Accelerare le simulazioni dei dispositivi.Accelerare le simulazioni dei dispositivi.
Se si eseguono un gran numero di simulazioni, la velocità con cui ciascuna di esse viene completata è un fattore importante. In questa pagina viene spiegato come ottimizzare il risolutore elettrico di OghmaNano per ottenere risultati più rapidamente. Poiché le impostazioni utili hanno senso solo quando si comprende il funzionamento del risolutore, la prima parte della pagina illustra le basi del modello, ovvero le equazioni che vengono risolte e il modo in cui vengono risolte, mentre la seconda parte mostra come ottimizzare il risolutore per ridurre i tempi di esecuzione. Nessuna di queste impostazioni modifica i principi fisici; esse influiscono solo sulla velocità con cui si raggiunge la soluzione numerica.Se si eseguono un gran numero di simulazioni, la velocità con cui ciascuna di esse viene completata è un fattore importante. In questa pagina viene spiegato come ottimizzare il risolutore elettrico di OghmaNano per ottenere risultati più rapidamente. Poiché le impostazioni utili hanno senso solo quando si comprende il funzionamento del risolutore, la prima parte della pagina illustra le basi del modello, ovvero le equazioni che vengono risolte e il modo in cui vengono risolte, mentre la seconda parte mostra come ottimizzare il risolutore per ridurre i tempi di esecuzione. Nessuna di queste impostazioni modifica i principi fisici; esse influiscono solo sulla velocità con cui si raggiunge la soluzione numerica.
1. I principi fondamentali del modello1. I principi fondamentali del modello
Prima di analizzare come velocizzare una simulazione, è utile capire cosa calcola OghmaNano. Per tenere conto del trasporto di carica in un dispositivo, OghmaNano risolve le equazioni fondamentali di deriva-diffusione insieme all'equazione di Poisson (legge di Gauss). Queste equazioni vengono risolte su una griglia a differenze finite all'interno del dispositivo, in modo da poter tracciare il movimento delle cariche da un contatto all'altro, sia a livello di conduzione (LUMO) che di valenza (HOMO).Prima di analizzare come velocizzare una simulazione, è utile capire cosa calcola OghmaNano. Per tenere conto del trasporto di carica in un dispositivo, OghmaNano risolve le equazioni fondamentali di deriva-diffusione insieme all'equazione di Poisson (legge di Gauss). Queste equazioni vengono risolte su una griglia a differenze finite all'interno del dispositivo, in modo da poter tracciare il movimento delle cariche da un contatto all'altro, sia a livello di conduzione (LUMO) che di valenza (HOMO).
1.1 Trasporto di carica all’interno del dispositivo1.1 Trasporto di carica all’interno del dispositivo
L’equazione di Poisson mette in relazione il potenziale elettrostatico con la carica libera, mentre le due equazioni relative alla corrente descrivono i termini che governano il movimento degli elettroni e delle lacune (deriva più diffusione):L’equazione di Poisson mette in relazione il potenziale elettrostatico con la carica libera, mentre le due equazioni relative alla corrente descrivono i termini che governano il movimento degli elettroni e delle lacune (deriva più diffusione):
\[ \nabla \cdot \varepsilon_0 \varepsilon_r \nabla \phi = q\,(n - p) \] \[ J_n = q\,\mu_e\,n\,\nabla E_c + q\,D_n\,\nabla n \] \[ J_p = q\,\mu_h\,p\,\nabla E_v - q\,D_p\,\nabla p \]Questi valori di densità di corrente vengono quindi inseriti nelle equazioni di continuità per gli elettroni e le lacune, che bilanciano il flusso di corrente rispetto ai processi di ricombinazione, intrappolamento e alla velocità di variazione nel tempo delle concentrazioni di portatori liberi:Questi valori di densità di corrente vengono quindi inseriti nelle equazioni di continuità per gli elettroni e le lacune, che bilanciano il flusso di corrente rispetto ai processi di ricombinazione, intrappolamento e alla velocità di variazione nel tempo delle concentrazioni di portatori liberi:
\[ \nabla \cdot \mathbf{J}_n = q\left( R_n + T_n + \frac{\partial n_{\text{free}}}{\partial t} \right) \] \[ \nabla \cdot \mathbf{J}_p = -q\left( R_p + T_p + \frac{\partial p_{\text{free}}}{\partial t} \right) \]In questa formula, \( \phi \) rappresenta il potenziale elettrostatico, \( n \) e \( p \) le densità di elettroni liberi e di lacune, \( \mu_e \) e \( \mu_h \) le mobilità, \( D_n \) e \( D_p \) i coefficienti di diffusione, \( E_c \) e \( E_v \) i bordi delle bande energetiche, \( R \) il tasso di ricombinazione e \( T \) il tasso netto con cui le cariche vengono intrappolate. La derivazione completa e le convenzioni sui segni sono descritte in MacKenzie et al., J. Phys. Chem. C (doi:10.1021/jp200234m).In questa formula, \( \phi \) rappresenta il potenziale elettrostatico, \( n \) e \( p \) le densità di elettroni liberi e di lacune, \( \mu_e \) e \( \mu_h \) le mobilità, \( D_n \) e \( D_p \) i coefficienti di diffusione, \( E_c \) e \( E_v \) i bordi delle bande energetiche, \( R \) il tasso di ricombinazione e \( T \) il tasso netto con cui le cariche vengono intrappolate. La derivazione completa e le convenzioni sui segni sono descritte in MacKenzie et al., J. Phys. Chem. C (doi:10.1021/jp200234m).
