Accueil Exemples Captures d’écran Manuel d’utilisation Logo de Bluesky. YouTube ☰
OghmaNano Plateforme de simulation multiphysique pour les dispositifs optoélectroniques et les systèmes photoniques. TÉLÉCHARGER Guide de démarrage rapide

Accélérer les simulations de dispositifs.

Si vous effectuez un grand nombre de simulations, la vitesse à laquelle chacune d’elles se termine est importante. Cette page explique comment optimiser le solveur électrique d’OghmaNano pour qu’il fonctionne plus rapidement. Étant donné que les paramètres utiles ne prennent tout leur sens que lorsque vous comprenez ce que fait réellement le solveur, la première moitié de la page aborde les bases du modèle – les équations qui sont résolues et la manière dont elles le sont – et la seconde moitié explique comment ajuster le solveur pour réduire les temps d’exécution. La physique n’est pas modifiée par ces paramètres ; ils affectent uniquement la rapidité avec laquelle la solution numérique est obtenue.

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. Les fondements du modèle.

Avant d’examiner comment accélérer une simulation, il est utile de savoir ce que calcule OghmaNano. Pour tenir compte du transport de charge dans un dispositif, OghmaNano résout les équations de dérive-diffusion de base, ainsi que l’équation de Poisson (loi de Gauss). Ces équations sont résolues sur une grille à différences finies dans tout le dispositif, de sorte que le mouvement des charges d’un contact à l’autre puisse être suivi aux niveaux de conduction (LUMO) et de valence (HOMO).

1.1 Transport des charges à travers le dispositif.

L’équation de Poisson établit une relation entre le potentiel électrostatique et la charge libre, tandis que les deux équations du courant décrivent les termes qui régissent le déplacement des électrons et des trous (dérive plus diffusion) :

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

Ces densités de courant sont ensuite utilisées dans les équations de continuité des électrons et des trous, qui permettent de mettre en équilibre le flux de courant avec la recombinaison, le piégeage et la vitesse de variation temporelle des populations de porteurs libres.

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

Ici, \( \phi \) représente le potentiel électrostatique, \( n \) et \( p \) les densités d’électrons et de trous libres, \( \mu_e \) et \( \mu_h \) les mobilités, \( D_n \) et \( D_p \) les coefficients de diffusion, \( E_c \) et \( E_v \) les limites de bande, \( R \) le taux de recombinaison et \( T \) le taux net auquel les porteurs sont capturés dans les pièges. La dérivation complète et les conventions de signe sont présentées dans l’article de MacKenzie et al., J. Phys. Chem. C (DOI : 10.1021/jp200234m).

1.2 Piégeage et recombinaison des charges.

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.
Le modèle de capture/libération de Shockley–Read–Hall est résolu à chaque point du maillage. Les porteurs libres (nfree, pfree) se trouvent dans des bandes paraboliques aux limites de mobilité \( \mu_e^0 \) / \( \mu_h^0 \) ; les triangles rouges et bleus représentent les distributions exponentielles des états de piégeage des électrons et des trous. Les taux \( r_1 \)–\( r_4 \) correspondent à la capture dans les pièges et à la libération de ces derniers.

La capture et la recombinaison de charges sont des phénomènes importants dans les dispositifs organiques et dans de nombreux autres systèmes de matériaux, et il est donc nécessaire de les modéliser de manière explicite. Il est courant de réduire la recombinaison de Shockley-Read-Hall (SRH) à une seule équation d’état stationnaire, ce qui facilite sa résolution. OghmaNano ne le fait pas : étant donné que l’objectif est de résoudre les équations dans le domaine temporel, l’ensemble complet des équations de taux de capture/d’échappement de SRH est résolu à chaque point de la grille de différences finies.

