Inicio Ejemplos Capturas de pantalla Manual de usuario Logotipo de Bluesky YouTube ☰
OghmaNano Plataforma de simulación multifísica para dispositivos optoelectrónicos y sistemas fotónicos DESCARGAR Guía de inicio rápido

Acelerar las simulaciones de dispositivos.

Si ejecuta un gran número de simulaciones, la velocidad con la que se completa cada una es importante. Esta página explica cómo hacer que el solucionador eléctrico de OghmaNano funcione más rápido. Dado que las opciones útiles solo tienen sentido una vez que se comprende lo que realmente está haciendo el solucionador, la primera mitad de la página trata sobre los fundamentos del modelo: las ecuaciones que se resuelven y cómo se resuelven, y la segunda mitad muestra cómo ajustar el solucionador para reducir los tiempos de ejecución. La física no se ve alterada por ninguna de estas opciones; solo afectan a la rapidez con la que se obtiene la solución numérica.

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. Los fundamentos del modelo.

Antes de analizar cómo acelerar una simulación, es útil saber qué está calculando OghmaNano. Para tener en cuenta el transporte de carga en un dispositivo, OghmaNano resuelve las ecuaciones básicas de deriva-difusión junto con la ecuación de Poisson (ley de Gauss). Estas ecuaciones se resuelven en una malla de diferencias finitas que abarca todo el dispositivo, de modo que se pueda rastrear el movimiento de la carga desde un contacto hasta el otro, tanto en los niveles de conducción (LUMO) como en los de valencia (HOMO).

1.1 Transporte de carga a través del dispositivo.

La ecuación de Poisson relaciona el potencial electrostático con la carga libre, mientras que las dos ecuaciones de corriente describen los términos que rigen el movimiento de los electrones y las huecos (deriva más difusión):

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

Estos valores de densidad de corriente se introducen a continuación en las ecuaciones de continuidad de electrones y huecos, que equilibran el flujo de corriente con la recombinación, la captura y la velocidad de cambio en el tiempo de las poblaciones de portadores libres:

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

Aquí, \( \phi \) representa el potencial electrostático, \( n \) y \( p \) las densidades de electrones y huecos libres, \( \mu_e \) y \( \mu_h \) las movilidades, \( D_n \) y \( D_p \) los coeficientes de difusión, \( E_c \) y \( E_v \) los límites de banda, \( R \) la tasa de recombinación y \( T \) la tasa neta a la que los portadores son capturados en las trampas. La derivación completa y las convenciones de signos se encuentran en MacKenzie et al., J. Phys. Chem. C (doi:10.1021/jp200234m).

1.2 Captura y recombinación de cargas.

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.
El modelo de captura/liberación de Shockley-Read-Hall se resuelve en cada punto de la malla. Los portadores libres (nfree, pfree) se encuentran en bandas parabólicas en los límites de movilidad \( \mu_e^0 \) / \( \mu_h^0 \); los triángulos rojos y azules representan las distribuciones exponenciales de los estados de captura de electrones y huecos. Las tasas \( r_1 \)–\( r_4 \) corresponden a la captura en los estados y a la emisión desde los mismos.

La captura y la recombinación de cargas son fenómenos importantes en los dispositivos orgánicos y en muchos otros sistemas de materiales, por lo que deben modelarse de forma explícita. Es común reducir la recombinación de Shockley-Read-Hall (SRH) a una única expresión en estado estacionario, que es fácil de resolver. OghmaNano no lo hace: dado que el objetivo es resolver las ecuaciones en el dominio del tiempo, se resuelve el conjunto completo de ecuaciones de la tasa de captura/escape de SRH en cada punto de la malla en la red de diferencias finitas.

En cada punto se resuelve la situación que se muestra en ??. Las parábolas que se encuentran en la parte superior e inferior representan las bandas de portadores libres en los límites de la movilidad de los electrones y los huecos. A partir del límite de la trampa de electrones \( E_e^d \) se observa una distribución exponencial de las trampas de electrones (en rojo); a partir del límite de la trampa de huecos \( E_h^d \) se observa una distribución exponencial de las trampas de huecos (en azul). Cada uno de los niveles discretos dentro de estas distribuciones es una trampa individual, y para cada uno de ellos se resuelven las ecuaciones completas de las tasas de captura y escape. El cambio en la población de electrones atrapados en un nivel es el resultado del equilibrio de cuatro tasas:

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

donde \( r_1 \) es la captura de electrones, \( r_2 \) la emisión de electrones, \( r_3 \) la captura de huecos y \( r_4 \) la emisión de huecos, cada una de ellas siguiendo la forma habitual de captura/emisión determinada por la densidad de trampas, la densidad de portadores, la sección eficaz de captura y la velocidad térmica (véase la referencia anterior). Se mantiene el equilibrio detallado en todos los niveles. La suma de la captura neta sobre la distribución de trampas da como resultado la tasa de recombinación de portadores libres:

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

¿Por qué esto es importante para la velocidad? Resolver la distribución de las trampas en el espacio de la energía, en cada punto del espacio de posición, genera un mapa completo de la densidad de carga en función tanto de la energía como de la posición. Esto es lo que permite a OghmaNano realizar cálculos transitorios sin las aproximaciones habituales del estado estacionario, pero también explica por qué hay muchas ecuaciones acopladas que deben resolverse simultáneamente, y, por lo tanto, por qué la elección del método numérico y su configuración tienen un impacto real en el tiempo de ejecución.