1.2 Intrappolamento e ricombinazione delle cariche elettriche1.2 Intrappolamento e ricombinazione delle cariche elettriche
L’intrappolamento e la ricombinazione delle cariche sono fenomeni importanti nei dispositivi organici e in molti altri sistemi di materiali, pertanto devono essere modellati in modo esplicito. È prassi comune ridurre la ricombinazione di Shockley–Read–Hall (SRH) a una singola espressione in stato stazionario, che è facile da risolvere. OghmaNano non lo fa: poiché l’obiettivo è risolvere le equazioni nel dominio del tempo, l’intero insieme delle equazioni di velocità di cattura/rilascio di SRH viene risolto in ogni punto della griglia a differenze finite.L’intrappolamento e la ricombinazione delle cariche sono fenomeni importanti nei dispositivi organici e in molti altri sistemi di materiali, pertanto devono essere modellati in modo esplicito. È prassi comune ridurre la ricombinazione di Shockley–Read–Hall (SRH) a una singola espressione in stato stazionario, che è facile da risolvere. OghmaNano non lo fa: poiché l’obiettivo è risolvere le equazioni nel dominio del tempo, l’intero insieme delle equazioni di velocità di cattura/rilascio di SRH viene risolto in ogni punto della griglia a differenze finite.
In ogni punto viene risolta la situazione illustrata in ??. Le parabole nella parte superiore e inferiore rappresentano le bande di conduzione libera ai bordi della mobilità degli elettroni e delle lacune. Partendo dal bordo della trappola per elettroni \( E_e^d \), si osserva una distribuzione esponenziale delle trappole per elettroni (in rosso); partendo dal bordo della trappola per lacune \( E_h^d \), si osserva una distribuzione esponenziale delle trappole per lacune (in blu). Ciascuno dei livelli discreti all’interno di queste distribuzioni rappresenta una trappola individuale e, per ciascuna di esse, vengono risolte le equazioni complete che descrivono il tasso di cattura e di rilascio. La variazione della popolazione di elettroni intrappolati in un livello è data dall’equilibrio di quattro tassi:In ogni punto viene risolta la situazione illustrata in ??. Le parabole nella parte superiore e inferiore rappresentano le bande di conduzione libera ai bordi della mobilità degli elettroni e delle lacune. Partendo dal bordo della trappola per elettroni \( E_e^d \), si osserva una distribuzione esponenziale delle trappole per elettroni (in rosso); partendo dal bordo della trappola per lacune \( E_h^d \), si osserva una distribuzione esponenziale delle trappole per lacune (in blu). Ciascuno dei livelli discreti all’interno di queste distribuzioni rappresenta una trappola individuale e, per ciascuna di esse, vengono risolte le equazioni complete che descrivono il tasso di cattura e di rilascio. La variazione della popolazione di elettroni intrappolati in un livello è data dall’equilibrio di quattro tassi:
\[ \frac{\partial n_t}{\partial t} = r_1 - r_2 - r_3 + r_4 \]dove \( r_1 \) rappresenta la cattura di elettroni, \( r_2 \) l’emissione di elettroni, \( r_3 \) la cattura di lacune e \( r_4 \) l’emissione di lacune, e ciascuno di questi processi segue la consueta forma di cattura/emissione, determinata dalla densità delle trappole, dalla densità dei portatori di carica, dalla sezione d’urto di cattura e dalla velocità termica (vedere il riferimento indicato). L’equilibrio dettagliato viene mantenuto su tutti i livelli. La somma delle catture nette sull’intera distribuzione delle trappole fornisce la velocità di ricombinazione dei portatori liberi:dove \( r_1 \) rappresenta la cattura di elettroni, \( r_2 \) l’emissione di elettroni, \( r_3 \) la cattura di lacune e \( r_4 \) l’emissione di lacune, e ciascuno di questi processi segue la consueta forma di cattura/emissione, determinata dalla densità delle trappole, dalla densità dei portatori di carica, dalla sezione d’urto di cattura e dalla velocità termica (vedere il riferimento indicato). L’equilibrio dettagliato viene mantenuto su tutti i livelli. La somma delle catture nette sull’intera distribuzione delle trappole fornisce la velocità di ricombinazione dei portatori liberi:
\[ R_n = \sum_{0}^{n_{\text{band}}} \left( r_1^{\,e} - r_2^{\,e} \right) \]Perché questo è importante per la velocità. Risolvere il problema della distribuzione delle trappole nello spazio energetico, in ogni punto dello spazio posizionale, consente di ottenere una mappa completa della densità di carica in funzione sia dell’energia che della posizione. È questo il motivo per cui OghmaNano può eseguire calcoli transitori senza le consuete approssimazioni allo stato stazionario, ma è anche per questo che è necessario risolvere contemporaneamente un gran numero di equazioni accoppiate, e quindi la scelta del metodo numerico e le sue impostazioni hanno un impatto reale sui tempi di esecuzione.Perché questo è importante per la velocità. Risolvere il problema della distribuzione delle trappole nello spazio energetico, in ogni punto dello spazio posizionale, consente di ottenere una mappa completa della densità di carica in funzione sia dell’energia che della posizione. È questo il motivo per cui OghmaNano può eseguire calcoli transitori senza le consuete approssimazioni allo stato stazionario, ma è anche per questo che è necessario risolvere contemporaneamente un gran numero di equazioni accoppiate, e quindi la scelta del metodo numerico e le sue impostazioni hanno un impatto reale sui tempi di esecuzione.