À chaque point, la situation illustrée dans ?? est résolue. Les paraboles situées en haut et en bas représentent les bandes de porteurs libres aux limites de la mobilité des électrons et des trous. En descendant de la limite de la zone de piégeage des électrons \( E_e^d \), on observe une distribution exponentielle des pièges à électrons (en rouge) ; en remontant de la limite de la zone de piégeage des trous \( E_h^d \), on observe une distribution exponentielle des pièges à trous (en bleu). Chacun des niveaux discrets au sein de ces distributions représente un piège individuel, et pour chacun d’eux, les équations complètes du taux de capture et d’échappement sont résolues. La variation de la population d’électrons piégés dans un niveau est le résultat de l’équilibre entre quatre taux :

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

où \( r_1 \) représente la capture d’électrons, \( r_2 \) l’émission d’électrons, \( r_3 \) la capture de trous et \( r_4 \) l’émission de trous, chacune de ces opérations suivant la forme habituelle de capture/émission déterminée par la densité des pièges, la densité des porteurs, la section efficace de capture et la vitesse thermique (voir la référence ci-dessus). L’équilibre détaillé est maintenu à tous les niveaux. En additionnant les taux de capture nets sur la distribution des pièges, on obtient le taux de recombinaison des porteurs libres :

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

Pourquoi est-ce important pour la vitesse de calcul ? La résolution de la distribution des pièges dans l’espace énergétique, à chaque point de l’espace positionnel, permet d’obtenir une carte complète de la densité de charge en fonction de l’énergie et de la position. C’est ce qui permet à OghmaNano d’effectuer des calculs transitoires sans recourir aux approximations d’état stationnaire habituelles, mais c’est aussi la raison pour laquelle il existe de nombreuses équations couplées à résoudre simultanément, et donc la raison pour laquelle le choix de la méthode numérique et ses paramètres ont un impact réel sur le temps d’exécution.

2. Méthode de résolution des équations : la méthode de Newton.

Toutes les équations ci-dessus sont résolues à l’aide de la méthode de Newton, que Isaac Newton a publiée en 1671 dans son ouvrage « Méthode des fluxions ». Il s’agit de l’une des méthodes les plus efficaces et les plus fiables disponibles pour ce type de système d’équations couplées : si une équation ne peut être résolue manuellement, la méthode de Newton trouvera presque toujours une solution.

2.1 Racines et fonction d’erreur

Commencez par quelque chose de simple. Pour quelles valeurs de x l’équation suivante est-elle égale à zéro ?

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

En examinant l’équation, on constate que les solutions sont \( x = 3 \) et \( x = 40 \). Ce sont les racines de l’équation. Le même problème peut être formulé sous forme de fonction.

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

et si l’on représente \( f(x) \) en fonction de \( x \), les racines correspondent simplement aux points où la courbe croise l’axe, c’est-à-dire aux points où \( f(x) = 0 \). L’idée clé est de considérer l’équation comme une fonction d’erreur qui tend vers zéro. Dans le modèle du dispositif, \( x \) est remplacé par les inconnues physiques, à savoir le potentiel \( \phi \) et les quasi-niveaux de Fermi des électrons et des trous \( E_{Fn} \) et \( E_{Fp} \), et les valeurs de ces variables sont ajustées jusqu’à ce que \( f(x) = 0 \).

On ne peut déterminer les racines que visuellement pour les équations simples. Il est préférable de considérer plutôt

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

Il faudrait déployer beaucoup d’efforts pour déterminer graphiquement les racines de cette fonction, et les équations qui la décrivent sont encore plus complexes. C’est précisément là que la méthode de Newton se révèle utile.

