Cihaz simülasyonlarının hızlandırılmasıCihaz simülasyonlarının hızlandırılması
Çok sayıda simülasyon çalıştırıyorsanız, her birinin ne kadar sürede tamamlandığı önemlidir. Bu sayfada, OghmaNano'nun elektrik çözümleyicisinin daha hızlı çalışmasının nasıl sağlanacağı açıklanmaktadır. Faydalı ayarların anlamlı olması için, çözümleyicinin aslında ne yaptığı anlaşılmalıdır. Bu nedenle, sayfanın ilk yarısı modelin temellerini, yani çözülen denklemleri ve bunların nasıl çözüldüğünü ele alırken, ikinci yarısı çözümleyicinin çalışma süresini kısaltmak için nasıl ayarlanabileceğini göstermektedir. Bu ayarların hiçbiri fiziği değiştirmez; bunlar yalnızca sayısal çözüme ne kadar hızlı ulaşıldığını etkiler.Çok sayıda simülasyon çalıştırıyorsanız, her birinin ne kadar sürede tamamlandığı önemlidir. Bu sayfada, OghmaNano'nun elektrik çözümleyicisinin daha hızlı çalışmasının nasıl sağlanacağı açıklanmaktadır. Faydalı ayarların anlamlı olması için, çözümleyicinin aslında ne yaptığı anlaşılmalıdır. Bu nedenle, sayfanın ilk yarısı modelin temellerini, yani çözülen denklemleri ve bunların nasıl çözüldüğünü ele alırken, ikinci yarısı çözümleyicinin çalışma süresini kısaltmak için nasıl ayarlanabileceğini göstermektedir. Bu ayarların hiçbiri fiziği değiştirmez; bunlar yalnızca sayısal çözüme ne kadar hızlı ulaşıldığını etkiler.
1. Modelin temel unsurları1. Modelin temel unsurları
Bir simülasyonun hızını artırmanın yollarını incelemeden önce, OghmaNano'nun neyi hesapladığını bilmek faydalı olacaktır. Bir cihazdaki yük taşınımını hesaba katmak için OghmaNano, temel sürüklenme-difüzyon denklemlerini ve Poisson denklemini (Gauss yasası) birlikte çözer. Bu denklemler, cihaz üzerinde sonlu farklar yöntemiyle çözülür, böylece bir kontak noktasından diğerine olan yük hareketi, iletkenlik (LUMO) ve valans (HOMO) seviyelerinde izlenebilir.Bir simülasyonun hızını artırmanın yollarını incelemeden önce, OghmaNano'nun neyi hesapladığını bilmek faydalı olacaktır. Bir cihazdaki yük taşınımını hesaba katmak için OghmaNano, temel sürüklenme-difüzyon denklemlerini ve Poisson denklemini (Gauss yasası) birlikte çözer. Bu denklemler, cihaz üzerinde sonlu farklar yöntemiyle çözülür, böylece bir kontak noktasından diğerine olan yük hareketi, iletkenlik (LUMO) ve valans (HOMO) seviyelerinde izlenebilir.
1.1 Cihaz içindeki yük taşıması1.1 Cihaz içindeki yük taşıması
Poisson denklemi, elektrostatik potansiyeli serbest yüke bağlar; iki akım denklemi ise elektron ve boşluk akışını etkileyen faktörleri (sürüklenme artı difüzyon) açıklar.Poisson denklemi, elektrostatik potansiyeli serbest yüke bağlar; iki akım denklemi ise elektron ve boşluk akışını etkileyen faktörleri (sürüklenme artı difüzyon) açıklar.
