Strona główna Przykłady Zrzuty ekranu Instrukcja obsługi Logo Bluesky. YouTube ☰
OghmaNano Platforma do symulacji wielofizycznych procesów zachodzących w optoelektronicznych urządzeniach i systemach fotonicznych. POBIERZ Przewodnik szybkiego uruchomienia

Przyspieszenie symulacji urządzeń.

Jeśli uruchamiasz dużą liczbę symulacji, istotne jest, jak szybko każda z nich się kończy. Na tej stronie wyjaśniono, jak przyspieszyć działanie elektrycznego solvera w programie OghmaNano. Ponieważ przydatne ustawienia mają sens dopiero wtedy, gdy rozumiesz, co solver właściwie robi, pierwsza część strony omawia podstawy modelu – równania, które są rozwiązywane, oraz sposób, w jaki są rozwiązywane – a druga część pokazuje, jak dostosować solver, aby skrócić czas obliczeń. Ustawienia te nie wpływają na fizykę symulacji; wpływają jedynie na szybkość, z jaką uzyskiwane jest rozwiązanie numeryczne.

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. Podstawy modelu.

Zanim przejdziemy do sposobów przyspieszenia symulacji, warto dowiedzieć się, co dokładnie oblicza OghmaNano. Aby uwzględnić transport ładunku w urządzeniu, OghmaNano rozwiązuje podstawowe równania dryfu i dyfuzji wraz z równaniem Poissona (prawo Gaussa). Równania te są rozwiązywane na skończonej siatce różnic w całym obszarze urządzenia, co pozwala śledzić ruch ładunku między poszczególnymi elektrodami zarówno na poziomie przewodnictwa (LUMO), jak i na poziomie walencyjnym (HOMO).

1.1 Transport ładunku przez urządzenie

Równanie Poissona wiąże potencjał elektrostatyczny z gęstością ładunku, natomiast dwa równania prądowe opisują składniki sterujące przepływem elektronów i dziur (dryf oraz dyfuzja):

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

Następnie wartości tych gęstości prądu są podstawiane do równań ciągłości dla elektronów i dziur, które uwzględniają równowagę między przepływem prądu a procesami rekombinacji, wychwytywania nośników oraz zmianą w czasie liczby nośników swobodnych:

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

W powyższym równaniu \( \phi \) oznacza potencjał elektrostatyczny, \( n \) i \( p \) – odpowiednio gęstość swobodnych elektronów i dziur, \( \mu_e \) i \( \mu_h \) – mobilność, \( D_n \) i \( D_p \) – współczynniki dyfuzji, \( E_c \) i \( E_v \) – krawędzie pasm energetycznych, \( R \) – szybkość rekombinacji, a \( T \) – wypadkowa szybkość, z jaką nośniki ładunku są wychwytywane przez pułapki. Pełne wyprowadzenie i konwencje dotyczące znaków można znaleźć w publikacji MacKenzie i in., J. Phys. Chem. C (doi:10.1021/jp200234m).

1.2 Zatrzymywanie i rekombinacja ładunków

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.
Model Shockleya–Reada–Halla, opisujący proces wychwytywania i uwalniania nośników, jest rozwiązywany w każdym węźle siatki. Wolne nośniki (nfree, pfree) znajdują się w pasmach parabolicznych na krawędziach ruchliwości \( \mu_e^0 \) / \( \mu_h^0 \); czerwone i niebieskie trójkąty oznaczają wykładniczy rozkład stanów pułapek dla elektronów i dziur. Wielkości \( r_1 \)–\( r_4 \) oznaczają odpowiednio szybkość wychwytywania nośników przez pułapki i szybkość ich uwalniania z pułapek.

Zjawiska polegające na zatrzymywaniu ładunków i rekombinacji są istotne w urządzeniach organicznych oraz w wielu innych systemach materiałowych, dlatego należy je uwzględniać w modelach. Powszechnie stosuje się uproszczenie rekombinacji Shockleya–Reada–Halla (SRH) do pojedynczego wyrażenia opisującego stan ustalony, co ułatwia obliczenia. OghmaNano nie stosuje takiego uproszczenia: ponieważ celem jest rozwiązanie równań w dziedzinie czasu, pełny zestaw równań opisujących szybkość wychwytywania/ucieczki ładunków SRH jest rozwiązywany w każdym punkcie siatki obliczeniowej.