2.2 La méthode, étape par étape.

Prenons un exemple concret, \( f(x) = x^2 + 10x - 3 \). La méthode de Newton se déroule comme suit :

  1. Dérivez l’équation par rapport à la variable que l’on cherche à déterminer : \( f'(x) = 2x + 10 \).
  2. Essayez de deviner la racine. N’importe quelle valeur fera l’affaire, prenez \( x = 10 \). C’est une mauvaise estimation (\( f(10) = 197 \), loin de zéro), mais ce n’est pas grave.
  3. Évaluez la fonction et sa dérivée aux points suivants : \( f(10) = 197 \) et \( f'(10) = 30 \).
  4. Calculez une meilleure estimation en utilisant la méthode d’itération de Newton :
\[ x_{+1} = x - \frac{f(x)}{f'(x)} \]

En substituant les valeurs, on obtient une estimation plus précise, \( x_{+1} = 10 - 197/30 = 3.433 \). La procédure est ensuite simplement répétée : on réintroduit l’estimation améliorée, on évalue à nouveau (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)), et on obtient une estimation encore plus précise de \( 0.877 \), et ainsi de suite. À chaque itération, la fonction d’erreur se rapproche de zéro et l’estimation se rapproche de la valeur réelle.

2.3 Un exemple concret.

L’ensemble de la méthode ne comprend que quelques lignes de code. La boucle ci-dessous la met en œuvre pour \( f(x) = x^2 + 10x - 3 \), en affichant l’estimation actuelle et l’erreur à chaque itération :

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.
Voici l’itération en action. La colonne de gauche affiche l’estimation en cours de la racine, et la colonne de droite, l’erreur \( f(x) \). L’estimation se stabilise à \( 0.291503 \) et l’erreur diminue jusqu’à atteindre zéro en quelques itérations.

Les résultats sont révélateurs. L’estimation se rapproche de \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \), et l’erreur diminue \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \). On observe que le nombre de décimales correctes double approximativement à chaque itération. On appelle cela une convergence supra-linéaire, et c’est ce qui fait de la méthode de Newton un moyen si efficace pour trouver la racine d’une équation.

2.4 La même idée sous forme matricielle.

Cet appareil ne se décrit pas par une seule équation, mais plutôt par un ensemble important d’équations couplées, incluant le potentiel, les niveaux de Fermi des électrons et des trous, et l’occupation des pièges à chaque point du maillage. Exprimée sous forme matricielle, la méthode de Newton devient :

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

\( [J] \) est la matrice jacobienne, qui contient les dérivées de toutes les équations du dispositif (Poisson, diffusion-dérive, SRH) par rapport à toutes les inconnues. \( [f(x)] \) représente l’erreur dans ces équations pour l’estimation actuelle, et \( [\Delta x] \) est la mise à jour résultante, c’est-à-dire l’amélioration apportée au champ, aux niveaux de Fermi et aux populations de pièges dans l’ensemble du dispositif. Cette mise à jour est ajoutée à la solution actuelle.

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

et le processus est répété jusqu’à \( f(x) \approx 0 \), moment auquel les équations du dispositif sont résolues. Deux points sont directement pertinents pour l’optimisation qui suit : \( f(x) \) est la quantité que nous cherchons à ramener à zéro, ce qui en fait la mesure naturelle de la convergence ; et plus l’estimation initiale est précise, plus le solveur se rapproche rapidement de la solution et moins il a besoin d’itérations.

3. Accélérer une simulation dans la pratique.

Une fois les bases établies, les paramètres pratiques deviennent logiques. L’exemple utilisé ici est un transistor à effet de champ bidimensionnel (un dispositif 2D, incluant tous les pièges), mais les mêmes principes s’appliquent à toute simulation.

3.1 Désactiver l’écriture sur le disque.

Le changement le plus simple à apporter consiste à réduire la quantité de données enregistrées sur le disque. L’écriture de fichiers est une opération lente et, pour une simulation qui génère une grande quantité de données, elle peut prendre beaucoup de temps. OghmaNano propose une fonction qui permet de minimiser la quantité de données enregistrées sur le disque en un seul clic. Les options individuelles pour les fichiers de sortie (par exemple, l’enregistrement des données dynamiques dans le domaine temporel) peuvent également être activées ou désactivées individuellement dans les paramètres de sortie, ce qui vous permet de conserver uniquement les fichiers dont vous avez réellement besoin. Pour obtenir la simulation la plus rapide possible, enregistrez le moins de données possible sur le disque.