\[ \nabla \cdot \varepsilon_0 \varepsilon_r \nabla \phi = q\,(n - p) \] \[ J_n = q\,\mu_e\,n\,\nabla E_c + q\,D_n\,\nabla n \] \[ J_p = q\,\mu_h\,p\,\nabla E_v - q\,D_p\,\nabla p \]Bu akım yoğunlukları daha sonra elektron ve boşluk süreklilik denklemlerine yerleştirilir. Bu denklemler, akım akışını rekombinasyon, yakalanma ve serbest taşıyıcı popülasyonlarının zamanla değişme hızı ile dengeleyerek çalışır.Bu akım yoğunlukları daha sonra elektron ve boşluk süreklilik denklemlerine yerleştirilir. Bu denklemler, akım akışını rekombinasyon, yakalanma ve serbest taşıyıcı popülasyonlarının zamanla değişme hızı ile dengeleyerek çalışır.
\[ \nabla \cdot \mathbf{J}_n = q\left( R_n + T_n + \frac{\partial n_{\text{free}}}{\partial t} \right) \] \[ \nabla \cdot \mathbf{J}_p = -q\left( R_p + T_p + \frac{\partial p_{\text{free}}}{\partial t} \right) \]Burada \( \phi \) elektrostatik potansiyeli, \( n \) ve \( p \) serbest elektron ve boşluk yoğunlukları, \( \mu_e \) ve \( \mu_h \) hareketlilikler, \( D_n \) ve \( D_p \) difüzyon katsayıları, \( E_c \) ve \( E_v \) bant kenarları, \( R \) rekombinasyon oranı ve \( T \) taşıyıcıların tuzaklara yakalanma net oranıdır. Tam türetme ve işaret kuralları MacKenzie ve diğerlerinin, J. Phys. Chem. C (doi:10.1021/jp200234m) adlı çalışmasında açıklanmıştır.Burada \( \phi \) elektrostatik potansiyeli, \( n \) ve \( p \) serbest elektron ve boşluk yoğunlukları, \( \mu_e \) ve \( \mu_h \) hareketlilikler, \( D_n \) ve \( D_p \) difüzyon katsayıları, \( E_c \) ve \( E_v \) bant kenarları, \( R \) rekombinasyon oranı ve \( T \) taşıyıcıların tuzaklara yakalanma net oranıdır. Tam türetme ve işaret kuralları MacKenzie ve diğerlerinin, J. Phys. Chem. C (doi:10.1021/jp200234m) adlı çalışmasında açıklanmıştır.
1.2 Yük tutulumu ve rekombinasyon1.2 Yük tutulumu ve rekombinasyon
Yük tutulması ve rekombinasyon, organik cihazlarda ve birçok diğer malzeme sisteminde önemlidir, bu nedenle açıkça modellenmeleri gerekir. Shockley–Read–Hall (SRH) rekombinasyonunu tek bir durağan ifadeye indirgemek yaygın bir uygulamadır ve bu ifade çözülmesi kolaydır. OghmaNano bunu yapmaz: çünkü amaç, denklemleri zaman alanında çözmektir, bu nedenle sonlu farklar ızgarasındaki her bir noktada SRH yakalama/kaçış oranı denklemlerinin tamamı çözülür.Yük tutulması ve rekombinasyon, organik cihazlarda ve birçok diğer malzeme sisteminde önemlidir, bu nedenle açıkça modellenmeleri gerekir. Shockley–Read–Hall (SRH) rekombinasyonunu tek bir durağan ifadeye indirgemek yaygın bir uygulamadır ve bu ifade çözülmesi kolaydır. OghmaNano bunu yapmaz: çünkü amaç, denklemleri zaman alanında çözmektir, bu nedenle sonlu farklar ızgarasındaki her bir noktada SRH yakalama/kaçış oranı denklemlerinin tamamı çözülür.