W każdym punkcie rozwiązywane jest zagadnienie przedstawione na rysunku ??. Parabole znajdujące się u góry i na dole odpowiadają pasmom swobodnych nośników na krawędziach ruchliwości elektronów i dziur. Od krawędzi pułapki elektronów \( E_e^d \) rozpościera się wykładniczy rozkład pułapek elektronów (czerwony); od krawędzi pułapki dziur \( E_h^d \) rozpościera się wykładniczy rozkład pułapek dziur (niebieski). Każdy z dyskretnych poziomów w tych rozkładach stanowi indywidualną pułapkę, a dla każdego z nich rozwiązywane są pełne równania opisujące szybkość wychwytywania i uwalniania. Zmiana w populacji elektronów uwięzionych na danym poziomie jest wynikiem równowagi czterech szybkości:

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

gdzie \( r_1 \) oznacza wychwytywanie elektronów, \( r_2 \) emisję elektronów, \( r_3 \) wychwytywanie dziur i \( r_4 \) emisję dziur, przy czym każda z tych reakcji przebiega zgodnie ze standardowym schematem wychwytywania/emisji, określonym przez gęstość pułapek, gęstość nośników, przekrój czynny na wychwytywanie i prędkość termiczną (patrz odniesienie powyżej). Zachowana jest równowaga szczegółowa we wszystkich poziomach. Sumowanie wypadkowej liczby wychwyconych cząstek w całym rozkładzie pułapek daje szybkość rekombinacji nośników:

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

Dlaczego to ma znaczenie dla szybkości obliczeń. Rozwiązanie problemu rozkładu pułapek w przestrzeni energii w każdym punkcie przestrzeni położenia pozwala na stworzenie pełnej mapy gęstości ładunku, która jest funkcją zarówno energii, jak i położenia. Dzięki temu OghmaNano może wykonywać obliczenia stanów przejściowych bez stosowania standardowych przybliżeń dotyczących stanów ustalonych – ale właśnie dlatego trzeba jednocześnie rozwiązać wiele powiązanych równań, a zatem wybór metody numerycznej i jej ustawień ma realny wpływ na czas trwania obliczeń.

2. Sposób rozwiązywania równań: metoda Newtona.

Wszystkie powyższe równania rozwiązuje się metodą Newtona, opublikowaną przez Isaaca Newtona w 1671 roku w dziele „Metoda fluuksji”. Jest to jedna z najskuteczniejszych i najbardziej niezawodnych metod dostępnych do rozwiązywania tego typu układów równań. Jeśli równanie nie może być rozwiązane ręcznie, metoda Newtona prawie zawsze znajdzie rozwiązanie.

2.1 Pierwiastki i funkcja błędu

Zacznijmy od czegoś prostego. Dla jakich wartości x następujące równanie przyjmuje wartość zero?

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

Na podstawie analizy wynika, że odpowiedź to \( x = 3 \) i \( x = 40 \). Są to pierwiastki równania. Ten sam problem można zapisać w formie funkcji.

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

a jeśli przedstawimy \( f(x) \) w funkcji \( x \), to pierwiastki będą po prostu punktami, w których krzywa przecina oś, czyli punktami, w których \( f(x) = 0 \). Kluczową ideą jest traktowanie tego równania jako funkcji błędu, która dąży do zera. W modelu urządzenia \( x \) zastępuje się fizycznymi niewiadomymi – potencjałem \( \phi \) oraz quasi-poziomami Fermiego dla elektronów i dziur \( E_{Fn} \) i \( E_{Fp} \) – a wartości tych zmiennych są dostosowywane, aż do uzyskania \( f(x) = 0 \).

W przypadku prostych równań pierwiastki można łatwo odczytać. Zamiast tego rozważmy...

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

Analiza tego zagadnienia w celu znalezienia jego pierwiastków wymagałaby dużego nakładu pracy, a równania opisujące działanie urządzenia są jeszcze bardziej skomplikowane. Właśnie w takich sytuacjach metoda Newtona sprawdza się najlepiej.