2. Metodo di risoluzione delle equazioni: il metodo di Newton2. Metodo di risoluzione delle equazioni: il metodo di Newton
Tutte le equazioni di cui sopra vengono risolte con il metodo di Newton, pubblicato da Isaac Newton nel 1671 nell’opera «Method of Fluxions». Si tratta di uno dei metodi più efficienti e affidabili disponibili per risolvere questo tipo di sistemi di equazioni accoppiate: se un’equazione non può essere risolta manualmente, il metodo di Newton quasi sempre fornisce una soluzione.Tutte le equazioni di cui sopra vengono risolte con il metodo di Newton, pubblicato da Isaac Newton nel 1671 nell’opera «Method of Fluxions». Si tratta di uno dei metodi più efficienti e affidabili disponibili per risolvere questo tipo di sistemi di equazioni accoppiate: se un’equazione non può essere risolta manualmente, il metodo di Newton quasi sempre fornisce una soluzione.
2.1 Radici e funzione di errore2.1 Radici e funzione di errore
Iniziamo con qualcosa di semplice. Per quali valori di x l’equazione seguente è uguale a zero?Iniziamo con qualcosa di semplice. Per quali valori di x l’equazione seguente è uguale a zero?
\[ 0 = (x - 3)(x - 40) \]A una semplice osservazione, si evince che la soluzione è \( x = 3 \) e \( x = 40 \). Queste sono le radici dell’equazione. Lo stesso problema può essere espresso sotto forma di funzione.A una semplice osservazione, si evince che la soluzione è \( x = 3 \) e \( x = 40 \). Queste sono le radici dell’equazione. Lo stesso problema può essere espresso sotto forma di funzione.
\[ f(x) = (x - 3)(x - 40), \]e se si rappresenta graficamente \( f(x) \) in funzione di \( x \), le soluzioni sono semplicemente i punti in cui la curva interseca l’asse, ovvero i punti in cui \( f(x) = 0 \). L’idea fondamentale è considerare l’equazione come una funzione di errore che tende a zero. Nel modello del dispositivo, \( x \) viene sostituito dalle incognite fisiche, ovvero il potenziale \( \phi \) e i livelli quasi-Fermi degli elettroni e delle lacune \( E_{Fn} \) e \( E_{Fp} \), e i valori di tali variabili vengono modificati fino a raggiungere \( f(x) = 0 \).e se si rappresenta graficamente \( f(x) \) in funzione di \( x \), le soluzioni sono semplicemente i punti in cui la curva interseca l’asse, ovvero i punti in cui \( f(x) = 0 \). L’idea fondamentale è considerare l’equazione come una funzione di errore che tende a zero. Nel modello del dispositivo, \( x \) viene sostituito dalle incognite fisiche, ovvero il potenziale \( \phi \) e i livelli quasi-Fermi degli elettroni e delle lacune \( E_{Fn} \) e \( E_{Fp} \), e i valori di tali variabili vengono modificati fino a raggiungere \( f(x) = 0 \).
Le radici sono facilmente individuabili a occhio nudo solo per equazioni semplici. Consideriamo inveceLe radici sono facilmente individuabili a occhio nudo solo per equazioni semplici. Consideriamo invece
\[ f(x) = \frac{(x^2 + 10x - 3)\,\cos^2(4x)}{\tan(x)}. \]Rappresentare graficamente questi dati per individuarne le radici richiederebbe un notevole sforzo, e le equazioni che descrivono il funzionamento del dispositivo sono ancora più complesse. È proprio in questo contesto che il metodo di Newton dimostra la sua utilità.Rappresentare graficamente questi dati per individuarne le radici richiederebbe un notevole sforzo, e le equazioni che descrivono il funzionamento del dispositivo sono ancora più complesse. È proprio in questo contesto che il metodo di Newton dimostra la sua utilità.
2.2 La procedura, passo dopo passo.2.2 La procedura, passo dopo passo.
Consideriamo un esempio pratico, \( f(x) = x^2 + 10x - 3 \). Il metodo di Newton si applica nel modo seguente:Consideriamo un esempio pratico, \( f(x) = x^2 + 10x - 3 \). Il metodo di Newton si applica nel modo seguente:
- Derivare l’equazione rispetto alla variabile per cui si sta cercando la soluzione: \( f'(x) = 2x + 10 \).Derivare l’equazione rispetto alla variabile per cui si sta cercando la soluzione: \( f'(x) = 2x + 10 \).