Her bir noktada ??'de gösterilen durum çözülür. Üst ve alttaki paraboller, elektron ve boşluk hareketliliğinin sınırında bulunan serbest taşıyıcı bantlarını temsil eder. Elektron tuzağı sınırından \( E_e^d \) aşağı doğru inen kısım, elektron tuzaklarının üstel dağılımını (kırmızı); boşluk tuzağı sınırından \( E_h^d \) yukarı doğru çıkan kısım ise boşluk tuzaklarının üstel dağılımını (mavi) gösterir. Bu dağılımlar içindeki her bir ayrık seviye, ayrı bir tuzaktır ve her biri için tam yakalama ve kaçış oranı denklemleri çözülür. Bir seviyedeki yakalanan elektron popülasyonundaki değişim, dört oranın dengesidir:Her bir noktada ??'de gösterilen durum çözülür. Üst ve alttaki paraboller, elektron ve boşluk hareketliliğinin sınırında bulunan serbest taşıyıcı bantlarını temsil eder. Elektron tuzağı sınırından \( E_e^d \) aşağı doğru inen kısım, elektron tuzaklarının üstel dağılımını (kırmızı); boşluk tuzağı sınırından \( E_h^d \) yukarı doğru çıkan kısım ise boşluk tuzaklarının üstel dağılımını (mavi) gösterir. Bu dağılımlar içindeki her bir ayrık seviye, ayrı bir tuzaktır ve her biri için tam yakalama ve kaçış oranı denklemleri çözülür. Bir seviyedeki yakalanan elektron popülasyonundaki değişim, dört oranın dengesidir:
\[ \frac{\partial n_t}{\partial t} = r_1 - r_2 - r_3 + r_4 \]burada \( r_1 \) elektron yakalama, \( r_2 \) elektron emisyonu, \( r_3 \) boşluk yakalama ve \( r_4 \) boşluk emisyonunu temsil eder ve her biri tuzak yoğunluğu, taşıyıcı yoğunluğu, yakalama kesiti ve termal hız tarafından belirlenen standart yakalama/emisyon formunu izler (yukarıdaki referansa bakınız). Tüm seviyelerde ayrıntılı bir denge korunur. Tuzak dağılımı üzerinden net yakalamanın toplamı, serbest taşıyıcı rekombinasyon oranını verir:burada \( r_1 \) elektron yakalama, \( r_2 \) elektron emisyonu, \( r_3 \) boşluk yakalama ve \( r_4 \) boşluk emisyonunu temsil eder ve her biri tuzak yoğunluğu, taşıyıcı yoğunluğu, yakalama kesiti ve termal hız tarafından belirlenen standart yakalama/emisyon formunu izler (yukarıdaki referansa bakınız). Tüm seviyelerde ayrıntılı bir denge korunur. Tuzak dağılımı üzerinden net yakalamanın toplamı, serbest taşıyıcı rekombinasyon oranını verir:
\[ R_n = \sum_{0}^{n_{\text{band}}} \left( r_1^{\,e} - r_2^{\,e} \right) \]Bunun hız açısından neden önemli olduğuna gelirsek: Enerji uzayındaki tuzak dağılımını, konum uzayındaki her noktada çözmek, enerji ve konumun her ikisinin de fonksiyonu olarak yük yoğunluğunun eksiksiz bir haritasını oluşturur. Bu, OghmaNano'nun geleneksel durağan durum yaklaşımları olmadan geçici hesaplamalar yapmasını sağlar; ancak aynı zamanda çözülmesi gereken birçok eşlenik denklem olduğu ve dolayısıyla sayısal yöntemin ve ayarlarının çalışma süresi üzerinde gerçek bir etkisi olduğu anlamına gelir.Bunun hız açısından neden önemli olduğuna gelirsek: Enerji uzayındaki tuzak dağılımını, konum uzayındaki her noktada çözmek, enerji ve konumun her ikisinin de fonksiyonu olarak yük yoğunluğunun eksiksiz bir haritasını oluşturur. Bu, OghmaNano'nun geleneksel durağan durum yaklaşımları olmadan geçici hesaplamalar yapmasını sağlar; ancak aynı zamanda çözülmesi gereken birçok eşlenik denklem olduğu ve dolayısıyla sayısal yöntemin ve ayarlarının çalışma süresi üzerinde gerçek bir etkisi olduğu anlamına gelir.