2. Cómo se resuelven las ecuaciones: el método de Newton.

Todas las ecuaciones anteriores se resuelven mediante el método de Newton, que Isaac Newton publicó en 1671 en su obra «Método de las fluxiones». Es uno de los métodos más eficientes y fiables disponibles para este tipo de sistemas de ecuaciones acopladas: si una ecuación no se puede resolver manualmente, el método de Newton casi siempre encontrará una solución.

2.1 Raíces y la función de error

Comienza con algo sencillo. ¿Para qué valores de x la siguiente ecuación es igual a cero?

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

A simple vista, la solución es \( x = 3 \) y \( x = 40 \). Estas son las raíces de la ecuación. El mismo problema puede expresarse como una función.

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

y si se representa \( f(x) \) en función de \( x \), las raíces son simplemente los puntos donde la curva cruza el eje, es decir, donde \( f(x) = 0 \). La idea clave es considerar la ecuación como una función de error que tiende a cero. En el modelo del dispositivo, \( x \) se sustituye por las incógnitas físicas: el potencial \( \phi \) y los niveles cuasi-Fermi de electrones y huecos \( E_{Fn} \) y \( E_{Fp} \); y los valores de estas variables se ajustan hasta que \( f(x) = 0 \).

Las raíces solo son fácilmente identificables a simple vista en ecuaciones sencillas. En su lugar, considere lo siguiente:

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

Representar gráficamente estos datos para encontrar sus raíces requeriría mucho trabajo, y las ecuaciones del dispositivo son aún más complejas. Aquí es donde el método de Newton demuestra su utilidad.

2.2 El método, paso a paso.

Tomemos un ejemplo concreto, \( f(x) = x^2 + 10x - 3 \). El método de Newton se aplica de la siguiente manera:

  1. Derive la ecuación con respecto a la variable que se está utilizando para resolverla: \( f'(x) = 2x + 10 \).
  2. Intenta adivinar la raíz. Cualquier valor servirá; toma \( x = 10 \). Es una suposición poco acertada (\( f(10) = 197 \), está muy lejos de cero), pero eso no importa.
  3. Evalúe la función y su derivada en los valores de prueba: \( f(10) = 197 \) y \( f'(10) = 30 \).
  4. Calcule una mejor aproximación utilizando la fórmula de actualización de Newton:
\[ x_{+1} = x - \frac{f(x)}{f'(x)} \]

Al sustituir los valores, se obtiene una estimación más precisa, \( x_{+1} = 10 - 197/30 = 3.433 \). A continuación, se repite el procedimiento: se introduce la nueva estimación, se vuelve a evaluar (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)) y se obtiene una estimación aún mejor de \( 0.877 \), y así sucesivamente. En cada iteración, la función de error se acerca más a cero y la estimación se acerca más a la raíz real.

2.3 Un ejemplo práctico.

Todo el método se resume en unas pocas líneas de código. El siguiente bucle lo implementa para \( f(x) = x^2 + 10x - 3 \), mostrando la estimación actual y el error en cada iteración:

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.
Aquí vemos la iteración en funcionamiento. La columna de la izquierda muestra la estimación actual de la raíz, y la columna de la derecha, el error \( f(x) \). La estimación se estabiliza en \( 0.291503 \) y el error se reduce a cero en unas pocas iteraciones.

Los resultados son reveladores. La estimación se desplaza \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \) y el error disminuye \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \). Observe cómo el número de decimales correctos se duplica aproximadamente en cada iteración. A esto se le llama convergencia superlineal, y es lo que hace que el método de Newton sea una forma tan eficiente de encontrar la raíz de una ecuación.

2.4 La misma idea expresada en forma de matriz.

El dispositivo no se describe mediante una única ecuación, sino mediante un conjunto extenso de ecuaciones interrelacionadas: el potencial, los niveles de Fermi de los electrones y las huecas, y la ocupación de las trampas en cada punto de la malla. Expresado en forma de matriz, el método de Newton se convierte en:

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

\( [J] \) es la matriz jacobiana, que contiene las derivadas de todas las ecuaciones del dispositivo (Poisson, deriva-difusión, SRH) con respecto a todas las incógnitas. \( [f(x)] \) es el error en esas ecuaciones para la solución actual, y \( [\Delta x] \) es la actualización resultante, es decir, la mejora del campo, los niveles de Fermi y las poblaciones de trampas en todo el dispositivo. Esta actualización se suma a la solución actual.

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

y el proceso se repite hasta \( f(x) \approx 0 \), momento en el que se resuelven las ecuaciones del dispositivo. Dos aspectos son fundamentales para la optimización que sigue: \( f(x) \) es la cantidad que buscamos reducir a cero, por lo que constituye la medida natural de la convergencia; y cuanto mejor sea la estimación inicial, más cerca estará el solucionador de la respuesta y menos iteraciones necesitará.