- Indovina la radice. Qualsiasi valore andrà bene: prendi \( x = 10 \). È un tentativo poco accurato (\( f(10) = 197 \), lontano dallo zero), ma non importa.Indovina la radice. Qualsiasi valore andrà bene: prendi \( x = 10 \). È un tentativo poco accurato (\( f(10) = 197 \), lontano dallo zero), ma non importa.
- Valutare la funzione e la sua derivata nei punti \( f(10) = 197 \) e \( f'(10) = 30 \).Valutare la funzione e la sua derivata nei punti \( f(10) = 197 \) e \( f'(10) = 30 \).
- Calcola una stima più precisa utilizzando l'algoritmo di Newton:Calcola una stima più precisa utilizzando l'algoritmo di Newton:
Sostituendo i valori, si ottiene una stima più precisa, \( x_{+1} = 10 - 197/30 = 3.433 \). A questo punto, la procedura viene semplicemente ripetuta: si reintroduce la stima migliorata, si esegue una nuova valutazione (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)) e si ottiene una stima ancora più precisa di \( 0.877 \), e così via. Ad ogni iterazione, la funzione errore si avvicina sempre più a zero e la stima si avvicina sempre più alla soluzione corretta.Sostituendo i valori, si ottiene una stima più precisa, \( x_{+1} = 10 - 197/30 = 3.433 \). A questo punto, la procedura viene semplicemente ripetuta: si reintroduce la stima migliorata, si esegue una nuova valutazione (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)) e si ottiene una stima ancora più precisa di \( 0.877 \), e così via. Ad ogni iterazione, la funzione errore si avvicina sempre più a zero e la stima si avvicina sempre più alla soluzione corretta.
2.3 Un esempio pratico2.3 Un esempio pratico
L’intero metodo si basa su poche righe di codice. Il ciclo seguente lo implementa per \( f(x) = x^2 + 10x - 3 \), stampando a ogni iterazione la stima corrente e l’errore:L’intero metodo si basa su poche righe di codice. Il ciclo seguente lo implementa per \( f(x) = x^2 + 10x - 3 \), stampando a ogni iterazione la stima corrente e l’errore:
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
I risultati ottenuti sono significativi. La stima si avvicina a \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \) e l’errore diminuisce fino a \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \). Si noti come il numero di cifre decimali corrette raddoppi approssimativamente a ogni iterazione. Questo fenomeno è noto come convergenza superlineare ed è ciò che rende il metodo di Newton un metodo così efficiente per trovare la radice di un’equazione.I risultati ottenuti sono significativi. La stima si avvicina a \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \) e l’errore diminuisce fino a \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \). Si noti come il numero di cifre decimali corrette raddoppi approssimativamente a ogni iterazione. Questo fenomeno è noto come convergenza superlineare ed è ciò che rende il metodo di Newton un metodo così efficiente per trovare la radice di un’equazione.
2.4 La stessa idea espressa in forma matriciale.2.4 La stessa idea espressa in forma matriciale.
Il dispositivo non è descrivibile con una singola equazione, ma con un ampio sistema di equazioni interconnesse, che include il potenziale, i livelli di Fermi degli elettroni e delle lacune e l’occupazione delle trappole in ogni punto della griglia. Esprimendolo in forma matriciale, il metodo di Newton diventa:Il dispositivo non è descrivibile con una singola equazione, ma con un ampio sistema di equazioni interconnesse, che include il potenziale, i livelli di Fermi degli elettroni e delle lacune e l’occupazione delle trappole in ogni punto della griglia. Esprimendolo in forma matriciale, il metodo di Newton diventa:
\[ [J]\,[\Delta x] = -[f(x)] \]\( [J] \) è la matrice Jacobiana, ovvero la matrice delle derivate di tutte le equazioni che descrivono il dispositivo (Poisson, diffusione-deriva, SRH) rispetto a tutte le incognite. \( [f(x)] \) rappresenta l’errore presente in tali equazioni in base alla soluzione corrente, e \( [\Delta x] \) è l’aggiornamento risultante, ovvero il miglioramento apportato al campo, ai livelli di Fermi e alle concentrazioni di trappole in tutto il dispositivo. L’aggiornamento viene aggiunto alla soluzione corrente.\( [J] \) è la matrice Jacobiana, ovvero la matrice delle derivate di tutte le equazioni che descrivono il dispositivo (Poisson, diffusione-deriva, SRH) rispetto a tutte le incognite. \( [f(x)] \) rappresenta l’errore presente in tali equazioni in base alla soluzione corrente, e \( [\Delta x] \) è l’aggiornamento risultante, ovvero il miglioramento apportato al campo, ai livelli di Fermi e alle concentrazioni di trappole in tutto il dispositivo. L’aggiornamento viene aggiunto alla soluzione corrente.
