Acelerar as simulações de dispositivos.
Se realizar um grande número de simulações, a velocidade com que cada uma é concluída é importante. Esta página explica como otimizar o solucionador elétrico do OghmaNano para que funcione mais rapidamente. Como as configurações úteis só fazem sentido depois de compreender o que o solucionador está realmente a fazer, a primeira metade da página aborda os fundamentos do modelo — as equações que são resolvidas e a forma como são resolvidas — e a segunda metade mostra como ajustar o solucionador para reduzir o tempo de execução. A física não é alterada por nenhuma destas configurações; elas afetam apenas a rapidez com que a solução numérica é obtida.
1. Os fundamentos do modelo
Antes de analisar como acelerar uma simulação, é útil saber o que o OghmaNano está a calcular. Para considerar o transporte de carga num dispositivo, o OghmaNano resolve as equações básicas de deriva-difusão em conjunto com a equação de Poisson (lei de Gauss). Estas equações são resolvidas numa malha de diferenças finitas em todo o dispositivo, de modo que o movimento da carga de um contacto para o outro possa ser acompanhado tanto no nível de condução (LUMO) como no nível de valência (HOMO).
1.1 Transporte de carga através do dispositivo.
A equação de Poisson relaciona o potencial eletrostático com a carga livre, enquanto as duas equações da corrente descrevem os termos que governam o movimento dos eletrões e das lacunas (deslocamento mais difusão):
\[ \nabla \cdot \varepsilon_0 \varepsilon_r \nabla \phi = q\,(n - p) \] \[ J_n = q\,\mu_e\,n\,\nabla E_c + q\,D_n\,\nabla n \] \[ J_p = q\,\mu_h\,p\,\nabla E_v - q\,D_p\,\nabla p \]Essas densidades de corrente são então inseridas nas equações de continuidade de elétrons e lacunas, que equilibram o fluxo de corrente em relação à recombinação, à captura e à taxa de variação temporal das populações de portadores de carga livres:
\[ \nabla \cdot \mathbf{J}_n = q\left( R_n + T_n + \frac{\partial n_{\text{free}}}{\partial t} \right) \] \[ \nabla \cdot \mathbf{J}_p = -q\left( R_p + T_p + \frac{\partial p_{\text{free}}}{\partial t} \right) \]Aqui, \( \phi \) representa o potencial eletrostático, \( n \) e \( p \) as densidades de eletrões e lacunas livres, \( \mu_e \) e \( \mu_h \) as mobilidades, \( D_n \) e \( D_p \) os coeficientes de difusão, \( E_c \) e \( E_v \) as extremidades das bandas, \( R \) a taxa de recombinação e \( T \) a taxa líquida com que os portadores são capturados em armadilhas. A derivação completa e as convenções de sinal seguem MacKenzie et al., J. Phys. Chem. C (doi:10.1021/jp200234m).
1.2 Captura e recombinação de cargas.
A captura e a recombinação de cargas são processos importantes em dispositivos orgânicos e em muitos outros sistemas de materiais, pelo que devem ser modelados de forma explícita. É comum reduzir a recombinação de Shockley–Read–Hall (SRH) a uma única expressão de estado estacionário, que é fácil de resolver. O OghmaNano não faz isso: uma vez que o objetivo é resolver as equações no domínio do tempo, o conjunto completo de equações de taxa de captura/escape de SRH é resolvido em cada ponto da malha na grade de diferenças finitas.
Em cada ponto, a situação mostrada em ?? é resolvida. As parábolas na parte superior e inferior representam as bandas de portadores livres nas extremidades da mobilidade dos eletrões e das lacunas. A partir da extremidade da armadilha de eletrões \( E_e^d \), observa-se uma distribuição exponencial de armadilhas de eletrões (vermelho); a partir da extremidade da armadilha de lacunas \( E_h^d \), observa-se uma distribuição exponencial de armadilhas de lacunas (azul). Cada um dos níveis discretos dentro destas distribuições é uma armadilha individual, e para cada um, as equações completas da taxa de captura e de escape são resolvidas. A alteração na população de eletrões aprisionados num determinado nível é o resultado do equilíbrio de quatro taxas:
\[ \frac{\partial n_t}{\partial t} = r_1 - r_2 - r_3 + r_4 \]onde \( r_1 \) representa a captura de eletrões, \( r_2 \) a emissão de eletrões, \( r_3 \) a captura de lacunas e \( r_4 \) a emissão de lacunas, cada um seguindo a forma usual de captura/emissão definida pela densidade de armadilhas, a densidade de portadores, a secção eficaz de captura e a velocidade térmica (ver a referência acima). O equilíbrio detalhado é mantido em todos os níveis. Ao somar a captura líquida sobre a distribuição de armadilhas, obtém-se a taxa de recombinação de portadores livres:
\[ R_n = \sum_{0}^{n_{\text{band}}} \left( r_1^{\,e} - r_2^{\,e} \right) \]Por que isso é importante para a velocidade. Ao resolver a distribuição das armadilhas no espaço de energia, em cada ponto do espaço de posição, obtém-se um mapa completo da densidade de carga em função da energia e da posição. É isso que permite à OghmaNano realizar cálculos transitórios sem as aproximações de estado estacionário habituais, mas também é por isso que existem muitas equações acopladas a serem resolvidas simultaneamente, e, portanto, por que a escolha do método numérico e suas configurações têm um impacto real no tempo de execução.