Essayez d’abord cette méthode. Avant de modifier l’un des paramètres numériques ci-dessous, désactivez les options de sortie dont vous n’avez pas besoin, puis relancez la simulation. Dans le cas de simulations nécessitant beaucoup d’espace disque, cette simple modification peut entraîner une amélioration significative des performances, sans pour autant affecter la physique ou la précision des résultats.

3.2 Suivi de la convergence du solveur

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.
Erreur du solveur \( f(x) \) en fonction du nombre d’itérations. La longue descente à gauche représente la solution d’équilibre initiale ; chaque pic à droite correspond à une étape de tension, et la modification du biais perturbe les équations, ce qui amène le solveur à réduire à nouveau l’erreur.

Pour optimiser le solveur, vous devez d’abord le voir fonctionner. OghmaNano peut afficher l’erreur de Newton (actuelle) pour chaque itération et enregistrer l’historique de la convergence dans un fichier, au lieu d’afficher une seule ligne par étape de tension. Activez l’affichage de l’erreur de Newton et l’enregistrement de l’historique de la convergence, puis relancez le programme.

La première étape de la simulation est particulière. Au démarrage du modèle, il n’a aucune idée précise de l’état du dispositif – il ne connaît pas encore le potentiel ni les niveaux de Fermi – et il commence donc loin de la solution. Dans ??, l’erreur est initialement très importante (environ \( 10^{15} \)) et diminue progressivement au fil de nombreuses itérations jusqu’à atteindre un seuil minimal bruité situé entre \( 10^{-7} \) et \( 10^{-9} \), moment auquel les équations sont essentiellement résolues. Étant donné que cette première résolution est très éloignée de la solution, deux opérations sont délibérément effectuées : l’étape de Newton est fortement limitée (voir ci-dessous) afin que le solveur converge lentement et en toute sécurité, plutôt que de sauter vers un point qui pourrait provoquer un plantage, et un grand nombre d’itérations – généralement environ mille – lui sont autorisées afin de lui donner une chance réelle de converger.

Une fois que l’équilibre est atteint, le modèle effectue les calculs pour les tensions demandées. Chaque étape de tension décale légèrement l’état du dispositif par rapport à la solution précédente, ce qui entraîne une augmentation de l’erreur, puis une diminution rapide de celle-ci, comme le montrent les pics observés sur la droite du graphique. Étant donné que chaque étape commence à partir d’une valeur proche de la solution précédente, les calculs convergent rapidement.

3.3 Optimisation des paramètres du solveur.

La courbe de convergence représente exactement la fonction d’erreur. \( f(x) \) de Section 2et l’objectif de l’optimisation est de réduire la durée du processus, c’est-à-dire d’atteindre la convergence en un nombre réduit d’itérations. Les principaux paramètres de configuration du solveur sont les suivants :

Le processus de travail. Après chaque modification, refaites le graphique de convergence et observez comment il se réduit : supprimez la partie plate de la première itération, assouplissez la valeur cible de la première étape, puis augmentez les contraintes pour accentuer les pentes. Sur l’appareil utilisé comme exemple, ces modifications ont permis de réduire le temps d’exécution d’environ quinze secondes à environ huit, sans modifier le résultat. Les fichiers d’entrée fournis avec le modèle utilisent des valeurs conservatrices, il y a donc généralement une marge pour les ajuster en fonction de vos propres structures.

Consacrez le temps gagné à améliorer la précision. Une fois que le solveur est optimisé, le temps que vous avez récupéré peut être réinvesti dans la résolution d’un problème plus complexe, par exemple en augmentant le nombre de points du maillage. Une configuration Newton bien optimisée permet de résoudre de manière efficace, dans un délai raisonnable, des problèmes plus vastes, plus complexes ou impliquant des interactions plus fortes.

Les erreurs les plus fréquentes.

Résumé et prochaines étapes

Suivant : voir le/la/les Base de données sur les matériaux pour comprendre comment les paramètres matériels utilisés dans ces équations sont définis.