\[ [x] = [x] + [\Delta x], \]e il processo viene ripetuto fino a \( f(x) \approx 0 \), punto in cui vengono risolte le equazioni del dispositivo. Due aspetti sono fondamentali per la fase di ottimizzazione successiva: \( f(x) \) è la quantità che cerchiamo di portare a zero, quindi rappresenta la misura più appropriata della convergenza; e più precisa è la stima iniziale, più vicino sarà il punto di partenza dell’algoritmo alla soluzione e minore sarà il numero di iterazioni necessarie.e il processo viene ripetuto fino a \( f(x) \approx 0 \), punto in cui vengono risolte le equazioni del dispositivo. Due aspetti sono fondamentali per la fase di ottimizzazione successiva: \( f(x) \) è la quantità che cerchiamo di portare a zero, quindi rappresenta la misura più appropriata della convergenza; e più precisa è la stima iniziale, più vicino sarà il punto di partenza dell’algoritmo alla soluzione e minore sarà il numero di iterazioni necessarie.
3. Come velocizzare una simulazione nella pratica.3. Come velocizzare una simulazione nella pratica.
Una volta stabiliti i principi fondamentali, le applicazioni pratiche diventano più chiare. L’esempio utilizzato qui è un transistor a effetto di campo bidimensionale (un dispositivo 2D, che include tutte le trappole), ma gli stessi concetti possono essere applicati a qualsiasi simulazione.Una volta stabiliti i principi fondamentali, le applicazioni pratiche diventano più chiare. L’esempio utilizzato qui è un transistor a effetto di campo bidimensionale (un dispositivo 2D, che include tutte le trappole), ma gli stessi concetti possono essere applicati a qualsiasi simulazione.
3.1 Disattivare la scrittura su disco.3.1 Disattivare la scrittura su disco.
La modifica più semplice da apportare è ridurre la quantità di dati scritti su disco. Scrivere file è un’operazione lenta e, nel caso di una simulazione che genera una grande quantità di dati, può influire notevolmente sui tempi di esecuzione. OghmaNano offre un’opzione che, con un solo clic, riduce al minimo la quantità di dati scritti su disco; inoltre, le singole opzioni relative ai file di output (ad esempio, la memorizzazione dei dati dinamici nel dominio del tempo) possono essere attivate o disattivate individualmente nelle impostazioni di output, in modo da poter conservare solo i file effettivamente necessari. Per ottenere la massima velocità di esecuzione, scrivere su disco la minor quantità di dati possibile.La modifica più semplice da apportare è ridurre la quantità di dati scritti su disco. Scrivere file è un’operazione lenta e, nel caso di una simulazione che genera una grande quantità di dati, può influire notevolmente sui tempi di esecuzione. OghmaNano offre un’opzione che, con un solo clic, riduce al minimo la quantità di dati scritti su disco; inoltre, le singole opzioni relative ai file di output (ad esempio, la memorizzazione dei dati dinamici nel dominio del tempo) possono essere attivate o disattivate individualmente nelle impostazioni di output, in modo da poter conservare solo i file effettivamente necessari. Per ottenere la massima velocità di esecuzione, scrivere su disco la minor quantità di dati possibile.
Innanzitutto, prova questa soluzione. Prima di modificare una qualsiasi delle impostazioni numeriche elencate di seguito, disattiva le opzioni di output che non ti servono e riavvia la simulazione. Nel caso di simulazioni che richiedono un elevato utilizzo dello spazio su disco, questa semplice operazione può già portare al miglioramento più significativo delle prestazioni, senza alterare la fisica o l’accuratezza dei risultati.Innanzitutto, prova questa soluzione. Prima di modificare una qualsiasi delle impostazioni numeriche elencate di seguito, disattiva le opzioni di output che non ti servono e riavvia la simulazione. Nel caso di simulazioni che richiedono un elevato utilizzo dello spazio su disco, questa semplice operazione può già portare al miglioramento più significativo delle prestazioni, senza alterare la fisica o l’accuratezza dei risultati.
3.2 Monitoraggio della convergenza del risolutore3.2 Monitoraggio della convergenza del risolutore
Per ottimizzare il risolutore, è innanzitutto necessario osservarne il funzionamento. OghmaNano può visualizzare l’errore di Newton (attuale) per ogni iterazione e salvare la cronologia della convergenza in un file, anziché visualizzare una sola riga per ogni passo di tensione. Attivare l’output dell’errore di Newton e il registro della convergenza, quindi rieseguire il programma.Per ottimizzare il risolutore, è innanzitutto necessario osservarne il funzionamento. OghmaNano può visualizzare l’errore di Newton (attuale) per ogni iterazione e salvare la cronologia della convergenza in un file, anziché visualizzare una sola riga per ogni passo di tensione. Attivare l’output dell’errore di Newton e il registro della convergenza, quindi rieseguire il programma.