2. Como as equações são resolvidas: o método de Newton.
Todas as equações acima são resolvidas com o método de Newton, publicado por Isaac Newton em 1671, na obra «Método das Fluxões». É um dos métodos mais eficientes e robustos disponíveis para este tipo de conjunto de equações acopladas: se uma equação não puder ser resolvida manualmente, o método de Newton quase sempre encontrará uma solução.
2.1 Raízes e a função de erro
Comece com algo simples. Para quais valores de x a seguinte equação é igual a zero?
\[ 0 = (x - 3)(x - 40) \]Ao analisar, percebemos que a resposta é \( x = 3 \) e \( x = 40 \). Estes são os valores que satisfazem a equação. O mesmo problema pode ser expresso como uma função.
\[ f(x) = (x - 3)(x - 40), \]e, se \( f(x) \) for representado em função de \( x \), as raízes correspondem simplesmente aos pontos onde a curva cruza o eixo, ou seja, onde \( f(x) = 0 \). A ideia fundamental é considerar a equação como uma função de erro que tende para zero. No modelo do dispositivo, \( x \) é substituído pelas incógnitas físicas — o potencial \( \phi \) e os níveis quase-Fermi de eletrões e lacunas \( E_{Fn} \) e \( E_{Fp} \) — e os valores dessas variáveis são ajustados até que \( f(x) = 0 \).
As raízes são facilmente identificáveis visualmente apenas em equações simples. Em vez disso, considere o seguinte:
\[ f(x) = \frac{(x^2 + 10x - 3)\,\cos^2(4x)}{\tan(x)}. \]Traçar este gráfico para encontrar as suas raízes exigiria muito trabalho, e as equações do dispositivo são ainda mais complexas. É precisamente aqui que o método de Newton demonstra a sua utilidade.
2.2 O método, passo a passo.
Vamos analisar um exemplo concreto, \( f(x) = x^2 + 10x - 3 \). O método de Newton funciona da seguinte forma:
- Diferencie a equação em relação à variável que se pretende determinar: \( f'(x) = 2x + 10 \).
- Tente adivinhar a raiz. Qualquer valor serve — use \( x = 10 \). É uma estimativa pouco precisa (\( f(10) = 197 \), bem distante de zero), mas isso não importa.
- Avalie a função e a sua derivada no ponto de estimativa: \( f(10) = 197 \) e \( f'(10) = 30 \).
- Calcule uma estimativa melhorada utilizando a fórmula de atualização de Newton:
Ao substituir os valores, obtemos uma estimativa mais precisa, \( x_{+1} = 10 - 197/30 = 3.433 \). Em seguida, o procedimento é simplesmente repetido: a estimativa melhorada é utilizada novamente, é reavaliada (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)) e obtém-se uma estimativa ainda mais precisa de \( 0.877 \), e assim sucessivamente. A cada iteração, a função de erro aproxima-se de zero e a estimativa aproxima-se da raiz real.
2.3 Um exemplo prático.
Todo o método consiste em apenas algumas linhas de código. O ciclo que se apresenta a seguir implementa-o para \( f(x) = x^2 + 10x - 3 \), imprimindo a estimativa atual e o erro em cada iteração:
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
O resultado é revelador. A estimativa aproxima-se de \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \) e o erro diminui \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \). Repare como o número de casas decimais corretas duplica aproximadamente a cada iteração. Isto é conhecido como convergência superlinear e é o que torna o método de Newton uma forma tão eficiente de encontrar a raiz de uma equação.