3. Cómo acelerar una simulación en la práctica.

Una vez establecidas las bases, los entornos prácticos tienen sentido. El ejemplo que se utiliza aquí es un transistor de efecto de campo bidimensional (un dispositivo 2D que incluye todas las trampas), pero las mismas ideas se pueden aplicar a cualquier simulación.

3.1 Desactive la función de escritura en el disco.

El cambio más sencillo que se puede realizar es reducir la cantidad de datos que se escriben en el disco. Escribir archivos es un proceso lento y, en el caso de una simulación que genera una gran cantidad de resultados, puede ser el factor que más tiempo consuma. OghmaNano ofrece una función que, con un solo clic, minimiza la cantidad de datos que se escriben en el disco. Además, las opciones individuales para cada archivo de resultados (por ejemplo, la opción de guardar datos dinámicos en el dominio del tiempo) también se pueden activar o desactivar individualmente en la configuración de salida, lo que permite conservar solo los archivos que realmente se necesitan. Para obtener el tiempo de ejecución más rápido posible, escriba la menor cantidad de datos posible en el disco.

Pruebe esto primero. Antes de modificar cualquiera de los parámetros numéricos que se indican a continuación, desactive la salida que no necesite y vuelva a ejecutar la simulación. En simulaciones que requieren un gran uso del disco duro, esta simple acción puede generar la mayor mejora en la velocidad, y no altera en absoluto la física ni la precisión del resultado.

3.2 Observación de la convergencia del algoritmo de resolución.

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.
Error del solucionador \( f(x) \) en función del número de iteración. La larga disminución que se observa a la izquierda corresponde a la solución inicial del punto de equilibrio; cada pico que aparece a la derecha representa un cambio de voltaje, y modificar el valor de polarización desestabiliza las ecuaciones, lo que hace que el solucionador reduzca nuevamente el error.

Para optimizar el algoritmo de resolución, primero debe ver cómo funciona. OghmaNano puede mostrar el error de Newton (el error actual) para cada iteración y guardar el historial de convergencia en un archivo, en lugar de mostrar una sola línea por cada paso de voltaje. Active la opción de mostrar el error de Newton y el registro de convergencia, y luego vuelva a ejecutar el programa.

El primer paso de la simulación es especial. Cuando el modelo se inicia, no tiene una buena estimación del estado del dispositivo; aún no conoce el potencial ni los niveles de Fermi, por lo que comienza muy lejos de la solución. En ??, el error es enorme al principio (alrededor de \( 10^{15} \)) y disminuye gradualmente a lo largo de muchas iteraciones hasta que alcanza un nivel de ruido cercano a \( 10^{-7} \) y \( 10^{-9} \), momento en el que las ecuaciones se resuelven esencialmente. Dado que esta primera solución está muy lejos de la respuesta correcta, se hacen deliberadamente dos cosas: el paso de Newton se limita en gran medida (véase más abajo) para que el solucionador converja de forma lenta y segura, en lugar de saltar a un punto que podría provocar un error, y se le permite realizar un gran número de iteraciones (normalmente alrededor de mil) para darle una oportunidad adecuada de estabilizarse.

Tras la resolución del punto de equilibrio, el modelo avanza a través de los voltajes solicitados. Cada paso de voltaje desplaza ligeramente el dispositivo con respecto a la solución anterior, por lo que el error aumenta y luego disminuye rápidamente, lo que se observa en la secuencia de picos en el lado derecho del gráfico. Dado que cada paso comienza cerca de la última solución, estas resoluciones convergen rápidamente.

3.3 Ajuste del solucionador.

La gráfica de convergencia es exactamente la función de error \( f(x) \) que se describe en Sección 2, y el objetivo de la optimización es reducirla, es decir, lograr la convergencia en un menor número de iteraciones. Los principales parámetros de control en la configuración del solucionador son:

El flujo de trabajo. Vuelva a generar el gráfico de convergencia después de cada cambio y observe cómo se reduce: elimine la parte final plana de la primera iteración, relaje el margen de error de la primera etapa y, a continuación, aumente los parámetros para hacer más pronunciadas las pendientes. En el dispositivo de ejemplo, estos cambios combinados redujeron el tiempo de ejecución de aproximadamente quince segundos a unos ocho, sin alterar el resultado. Los archivos de entrada que se incluyen con el modelo utilizan valores conservadores, por lo que normalmente hay margen para ajustarlos en sus propias estructuras.

Dedique el tiempo ahorrado a mejorar la precisión. Una vez que el algoritmo de resolución esté optimizado, el tiempo que haya recuperado puede reinvertirse en un problema más complejo, por ejemplo, aumentando el número de puntos de la malla. Una configuración de Newton bien optimizada es lo que permite resolver de forma práctica dispositivos más grandes, con una malla más fina o con un acoplamiento más fuerte, en un tiempo razonable.

Errores comunes.

Resumen y próximos pasos.

A continuación: ver Base de datos de materiales para entender cómo se definen los parámetros del material que se utilizan en estas ecuaciones.