La prima fase della simulazione è particolare. Quando il modello viene avviato, non dispone di una stima affidabile dello stato del dispositivo: non conosce ancora il potenziale o i livelli di Fermi. Pertanto, inizia il processo partendo da una condizione molto lontana dalla soluzione. In ??, l’errore iniziale è molto elevato (circa \( 10^{15} \)) e viene gradualmente ridotto nel corso di numerose iterazioni, fino a raggiungere un valore minimo, con una certa fluttuazione, intorno a \( 10^{-7} \) e \( 10^{-9} \). A questo punto, le equazioni sono essenzialmente risolte. Poiché questa prima soluzione è molto distante dalla risposta corretta, vengono adottate intenzionalmente due misure: il passo di Newton viene fortemente limitato (vedi sotto), in modo che il risolutore converga lentamente e in modo sicuro, anziché saltare a una soluzione che potrebbe causare un errore, e gli viene concesso un numero elevato di iterazioni (in genere, circa mille), per dargli la possibilità di stabilizzarsi.La prima fase della simulazione è particolare. Quando il modello viene avviato, non dispone di una stima affidabile dello stato del dispositivo: non conosce ancora il potenziale o i livelli di Fermi. Pertanto, inizia il processo partendo da una condizione molto lontana dalla soluzione. In ??, l’errore iniziale è molto elevato (circa \( 10^{15} \)) e viene gradualmente ridotto nel corso di numerose iterazioni, fino a raggiungere un valore minimo, con una certa fluttuazione, intorno a \( 10^{-7} \) e \( 10^{-9} \). A questo punto, le equazioni sono essenzialmente risolte. Poiché questa prima soluzione è molto distante dalla risposta corretta, vengono adottate intenzionalmente due misure: il passo di Newton viene fortemente limitato (vedi sotto), in modo che il risolutore converga lentamente e in modo sicuro, anziché saltare a una soluzione che potrebbe causare un errore, e gli viene concesso un numero elevato di iterazioni (in genere, circa mille), per dargli la possibilità di stabilizzarsi.
Dopo aver calcolato la soluzione di equilibrio, il modello esegue una serie di simulazioni per le tensioni richieste. Ogni variazione di tensione sposta leggermente il dispositivo rispetto alla soluzione precedente, causando un aumento dell’errore che viene poi rapidamente ridotto: questa sequenza di picchi è visibile nella parte destra del grafico. Poiché ogni simulazione parte da un punto vicino alla soluzione precedente, il processo converge rapidamente.Dopo aver calcolato la soluzione di equilibrio, il modello esegue una serie di simulazioni per le tensioni richieste. Ogni variazione di tensione sposta leggermente il dispositivo rispetto alla soluzione precedente, causando un aumento dell’errore che viene poi rapidamente ridotto: questa sequenza di picchi è visibile nella parte destra del grafico. Poiché ogni simulazione parte da un punto vicino alla soluzione precedente, il processo converge rapidamente.
3.3 Ottimizzazione del risolutore3.3 Ottimizzazione del risolutore
Il grafico della convergenza corrisponde esattamente alla funzione di errore \( f(x) \) descritta in Sezione 2, e l’obiettivo dell’ottimizzazione è ridurne la durata, ovvero raggiungere la convergenza in un numero inferiore di iterazioni. I principali parametri di controllo nella configurazione del risolutore sono:Il grafico della convergenza corrisponde esattamente alla funzione di errore \( f(x) \) descritta in Sezione 2, e l’obiettivo dell’ottimizzazione è ridurne la durata, ovvero raggiungere la convergenza in un numero inferiore di iterazioni. I principali parametri di controllo nella configurazione del risolutore sono:
- Numero massimo di iterazioni nella prima fase. Se, dopo un certo numero di iterazioni (ad esempio, 400), la prima esecuzione ha chiaramente raggiunto il livello di rumore, non è utile eseguire l’intero ciclo di mille iterazioni. Ridurre questo limite (ad esempio, da 1000 a 600) significa semplicemente eliminare la parte finale, dove l’algoritmo di risoluzione è già convergente. Ogni iterazione eliminata si traduce in un effettivo risparmio di tempo di calcolo.Numero massimo di iterazioni nella prima fase. Se, dopo un certo numero di iterazioni (ad esempio, 400), la prima esecuzione ha chiaramente raggiunto il livello di rumore, non è utile eseguire l’intero ciclo di mille iterazioni. Ridurre questo limite (ad esempio, da 1000 a 600) significa semplicemente eliminare la parte finale, dove l’algoritmo di risoluzione è già convergente. Ogni iterazione eliminata si traduce in un effettivo risparmio di tempo di calcolo.
- Impostare un valore di errore accettabile per il primo passaggio. Spesso, nella prima iterazione, si cerca di raggiungere un errore molto piccolo, come \( 10^{-9} \). Se il risultato è già sufficientemente stabile al punto \( 10^{-7} \), è possibile allentare il valore di errore: interrompere il processo al punto \( 10^{-7} \) anziché cercare di raggiungere \( 10^{-9} \) consente di evitare l’ultima, più lenta fase della convergenza.Impostare un valore di errore accettabile per il primo passaggio. Spesso, nella prima iterazione, si cerca di raggiungere un errore molto piccolo, come \( 10^{-9} \). Se il risultato è già sufficientemente stabile al punto \( 10^{-7} \), è possibile allentare il valore di errore: interrompere il processo al punto \( 10^{-7} \) anziché cercare di raggiungere \( 10^{-9} \) consente di evitare l’ultima, più lenta fase della convergenza.