2.4 A mesma ideia expressa em forma de matriz.
O dispositivo não é definido por uma única equação, mas por um conjunto extenso de equações interligadas, que incluem o potencial, os níveis de Fermi dos eletrões e das lacunas e a ocupação das armadilhas em cada ponto da malha. Quando expresso na forma de matriz, o método de Newton torna-se:
\[ [J]\,[\Delta x] = -[f(x)] \]\( [J] \) é a matriz Jacobiana, que contém as derivadas de todas as equações do dispositivo (Poisson, deriva-difusão, SRH) em relação a todas as incógnitas. \( [f(x)] \) representa o erro nessas equações para a solução atual, e \( [\Delta x] \) é a atualização resultante, ou seja, a melhoria aplicada ao campo, aos níveis de Fermi e às populações de armadilhas em todo o dispositivo. A atualização é adicionada à solução atual.
\[ [x] = [x] + [\Delta x], \]e o processo é repetido até \( f(x) \approx 0 \), momento em que as equações do dispositivo são resolvidas. Dois pontos são diretamente relevantes para o ajuste que se segue: \( f(x) \) é a quantidade que estamos a tentar reduzir a zero, sendo, portanto, a medida natural de convergência; e quanto melhor for a estimativa inicial, mais próximo estará o solucionador da resposta e menos iterações serão necessárias.
3. Acelerar uma simulação na prática
Com os fundamentos estabelecidos, as configurações práticas fazem sentido. O exemplo utilizado aqui é um transistor de efeito de campo bidimensional (um dispositivo 2D, com todas as armadilhas incluídas), mas os mesmos princípios podem ser aplicados a qualquer simulação.
3.1 Desative a função de gravação em disco.
A alteração mais simples que pode fazer é reduzir a quantidade de dados que são gravados no disco. A gravação de ficheiros é um processo lento e, numa simulação que gera uma grande quantidade de dados, pode ser o fator que mais influencia o tempo de execução. O OghmaNano oferece um controlo que minimiza a quantidade de dados gravados no disco com um único clique; as opções individuais para cada ficheiro de saída (por exemplo, a gravação de dados dinâmicos no domínio do tempo) também podem ser ativadas ou desativadas individualmente nas definições de saída, para que possa guardar apenas os ficheiros de que realmente precisa. Para obter o tempo de execução mais rápido possível, grave o mínimo de dados possível no disco.
Experimente isto primeiro. Antes de alterar qualquer uma das configurações numéricas abaixo, desative a saída que não precisa e execute o programa novamente. Em simulações que exigem muito espaço em disco, esta simples ação pode gerar o maior aumento de velocidade e não altera nada em relação à física ou à precisão do resultado.
3.2 Observar a convergência do solucionador.
Para ajustar o solucionador, primeiro é necessário observá-lo em funcionamento. O OghmaNano pode imprimir o erro de Newton (atual) para cada iteração e gravar o histórico de convergência num ficheiro, em vez de imprimir uma única linha por passo de tensão. Ative a saída do erro de Newton e o registo de convergência e, em seguida, execute novamente.
A primeira etapa da simulação é especial. Quando o modelo é iniciado, não possui uma estimativa precisa do estado do dispositivo — ainda não conhece o potencial ou os níveis de Fermi —, pelo que começa muito distante da solução. Em ??, o erro começa com um valor enorme (cerca de \( 10^{15} \)) e diminui ao longo de várias iterações, até atingir um limite mínimo próximo de \( 10^{-7} \) a \( 10^{-9} \), ponto em que as equações são essencialmente resolvidas. Como esta primeira resolução está tão distante da resposta, duas ações são realizadas intencionalmente: o passo de Newton é fortemente limitado (ver abaixo), para que o solucionador convirja de forma lenta e segura, em vez de saltar para um ponto que possa causar falhas, e é permitido um grande número de iterações — normalmente cerca de mil — para lhe dar uma oportunidade adequada de convergir.
Após a resolução do ponto de equilíbrio, o modelo percorre as tensões solicitadas. Cada etapa de tensão desloca ligeiramente o dispositivo em relação à solução anterior, de modo que o erro aumenta e, em seguida, diminui rapidamente — esta é a sequência de picos visível no lado direito do gráfico. Como cada etapa começa perto da última solução, essas resoluções convergem rapidamente.
3.3 Ajuste do solucionador.
O gráfico de convergência corresponde exatamente à função de erro \( f(x) \) de Secção 2, e o objetivo do ajuste é reduzi-lo, ou seja, alcançar a convergência em menos iterações. Os principais parâmetros de controlo na configuração do solucionador são:
- Número máximo de iterações na primeira etapa. Se, após um determinado número de iterações (por exemplo, 400), a primeira tentativa de solução atingir claramente o limite de ruído, não há vantagem em executar todas as mil iterações. Reduzir este limite (por exemplo, de 1000 para 600) apenas elimina a parte final da curva, onde a solução já está convergindo. Cada iteração eliminada representa um tempo de computação real economizado.
- Defina um erro-alvo para a primeira etapa. Normalmente, a primeira iteração é configurada para atingir um erro muito pequeno, como \( 10^{-9} \). Se o resultado já estiver bem convergido em \( 10^{-7} \), reduza o erro-alvo: ao parar em \( 10^{-7} \) em vez de tentar atingir \( 10^{-9} \), economiza-se a última e mais lenta parte da convergência.
