συνέχεια, η διαδικασία επαναλαμβάνεται απλά: η βελτιωμένη εκτίμηση εισάγεται ξανά, αξιολογείται και πάλι (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)) και λαμβάνεται μια ακόμα καλύτερη εκτίμηση του \( 0.877 \), και ούτω καθεξής. Κάθε επανάληψη φέρνει τη συνάρτηση σφάλματος πιο κοντά στο μηδέν και την εκτίμηση πιο κοντά στην πραγματική ρίζα.

2.3 Ένα παράδειγμα εφαρμογής.

Ολόκληρη η μέθοδος αποτελείται από λίγες μόνο γραμμές κώδικα. Ο παρακάτω βρόχος την υλοποιεί για το \( f(x) = x^2 + 10x - 3 \), εκτυπώνοντας την τρέχουσα εκτίμηση και το σφάλμα σε κάθε επανάληψη:

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.
Η επανάληψη σε δράση. Η αριστερή στήλη δείχνει την τρέχουσα εκτίμηση της ρίζας, ενώ η δεξιά στήλη δείχνει το σφάλμα \( f(x) \). Η εκτίμηση σταθεροποιείται στο \( 0.291503 \) και το σφάλμα μηδενίζεται μέσα σε λίγες επαναλήψεις.

Το αποτέλεσμα είναι διδακτικό. Η εκτίμηση μετακινείται \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \) και το σφάλμα μειώνεται \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \). Παρατηρήστε πώς ο αριθμός των σωστών δεκαδικών ψηφίων περίπου διπλασιάζεται σε κάθε επανάληψη. Αυτό ονομάζεται υπερ-γραμμική σύγκλιση και είναι αυτό που καθιστά τη μέθοδο του Νεύτωνα έναν τόσο αποτελεσματικό τρόπο για να βρεθεί η ρίζα μιας εξίσωσης.

2.4 Η ίδια ιδέα σε μορφή πίνακα.

Η συσκευή δεν περιγράφεται από μια απλή εξίσωση, αλλά από ένα μεγάλο σύνολο συνδεδεμένων εξισώσεων – το δυναμικό, τα επίπεδα Fermi των ηλεκτρονίων και των οπών και οι πληρότητες των παγίδων σε κάθε σημείο του πλέγματος. Όταν εκφράζεται σε μορφή πίνακα, η μέθοδος του Newton γίνεται:

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

\( [J] \) είναι η Ιακωβιανή, η μήτρα των παραγώγων όλων των εξισώσεων της συσκευής (Poisson, εξίσωση μεταφοράς-διάχυσης, SRH) σε σχέση με όλες τις άγνωστες μεταβλητές. \( [f(x)] \) είναι το σφάλμα σε αυτές τις εξισώσεις για την τρέχουσα εκτίμηση και \( [\Delta x] \) είναι η προκύπτουσα διόρθωση – η βελτίωση του ηλεκτρικού πεδίου, των επιπέδων Fermi και των πληθυσμών των παγίδων σε ολόκληρη τη συσκευή. Η διόρθωση προστίθεται στην τρέχουσα λύση.

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

και η διαδικασία επαναλαμβάνεται μέχρι το \( f(x) \approx 0 \), οπότε και επιλύονται οι εξισώσεις της συσκευής. Δύο σημεία έχουν άμεση σημασία για την επόμενη φάση ρύθμισης: το \( f(x) \) είναι η ποσότητα που προσπαθούμε να μηδενίσουμε, επομένως αποτελεί το φυσικό μέτρο σύγκλισης· και όσο καλύτερη είναι η αρχική εκτίμηση, τόσο πιο κοντά στην απάντηση ξεκινά ο επιλυτής και τόσο λιγότερες επαναλήψεις χρειάζεται.

3. Επιτάχυνση μιας προσομοίωσης στην πράξη.