- Limitazione. La limitazione rappresenta la frazione del passo di Newton completo \( [\Delta x] \) che l’algoritmo è autorizzato a compiere. Un passo completo si ottiene dividendo direttamente per la matrice Jacobiana; la limitazione prevede invece di utilizzare solo una parte di questo valore. Ad esempio, se l’algoritmo di Newton richiede di modificare una variabile di 0,5, la limitazione potrebbe consentire solo una modifica di 0,1. Limitazioni più piccole convergono più lentamente, ma riducono significativamente il rischio che l’algoritmo si blocchi o produca risultati errati; limitazioni più ampie convergono più rapidamente, ma comportano un rischio maggiore. Il primo passo utilizza solitamente una limitazione piccola e prudente (circa 0,1); aumentandola (0,2, 0,3 e valori superiori, soprattutto in strutture ben definite), si ottiene una discesa iniziale più rapida. La limitazione per i passaggi successivi può essere aumentata rispetto al valore predefinito, ma un aumento eccessivo può compromettere la convergenza.Limitazione. La limitazione rappresenta la frazione del passo di Newton completo \( [\Delta x] \) che l’algoritmo è autorizzato a compiere. Un passo completo si ottiene dividendo direttamente per la matrice Jacobiana; la limitazione prevede invece di utilizzare solo una parte di questo valore. Ad esempio, se l’algoritmo di Newton richiede di modificare una variabile di 0,5, la limitazione potrebbe consentire solo una modifica di 0,1. Limitazioni più piccole convergono più lentamente, ma riducono significativamente il rischio che l’algoritmo si blocchi o produca risultati errati; limitazioni più ampie convergono più rapidamente, ma comportano un rischio maggiore. Il primo passo utilizza solitamente una limitazione piccola e prudente (circa 0,1); aumentandola (0,2, 0,3 e valori superiori, soprattutto in strutture ben definite), si ottiene una discesa iniziale più rapida. La limitazione per i passaggi successivi può essere aumentata rispetto al valore predefinito, ma un aumento eccessivo può compromettere la convergenza.
- Numero minimo di iterazioni del metodo di Newton. Questo impone al risolutore di eseguire almeno un certo numero di iterazioni prima di poter terminare, il che lo aiuta a superare eventuali minimi locali in cui potrebbe altrimenti bloccarsi. Un valore piccolo (poche iterazioni) è una precauzione utile; impostarlo troppo alto comporta solo una perdita di tempo, poiché il risolutore continuerebbe a iterare inutilmente anche dopo aver trovato la soluzione.Numero minimo di iterazioni del metodo di Newton. Questo impone al risolutore di eseguire almeno un certo numero di iterazioni prima di poter terminare, il che lo aiuta a superare eventuali minimi locali in cui potrebbe altrimenti bloccarsi. Un valore piccolo (poche iterazioni) è una precauzione utile; impostarlo troppo alto comporta solo una perdita di tempo, poiché il risolutore continuerebbe a iterare inutilmente anche dopo aver trovato la soluzione.
- Errore minimo del risolutore e numero massimo di iterazioni (per tutte le altre fasi). Questi parametri definiscono l’accuratezza desiderata e il limite massimo di iterazioni per la risoluzione per ciascun livello di tensione. Si comportano esattamente come i parametri utilizzati nella prima fase e possono essere modificati una volta che si conosce la velocità con cui la struttura converge.Errore minimo del risolutore e numero massimo di iterazioni (per tutte le altre fasi). Questi parametri definiscono l’accuratezza desiderata e il limite massimo di iterazioni per la risoluzione per ciascun livello di tensione. Si comportano esattamente come i parametri utilizzati nella prima fase e possono essere modificati una volta che si conosce la velocità con cui la struttura converge.
Il flusso di lavoro. Dopo ogni modifica, ricostruite il grafico di convergenza e osservate come si riduce: eliminate la parte finale piatta della prima iterazione, allentate il valore di errore target della prima fase, quindi aumentate i parametri per rendere più ripide le curve di discesa. Nel dispositivo di esempio, queste modifiche combinate hanno ridotto il tempo di esecuzione da circa quindici secondi a circa otto, senza alterare il risultato. I file di input forniti con il modello utilizzano valori conservativi, quindi di solito c’è margine per ottimizzarli in base alle vostre strutture.Il flusso di lavoro. Dopo ogni modifica, ricostruite il grafico di convergenza e osservate come si riduce: eliminate la parte finale piatta della prima iterazione, allentate il valore di errore target della prima fase, quindi aumentate i parametri per rendere più ripide le curve di discesa. Nel dispositivo di esempio, queste modifiche combinate hanno ridotto il tempo di esecuzione da circa quindici secondi a circa otto, senza alterare il risultato. I file di input forniti con il modello utilizzano valori conservativi, quindi di solito c’è margine per ottimizzarli in base alle vostre strutture.