2.2 Metoda – krok po kroku.

Rozważmy konkretny przykład, \( f(x) = x^2 + 10x - 3 \). Metoda Newtona przebiega w następujący sposób:

  1. Zróżniczkuj równanie względem zmiennej, której wartość chcemy znaleźć: \( f'(x) = 2x + 10 \).
  2. Spróbuj odgadnąć pierwiastek. Dowolna wartość się nada – weźmy \( x = 10 \). To niezbyt trafne przypuszczenie (\( f(10) = 197 \), bardzo daleko od zera), ale to nie ma znaczenia.
  3. Oblicz wartość funkcji i jej pochodnej dla przybliżonych wartości: \( f(10) = 197 \) i \( f'(10) = 30 \).
  4. Oblicz lepsze przybliżenie, korzystając z metody Newtona:
\[ x_{+1} = x - \frac{f(x)}{f'(x)} \]

Podstawiając obliczone wartości, otrzymujemy dokładniejszy wynik, \( x_{+1} = 10 - 197/30 = 3.433 \). Następnie procedura jest powtarzana: wprowadzamy ulepszony wynik, ponownie go oceniamy (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)) i uzyskujemy jeszcze dokładniejszy wynik \( 0.877 \) i tak dalej. W każdym kroku funkcja błędu zbliża się do zera, a wynik do rzeczywistego rozwiązania.

2.3 Przykładowe rozwiązanie

Cała metoda składa się zaledwie z kilku linijek kodu. Poniższa pętla implementuje ją dla \( f(x) = x^2 + 10x - 3 \), wyświetlając w każdej iteracji aktualną wartość i błąd:

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.
Proces iteracyjny w działaniu. Lewa kolumna przedstawia bieżące przybliżenie pierwiastka, prawa kolumna – błąd \( f(x) \). Przybliżenie stabilizuje się na wartości \( 0.291503 \), a błąd zmniejsza się do zera po kilku iteracjach.

Wyniki są pouczające. Oszacowanie przesuwa się \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \), a błąd maleje \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \). Zauważ, jak liczba poprawnych miejsc po przecinku mniej więcej podwaja się w każdym kroku. Nazywa się to zbieżnością nieliniową, i to właśnie dzięki niej metoda Newtona jest tak skuteczną metodą znajdowania pierwiastka równania.

2.4 Ta sama koncepcja przedstawiona w formie macierzowej.

To urządzenie nie jest opisywane pojedynczym równaniem, lecz przez rozbudowany, powiązany system równań – obejmujący potencjał, poziomy Fermiego dla elektronów i dziur oraz zajętość pułapek w każdym punkcie siatki. Zapisane w formie macierzowej, równanie Newtona przyjmuje postać:

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

\( [J] \) to macierz Jacobiego, zawierająca pochodne wszystkich równań opisujących działanie urządzenia (równanie Poissona, równanie dyfuzji i dryfu, równanie SRH) względem wszystkich niewiadomych. \( [f(x)] \) to błąd w tych równaniach dla aktualnego przybliżenia, a \( [\Delta x] \) to wynikająca z tego korekta – poprawka wprowadzona do pola, poziomów Fermiego i koncentracji pułapek w całym urządzeniu. Korekta jest dodawana do aktualnego rozwiązania.

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

proces ten jest powtarzany aż do momentu \( f(x) \approx 0 \), w którym rozwiązywane są równania opisujące działanie urządzenia. Dwa punkty mają bezpośredni wpływ na dalsze dostrajanie: \( f(x) \) to wartość, do której dążymy, aby osiągnąć zero, dlatego stanowi ona naturalną miarę zbieżności; im lepsze jest początkowe przybliżenie, tym bliżej rozwiązania rozpoczyna pracę algorytm, i tym mniej iteracji jest potrzebnych.

3. Jak przyspieszyć symulację w praktyce.

Mając już ustalone podstawy, praktyczne zastosowania wydają się logiczne. W tym przykładzie wykorzystano dwuwymiarowy tranzystor polowy (urządzenie 2D, uwzględniające wszystkie pułapki), ale te same zasady można zastosować do dowolnej symulacji.

3.1 Wyłącz zapisywanie danych na dysku.

Najprostsza zmiana, jaką można wprowadzić, to ograniczenie ilości danych zapisywanych na dysku. Zapisywanie plików jest czasochłonne, a w przypadku symulacji generującej duże ilości danych, może to znacząco wydłużyć czas działania programu. OghmaNano oferuje funkcję, która jednym kliknięciem minimalizuje ilość danych zapisywanych na dysku; poszczególne opcje dotyczące plików wyjściowych (np. zapis danych w domenie czasowej) można również włączać i wyłączać indywidualnie w ustawieniach wyjściowych, dzięki czemu można zachować tylko te pliki, które są rzeczywiście potrzebne. Aby uzyskać jak najszybsze działanie programu, należy ograniczyć ilość danych zapisywanych na dysku do minimum.