Έχοντας θέσει τις βασικές αρχές, οι πρακτικές εφαρμογές αποκτούν νόημα. Το παράδειγμα που χρησιμοποιείται εδώ είναι ένα δισδιάστατο τρανζίστορ πεδίου (μια δισδιάστατη συσκευή, με όλες τις παγίδες να περιλαμβάνονται), αλλά οι ίδιες αρχές ισχύουν για οποιαδήποτε προσομοίωση.

3.1 Απενεργοποιήστε την εγγραφή δεδομένων στον δίσκο.

Η πιο απλή αλλαγή που μπορείτε να κάνετε είναι να μειώσετε την ποσότητα των δεδομένων που αποθηκεύετε στον δίσκο. Η εγγραφή αρχείων είναι μια αργή διαδικασία και, για μια προσομοίωση που παράγει μεγάλο όγκο δεδομένων, μπορεί να αποτελέσει το κυρίαρχο στοιχείο του συνολικού χρόνου εκτέλεσης. Το OghmaNano παρέχει μια λειτουργία που, με ένα μόνο κλικ, ελαχιστοποιεί την ποσότητα των δεδομένων που αποθηκεύονται στον δίσκο. Επιπλέον, οι επιμέρους επιλογές για την αποθήκευση αρχείων εξόδου (για παράδειγμα, η αποθήκευση δυναμικών δεδομένων στον τομέα του χρόνου) μπορούν επίσης να ενεργοποιηθούν ή να απενεργοποιηθούν ξεχωριστά στις ρυθμίσεις εξόδου, ώστε να μπορείτε να διατηρήσετε μόνο τα αρχεία που πραγματικά χρειάζεστε. Για την ταχύτερη δυνατή εκτέλεση, αποθηκεύστε στον δίσκο όσο το δυνατόν λιγότερα δεδομένα.

Δοκιμάστε αυτό πρώτα. Πριν αλλάξετε οποιαδήποτε από τις παρακάτω αριθμητικές ρυθμίσεις, απενεργοποιήστε τις εξόδους που δεν χρειάζεστε και εκτελέστε ξανά την προσομοίωση. Σε προσομοιώσεις που απαιτούν μεγάλο χώρο αποθήκευσης, αυτό από μόνο του μπορεί να επιφέρει τη μεγαλύτερη βελτίωση στην ταχύτητα, και δεν αλλάζει τίποτα σχετικά με τη φυσική ή την ακρίβεια του αποτελέσματος.

3.2 Παρακολούθηση της σύγκλισης του επιλυτή

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.
Σφάλμα του επιλυτή \( f(x) \) σε σχέση με τον αριθμό των επαναλήψεων. Η παρατεταμένη πτωτική καμπύλη στα αριστερά αντιπροσωπεύει την αρχική επίλυση ισορροπίας· κάθε αιχμή στα δεξιά αντιστοιχεί σε ένα βήμα τάσης, όπου η αλλαγή της τάσης πόλωσης αποσταθεροποιεί τις εξισώσεις και ο επιλυτής επαναφέρει το σφάλμα σε χαμηλότερα επίπεδα.

Για να ρυθμίσετε τον επιλυτή, πρέπει πρώτα να τον δείτε σε λειτουργία. Το OghmaNano μπορεί να εκτυπώσει το σφάλμα Newton (τρέχον) για κάθε επανάληψη και να καταγράψει το ιστορικό σύγκλισης σε ένα αρχείο, αντί να εκτυπώνει μια μόνο γραμμή για κάθε βήμα τάσης. Ενεργοποιήστε την έξοδο σφάλματος Newton και το αρχείο καταγραφής σύγκλισης και, στη συνέχεια, εκτελέστε ξανά την προσομοίωση.