Dedicate il tempo risparmiato a migliorare la precisione. Una volta ottimizzato il risolutore, il tempo che avete recuperato può essere reinvestito in un problema più complesso, ad esempio aumentando il numero di punti della griglia. Una configurazione Newton ben ottimizzata è ciò che rende possibile risolvere in tempi ragionevoli dispositivi più grandi, più dettagliati o con un grado di interdipendenza maggiore.Dedicate il tempo risparmiato a migliorare la precisione. Una volta ottimizzato il risolutore, il tempo che avete recuperato può essere reinvestito in un problema più complesso, ad esempio aumentando il numero di punti della griglia. Una configurazione Newton ben ottimizzata è ciò che rende possibile risolvere in tempi ragionevoli dispositivi più grandi, più dettagliati o con un grado di interdipendenza maggiore.
Errori comuniErrori comuni
- Aumentare eccessivamente il valore del parametro di controllo può rendere il processo di risoluzione più rapido, ma aumenta anche la probabilità di errori o di mancata convergenza. Aumentare il valore gradualmente e verificare che la simulazione venga comunque completata correttamente.Aumentare eccessivamente il valore del parametro di controllo può rendere il processo di risoluzione più rapido, ma aumenta anche la probabilità di errori o di mancata convergenza. Aumentare il valore gradualmente e verificare che la simulazione venga comunque completata correttamente.
- Impostare un numero minimo di iterazioni troppo elevato costringe il risolutore a continuare a operare anche dopo aver già raggiunto la convergenza, sprecando esattamente il tempo che si sta cercando di risparmiare.Impostare un numero minimo di iterazioni troppo elevato costringe il risolutore a continuare a operare anche dopo aver già raggiunto la convergenza, sprecando esattamente il tempo che si sta cercando di risparmiare.
- Allentare eccessivamente il criterio di tolleranza dell’errore può portare a una soluzione che non converge correttamente. È quindi necessario allentarlo solo fino al punto in cui il grafico della convergenza si stabilizza e si trasforma in un semplice rumore numerico.Allentare eccessivamente il criterio di tolleranza dell’errore può portare a una soluzione che non converge correttamente. È quindi necessario allentarlo solo fino al punto in cui il grafico della convergenza si stabilizza e si trasforma in un semplice rumore numerico.
- Le impostazioni ottimali per ciascuna struttura variano. I valori che funzionano per un determinato dispositivo potrebbero essere eccessivi per un altro, quindi è consigliabile ricontrollare il grafico di convergenza quando si modifica la struttura.Le impostazioni ottimali per ciascuna struttura variano. I valori che funzionano per un determinato dispositivo potrebbero essere eccessivi per un altro, quindi è consigliabile ricontrollare il grafico di convergenza quando si modifica la struttura.
Riepilogo e prossimi passiRiepilogo e prossimi passi
- OghmaNano risolve le equazioni di deriva-diffusione, di Poisson e le equazioni complete di SRH relative alla cattura/emissione di portatori di carica su una griglia, determinando la loro distribuzione sia nello spazio energetico che nello spazio delle posizioni.OghmaNano risolve le equazioni di deriva-diffusione, di Poisson e le equazioni complete di SRH relative alla cattura/emissione di portatori di carica su una griglia, determinando la loro distribuzione sia nello spazio energetico che nello spazio delle posizioni.
- Queste equazioni accoppiate vengono risolte con il metodo di Newton, uno schema iterativo che riduce a zero una funzione di errore \( f(x) \) con una convergenza superlineare; la soluzione è espressa in forma matriciale \( [J][\Delta x] = -[f(x)] \).Queste equazioni accoppiate vengono risolte con il metodo di Newton, uno schema iterativo che riduce a zero una funzione di errore \( f(x) \) con una convergenza superlineare; la soluzione è espressa in forma matriciale \( [J][\Delta x] = -[f(x)] \).
- Il grafico di convergenza mostra una lunga fase iniziale di stabilizzazione, seguita da una rapida convergenza ad ogni incremento di tensione.Il grafico di convergenza mostra una lunga fase iniziale di stabilizzazione, seguita da una rapida convergenza ad ogni incremento di tensione.
- Per ottenere prestazioni migliori: ridurre al minimo la quantità di dati scritti su disco; diminuire il numero massimo di iterazioni nella prima fase e allentare il valore di errore target; aumentare gradualmente il valore di clamping; e impostare un numero minimo di iterazioni ridotto per evitare di individuare minimi locali non ottimali.Per ottenere prestazioni migliori: ridurre al minimo la quantità di dati scritti su disco; diminuire il numero massimo di iterazioni nella prima fase e allentare il valore di errore target; aumentare gradualmente il valore di clamping; e impostare un numero minimo di iterazioni ridotto per evitare di individuare minimi locali non ottimali.
- Il tempo risparmiato grazie all’ottimizzazione può essere reinvestito per ottenere una griglia più precisa o per risolvere un problema più complesso.Il tempo risparmiato grazie all’ottimizzazione può essere reinvestito per ottenere una griglia più precisa o per risolvere un problema più complesso.
Successivo: guarda Database dei materiali per capire come vengono definiti i parametri dei materiali utilizzati in queste equazioni. Successivo: guarda Database dei materiali per capire come vengono definiti i parametri dei materiali utilizzati in queste equazioni.