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.
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.
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:
- Derive la ecuación con respecto a la variable que se está utilizando para resolverla: \( f'(x) = 2x + 10 \).
- 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.
- Evalúe la función y su derivada en los valores de prueba: \( f(10) = 197 \) y \( f'(10) = 30 \).
- Calcule una mejor aproximación utilizando la fórmula de actualización de Newton:
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
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.
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:
- Número máximo de iteraciones en el primer paso. Si, tras unas 400 iteraciones, la primera ejecución ya ha alcanzado el nivel de ruido, no tiene sentido realizar las mil iteraciones completas. Reducir este límite (por ejemplo, de 1000 a 600) simplemente elimina la parte final de la curva, donde el algoritmo ya ha convergido. Cada iteración que se elimina representa un tiempo de cálculo real que se ahorra.
- Establezca un margen de error objetivo en el primer paso. A menudo, el primer intento de solución se configura para alcanzar un error muy pequeño, como \( 10^{-9} \). Si el resultado ya presenta una buena convergencia en \( 10^{-7} \), relaje el margen de error: detenerse en \( 10^{-7} \) en lugar de intentar alcanzar \( 10^{-9} \) permite ahorrar la última y más lenta fase del proceso.
- Limitación. La limitación es la fracción del paso completo de Newton \( [\Delta x] \) que se permite que realice el solucionador. Un paso completo se obtiene dividiendo directamente por la matriz jacobiana; la limitación restringe deliberadamente el paso a una parte de este valor. Por ejemplo, si el método de Newton solicita mover una variable en 0,5 unidades, la limitación podría permitir solo un movimiento de 0,1 unidades. Las limitaciones pequeñas convergen más lentamente, pero es mucho menos probable que hagan que el solucionador se desvíe hacia una solución inestable; las limitaciones grandes convergen más rápido, pero conllevan un mayor riesgo. El primer paso suele utilizar una limitación pequeña y conservadora (alrededor de 0,1); al aumentarla (0,2, 0,3 y valores superiores en estructuras bien definidas), se mejora notablemente la velocidad de la convergencia inicial. La limitación para los pasos restantes también puede aumentarse con respecto a su valor predeterminado, aunque aumentarla demasiado puede provocar que el proceso no converja.
- Número mínimo de iteraciones de Newton. Esto obliga al algoritmo a ejecutarse al menos un número determinado de veces antes de que se le permita detenerse, lo que le ayuda a salir de cualquier mínimo local en el que podría quedarse atascado. Un valor pequeño (unas pocas iteraciones) es una medida de seguridad útil; establecerlo demasiado alto solo sirve para perder tiempo buscando en la zona de ruido después de que ya se ha encontrado la solución.
- Error mínimo del solucionador y número máximo de iteraciones (para todos los demás pasos). Estos parámetros definen la precisión deseada y el límite de iteraciones para cada solución por nivel de tensión. Funcionan de la misma manera que sus equivalentes en el primer paso y se pueden ajustar una vez que se conoce la rapidez con la que converge la estructura.
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.
- Aumentar el valor del parámetro de ajuste de forma excesiva acelera el proceso de resolución, pero aumenta la probabilidad de que se produzca un error o que el proceso no converja. Aumente el valor gradualmente y compruebe que la simulación se completa correctamente.
- Establecer un número mínimo de iteraciones demasiado alto obliga al algoritmo a seguir ejecutándose incluso después de que ya haya convergido, lo que supone una pérdida de tiempo que es precisamente lo que se intenta evitar.
- Si se reduce demasiado el margen de error aceptable, la solución puede quedar incompleta. Redúzcalo solo hasta el punto en que la gráfica de convergencia se estabilice claramente y se convierta en ruido numérico.
- Los ajustes óptimos para cada estructura varían. Los valores que funcionan bien en un dispositivo pueden ser demasiado agresivos para otro, por lo que es importante volver a revisar el gráfico de convergencia cuando se modifica la estructura.
Resumen y próximos pasos.
- OghmaNano resuelve las ecuaciones de deriva-difusión, de Poisson y las ecuaciones completas de captura/emisión de SRH en una malla, determinando la concentración de portadores tanto en el espacio de energía como en el espacio de posición.
- Estas ecuaciones acopladas se resuelven mediante el método de Newton, un esquema iterativo que reduce una función de error \( f(x) \) a cero con una convergencia superlineal; en forma matricial \( [J][\Delta x] = -[f(x)] \).
- La gráfica de convergencia muestra una fase inicial prolongada de estabilización, seguida de una rápida resolución en cada paso de voltaje.
- Para lograr una mayor velocidad: reduzca la cantidad de datos que se escriben en el disco; disminuya el límite de iteraciones de la primera fase y relaje el objetivo de error; aumente el valor máximo con cuidado; y establezca un número mínimo pequeño de iteraciones para evitar encontrar mínimos falsos.
- El tiempo que se ahorra al optimizar el modelo puede utilizarse para mejorar la estructura de la red o para abordar un problema más complejo.
A continuación: ver Base de datos de materiales para entender cómo se definen los parámetros del material que se utilizan en estas ecuaciones.