2. Denklemlerin nasıl çözüldüğü: Newton yöntemi2. Denklemlerin nasıl çözüldüğü: Newton yöntemi
Yukarıdaki tüm denklemler, Isaac Newton tarafından 1671'de "Method of Fluxions" adlı eserinde yayınlanan Newton yöntemi kullanılarak çözülür. Bu, bu türden birleşik denklem sistemleri için mevcut olan en etkili ve güvenilir yöntemlerden biridir: bir denklem elle çözülemiyorsa, Newton yöntemi neredeyse her zaman bir çözüm bulur.Yukarıdaki tüm denklemler, Isaac Newton tarafından 1671'de "Method of Fluxions" adlı eserinde yayınlanan Newton yöntemi kullanılarak çözülür. Bu, bu türden birleşik denklem sistemleri için mevcut olan en etkili ve güvenilir yöntemlerden biridir: bir denklem elle çözülemiyorsa, Newton yöntemi neredeyse her zaman bir çözüm bulur.
2.1 Kökler ve hata fonksiyonu2.1 Kökler ve hata fonksiyonu
Öncelikle basit bir şeyle başlayın. Aşağıdaki denklem hangi x değerleri için sıfıra eşit olur?Öncelikle basit bir şeyle başlayın. Aşağıdaki denklem hangi x değerleri için sıfıra eşit olur?
\[ 0 = (x - 3)(x - 40) \]Gözlem yoluyla cevabın \( x = 3 \) ve \( x = 40 \) olduğu görülür. Bunlar denklemin kökleridir. Aynı problem bir fonksiyon olarak da ifade edilebilir.Gözlem yoluyla cevabın \( x = 3 \) ve \( x = 40 \) olduğu görülür. Bunlar denklemin kökleridir. Aynı problem bir fonksiyon olarak da ifade edilebilir.
\[ f(x) = (x - 3)(x - 40), \]ve eğer \( f(x) \), \( x \)'ye göre çizilirse, kökler basitçe eğrinin ekseni kestiği yerlerdir, yani \( f(x) = 0 \) noktalarıdır. Denklemi, sıfıra doğru yönlendirilen bir hata fonksiyonu olarak düşünmek, temel fikirdir. Cihaz modelinde, \( x \), fiziksel bilinmeyenlerle – potansiyel \( \phi \) ve elektron ile boşluk yarı-Fermi seviyeleri \( E_{Fn} \) ve \( E_{Fp} \) – değiştirilir ve bu değişkenlerin değerleri, \( f(x) = 0 \)'e ulaşılana kadar ayarlanır.ve eğer \( f(x) \), \( x \)'ye göre çizilirse, kökler basitçe eğrinin ekseni kestiği yerlerdir, yani \( f(x) = 0 \) noktalarıdır. Denklemi, sıfıra doğru yönlendirilen bir hata fonksiyonu olarak düşünmek, temel fikirdir. Cihaz modelinde, \( x \), fiziksel bilinmeyenlerle – potansiyel \( \phi \) ve elektron ile boşluk yarı-Fermi seviyeleri \( E_{Fn} \) ve \( E_{Fp} \) – değiştirilir ve bu değişkenlerin değerleri, \( f(x) = 0 \)'e ulaşılana kadar ayarlanır.
Basit denklemlerde kökler sadece görsel olarak kolayca fark edilebilir. Bunun yerine şunu düşünün:Basit denklemlerde kökler sadece görsel olarak kolayca fark edilebilir. Bunun yerine şunu düşünün:
\[ f(x) = \frac{(x^2 + 10x - 3)\,\cos^2(4x)}{\tan(x)}. \]Bu grafiği çizerek köklerini bulmaya çalışmak oldukça zahmetli olur ve cihaz denklemleri çok daha karmaşıktır. İşte tam bu noktada Newton yöntemi önemini gösterir.Bu grafiği çizerek köklerini bulmaya çalışmak oldukça zahmetli olur ve cihaz denklemleri çok daha karmaşıktır. İşte tam bu noktada Newton yöntemi önemini gösterir.