- Limitação. A limitação é a fração do passo completo de Newton \( [\Delta x] \) que o solucionador pode realizar. Um passo completo divide-se diretamente pela matriz Jacobiana; a limitação restringe deliberadamente a apenas uma parte desse passo — se o método de Newton solicitar que uma variável seja movida em 0,5, a limitação pode permitir apenas 0,1. Limitações menores convergem mais lentamente, mas têm muito menos probabilidade de levar o solucionador a um ponto em que o processo falha; limitações maiores convergem mais rapidamente, mas com maior risco. O primeiro passo geralmente utiliza uma limitação pequena e conservadora (cerca de 0,1); aumentá-la (0,2, 0,3 e valores mais altos em estruturas bem comportadas) melhora notavelmente a descida inicial. A limitação para os passos restantes também pode ser aumentada em relação ao valor padrão, embora aumentá-la em excesso pode levar à não convergência.
- Número mínimo de iterações do método de Newton. Isso obriga o solucionador a executar pelo menos um número definido de vezes antes de poder parar, o que ajuda a evitar que ele fique preso em um mínimo local falso. Um valor pequeno (algumas iterações) é uma garantia útil; definir um valor muito alto apenas desperdiça tempo, fazendo com que o processo continue a iterar mesmo depois de a solução já ter sido encontrada.
- Erro mínimo do solucionador e número máximo de iterações (para todas as outras etapas). Estes parâmetros definem a precisão desejada e o limite de iterações para cada solução por nível de tensão. Funcionam da mesma forma que os parâmetros correspondentes da primeira etapa e podem ser ajustados assim que se souber a rapidez com que a estrutura converge.
O fluxo de trabalho. Após cada alteração, gere novamente o ficheiro de convergência e observe o gráfico diminuir: elimine a parte final plana da primeira iteração, atenue o erro-alvo da primeira etapa e, em seguida, aumente os parâmetros para tornar as curvas de descida mais acentuadas. No dispositivo de exemplo, estas alterações, em conjunto, reduziram o tempo de execução de aproximadamente quinze segundos para cerca de oito — sem alterar o resultado. Os ficheiros de entrada fornecidos com o modelo utilizam valores conservadores, pelo que, geralmente, existe margem para ajustá-los nas suas próprias estruturas.
Dedique o tempo que economizou a melhorar a precisão. Depois de otimizado, o tempo que conseguiu ganhar pode ser reinvestido num problema mais complexo, por exemplo, aumentando o número de pontos da malha. Uma configuração de Newton bem ajustada é o que torna viável a resolução de dispositivos maiores, mais refinados ou com um acoplamento mais forte, num tempo razoável.
Erros comuns.
- Aumentar o valor do parâmetro de restrição de forma excessiva pode acelerar o processo de resolução, mas aumenta a probabilidade de ocorrerem erros ou de o processo não convergir. Aumente-o gradualmente e confirme se a simulação continua a ser concluída com sucesso.
- Definir um número mínimo de iterações muito elevado obriga o algoritmo a continuar a executar mesmo depois de já ter atingido a convergência, desperdiçando precisamente o tempo que se pretende economizar.
- Reduzir excessivamente a tolerância do erro pode levar a uma solução que não converge de forma adequada. Ajuste-a apenas até o ponto em que o gráfico de convergência se estabilize e se torne indistinguível do ruído numérico.
- As melhores configurações para cada estrutura variam. Os valores que funcionam bem num determinado dispositivo podem ser demasiado agressivos para outro, por isso, volte a verificar o gráfico de convergência sempre que alterar a estrutura.
Resumo e próximos passos.
- A OghmaNano resolve as equações de deriva-difusão, de Poisson e as equações completas de captura/emissão de SRH numa malha, determinando os portadores de carga tanto no espaço de energia como no espaço posicional.
- Estas equações acopladas são resolvidas com o método de Newton, um processo iterativo que reduz uma função de erro \( f(x) \) a zero, apresentando uma convergência superlinear; em forma matricial \( [J][\Delta x] = -[f(x)] \).
- O gráfico de convergência mostra uma longa fase inicial de estabilização, seguida de uma rápida resolução em cada etapa de tensão.
- Para obter um desempenho mais rápido: reduza a quantidade de dados gravados no disco; diminua o limite do número de iterações na primeira fase e atenue a exigência em relação ao erro-alvo; aumente o valor do limite com cuidado; e defina um número mínimo pequeno de iterações para evitar mínimos falsos.
- O tempo economizado com a otimização pode ser reinvestido na criação de uma malha mais fina ou na resolução de um problema mais complexo.
A seguir: veja o/a Base de dados de materiais para entender como os parâmetros dos materiais que são utilizados nessas equações são definidos.