Το πρώτο βήμα της προσομοίωσης είναι ιδιαίτερο. Όταν ξεκινά το μοντέλο, δεν έχει καμία καλή εκτίμηση για την κατάσταση της συσκευής — δεν γνωρίζει ακόμη τις πιθανές ή τις στάθμες Fermi — επομένως ξεκινά από μια θέση πολύ μακριά από τη λύση. Στο ??, το σφάλμα ξεκινά με μια τεράστια τιμή (περίπου \( 10^{15} \)) και μειώνεται σταδιακά σε πολλές επαναλήψεις, μέχρι να φτάσει σε ένα θορυβώδες επίπεδο κοντά στις τιμές \( 10^{-7} \) έως \( 10^{-9} \), οπότε οι εξισώσεις ουσιαστικά επιλύονται. Επειδή αυτή η πρώτη επίλυση είναι τόσο μακριά από την απάντηση, γίνονται σκόπιμα δύο πράγματα: το βήμα του Newton περιορίζεται αυστηρά (βλ. παρακάτω), έτσι ώστε ο επιλυτής να συγκλίνει αργά και με ασφάλεια, αντί να πηδάει κάπου που μπορεί να προκαλέσει σφάλμα, και του επιτρέπεται ένας μεγάλος αριθμός επαναλήψεων — συνήθως περίπου χίλιες — για να του δοθεί η κατάλληλη ευκαιρία να σταθεροποιηθεί.

Μετά την επίλυση της κατάστασης ισορροπίας, το μοντέλο προχωρά σταδιακά στις ζητούμενες τάσεις. Κάθε αύξηση της τάσης μετατοπίζει ελαφρώς τη συσκευή από την προηγούμενη λύση, με αποτέλεσμα το σφάλμα να αυξάνεται και στη συνέχεια να μειώνεται πολύ γρήγορα – αυτή είναι η ακολουθία των αιχμών στη δεξιά πλευρά του γραφήματος. Επειδή κάθε βήμα ξεκινά κοντά στην προηγούμενη λύση, οι επιλύσεις συγκλίνουν γρήγορα.

3.3 Ρύθμιση των παραμέτρων του επιλυτή.

Το γράφημα σύγκλισης είναι ακριβώς η συνάρτηση σφάλματος \( f(x) \) από το Ενότητα 2, και ο στόχος της ρύθμισης είναι να το κάνει πιο σύντομο – να επιτευχθεί η σύγκλιση σε λιγότερες επαναλήψεις. Οι κύριοι παράμετροι ελέγχου στη διαμόρφωση του επιλυτή είναι:

Η διαδικασία. Αφού κάνετε κάθε αλλαγή, επανασχεδιάστε το αρχείο σύγκλισης και παρατηρήστε πώς το γράφημα μειώνεται: περικόψτε το επίπεδο τμήμα της πρώτης επίλυσης, χαλαρώστε το όριο σφάλματος του πρώτου βήματος και, στη συνέχεια, αυξήστε τις παραμέτρους για να κάνετε τις καμπύλες πιο απότομες. Στη συγκεκριμένη συσκευή, αυτές οι αλλαγές μείωσαν τον χρόνο εκτέλεσης από περίπου δεκαπέντε δευτερόλεπτα σε περίπου οκτώ — χωρίς να αλλάξει η απάντηση. Τα αρχεία εισόδου που παρέχονται με το μοντέλο χρησιμοποιούν συντηρητικές τιμές, επομένως συνήθως υπάρχει περιθώριο για να τις προσαρμόσετε στις δικές σας δομές.

Αξιοποιήστε τον χρόνο που εξοικονομήσατε για να βελτιώσετε την ακρίβεια. Μόλις ρυθμιστεί ο αλγόριθμος, ο χρόνος που κερδίσατε μπορεί να επενδυθεί σε ένα πιο σύνθετο πρόβλημα — για παράδειγμα, αυξάνοντας τον αριθμό των σημείων του πλέγματος. Μια καλά ρυθμισμένη διαμόρφωση Newton είναι αυτό που καθιστά εφικτή την επίλυση μεγαλύτερων, πιο λεπτομερών ή πιο ισχυρά συνδεδεμένων συστημάτων σε εύλογο χρονικό διάστημα.

Συνηθισμένες παγίδες

Σύνοψη και επόμενα βήματα.

Επόμενο: δείτε Βάση δεδομένων υλικών αναφορικά με τον τρόπο με τον οποίο ορίζονται οι παράμετροι του υλικού που χρησιμοποιούνται σε αυτές τις εξισώσεις.