Najpierw spróbuj tego. Zanim zmienisz którekolwiek z poniższych ustawień numerycznych, wyłącz te funkcje, których nie potrzebujesz, i uruchom symulację ponownie. W przypadku symulacji, które intensywnie wykorzystują dysk, samo to działanie może przynieść największą poprawę wydajności, a przy tym nie wpływa na model fizyczny ani na dokładność wyników.

3.2 Obserwacja procesu zbliżania się do rozwiązania.

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.
Błąd w algorytmie \( f(x) \) w odniesieniu do numeru iteracji. Długi spadek po lewej stronie odpowiada początkowemu stanowi równowagi; każdy szczyt po prawej stronie to skok napięcia, przy czym zmiana napięcia wejściowego powoduje zaburzenie równań, a algorytm redukuje błąd.

Aby dostosować parametry algorytmu, najpierw należy zobaczyć, jak on działa. OghmaNano może wyświetlać bieżący błąd Newtona dla każdej iteracji i zapisywać historię konwergencji do pliku, zamiast wyświetlać pojedynczą linię dla każdego kroku zmiany napięcia. Włącz wyświetlanie błędu Newtona i zapisywanie historii konwergencji, a następnie uruchom program ponownie.

Pierwszy etap symulacji jest wyjątkowy. Kiedy model się uruchamia, nie ma żadnego dobrego przybliżenia stanu urządzenia – nie zna jeszcze potencjału ani poziomów Fermiego – dlatego rozpoczyna proces daleko od rozwiązania. W ?? błąd jest początkowo bardzo duży (około \( 10^{15} \)) i stopniowo zmniejsza się w wielu iteracjach, aż osiąga wartość bliską poziomowi szumu w okolicach \( 10^{-7} \) do \( 10^{-9} \), w którym to momencie równania są zasadniczo rozwiązywane. Ponieważ to pierwsze rozwiązanie jest tak odległe od poprawnej odpowiedzi, celowo wykonuje się dwie rzeczy: krok Newtona jest mocno ograniczony (patrz poniżej), dzięki czemu solver zbiega się powoli i bezpiecznie, zamiast przeskakiwać do punktu, który mógłby spowodować błąd, oraz pozwala się mu na dużą liczbę iteracji – zazwyczaj około tysiąca – aby dać mu odpowiednią szansę na ustabilizowanie się.

Po osiągnięciu stanu równowagi model przechodzi przez kolejne wartości napięcia. Każdy krok zmiany napięcia powoduje niewielkie odchylenie od poprzedniego rozwiązania, co skutkuje nagłym wzrostem błędu, który następnie bardzo szybko maleje – sekwencja tych zmian jest widoczna na wykresie po prawej stronie. Ponieważ każdy krok rozpoczyna się blisko poprzedniego rozwiązania, proces obliczeń szybko zbiega się do stabilnego wyniku.

3.3 Dostrajanie algorytmu rozwiązywania.

Wykres zbieżności odpowiada dokładnie funkcji błędu \( f(x) \) z Sekcja 2, a celem dostrajania jest skrócenie tego wykresu – uzyskanie zbieżności w mniejszej liczbie iteracji. Główne parametry konfiguracyjne solvera to:

Przepływ pracy. Po każdej zmianie generuj ponownie wykres konwergencji i obserwuj, jak się zmniejsza: skróć płaską końcówkę pierwszego rozwiązania, zmniejsz wymagany poziom błędu dla pierwszego kroku, a następnie zwiększ parametry, aby wyostrzyć przebieg. W przypadku testowego urządzenia te zmiany łącznie skróciły czas działania z około piętnastu sekund do około ośmiu – bez zmiany wyniku. Pliki wejściowe dołączone do modelu zawierają konserwatywne wartości, więc zazwyczaj istnieje możliwość ich dostosowania do własnych struktur.

Wykorzystaj zaoszczędzony czas na zwiększenie precyzji. Gdy algorytm zostanie odpowiednio skonfigurowany, możesz ponownie zainwestować ten czas w rozwiązanie bardziej złożonego problemu – na przykład poprzez zwiększenie liczby punktów siatki. Dobrze skonfigurowana metoda Newtona pozwala na efektywne rozwiązywanie większych, bardziej szczegółowych lub silniej sprzężonych problemów w rozsądnym czasie.

Typowe błędy i pułapki.

Podsumowanie i kolejne kroki.

Następnie: zobacz Baza danych materiałów w jaki sposób definiowane są parametry materiałowe, które są wykorzystywane w tych równaniach.