2.2 Yöntem, adım adım2.2 Yöntem, adım adım
Somut bir örnek üzerinden gidelim, \( f(x) = x^2 + 10x - 3 \). Newton yöntemi şu şekilde ilerler:Somut bir örnek üzerinden gidelim, \( f(x) = x^2 + 10x - 3 \). Newton yöntemi şu şekilde ilerler:
- Çözümü bulunmak istenen değişkene göre denklemi türetin: \( f'(x) = 2x + 10 \).Çözümü bulunmak istenen değişkene göre denklemi türetin: \( f'(x) = 2x + 10 \).
- Kökü tahmin edin. Herhangi bir değer işe yarayacaktır; örneğin \( x = 10 \)'i alalım. Bu pek isabetli bir tahmin değil (\( f(10) = 197 \), sıfıra yakın bile değil), ancak bu önemli değil.Kökü tahmin edin. Herhangi bir değer işe yarayacaktır; örneğin \( x = 10 \)'i alalım. Bu pek isabetli bir tahmin değil (\( f(10) = 197 \), sıfıra yakın bile değil), ancak bu önemli değil.
- Tahmin edilen değerlerde fonksiyonun ve türevinin değerini hesaplayın: \( f(10) = 197 \) ve \( f'(10) = 30 \).Tahmin edilen değerlerde fonksiyonun ve türevinin değerini hesaplayın: \( f(10) = 197 \) ve \( f'(10) = 30 \).
- Newton'un yöntemini kullanarak daha iyi bir tahmin elde edin:Newton'un yöntemini kullanarak daha iyi bir tahmin elde edin:
Değerleri yerine koymak daha iyi bir tahmin sağlar, \( x_{+1} = 10 - 197/30 = 3.433 \). Ardından bu işlem basitçe tekrarlanır: geliştirilmiş tahmini tekrar kullanın, yeniden değerlendirin (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)) ve \( 0.877 \) için daha da iyi bir tahmin elde edin ve bu şekilde devam edin. Her adımda hata fonksiyonu sıfıra daha da yaklaşır ve tahmin gerçek değere daha da yaklaşır.Değerleri yerine koymak daha iyi bir tahmin sağlar, \( x_{+1} = 10 - 197/30 = 3.433 \). Ardından bu işlem basitçe tekrarlanır: geliştirilmiş tahmini tekrar kullanın, yeniden değerlendirin (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)) ve \( 0.877 \) için daha da iyi bir tahmin elde edin ve bu şekilde devam edin. Her adımda hata fonksiyonu sıfıra daha da yaklaşır ve tahmin gerçek değere daha da yaklaşır.
2.3 Örnek bir uygulama2.3 Örnek bir uygulama
Tüm yöntem, birkaç satırlık bir koddan ibaret. Aşağıdaki döngü, \( f(x) = x^2 + 10x - 3 \) için bu yöntemi uygulayarak her adımda mevcut tahmini ve hatayı yazdırır:Tüm yöntem, birkaç satırlık bir koddan ibaret. Aşağıdaki döngü, \( f(x) = x^2 + 10x - 3 \) için bu yöntemi uygulayarak her adımda mevcut tahmini ve hatayı yazdırır:
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
Elde edilen sonuç bilgilendiricidir. Tahmin \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \) değeri etrafında değişir ve hata \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \) kadar azalır. Her adımda doğru ondalık basamak sayısının kabaca iki katına çıktığına dikkat edin. Buna "süper doğrusal yakınsama" denir ve Newton yöntemini bir denklemin kökünü bulmak için bu kadar etkili bir yöntem yapan şey budur.Elde edilen sonuç bilgilendiricidir. Tahmin \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \) değeri etrafında değişir ve hata \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \) kadar azalır. Her adımda doğru ondalık basamak sayısının kabaca iki katına çıktığına dikkat edin. Buna "süper doğrusal yakınsama" denir ve Newton yöntemini bir denklemin kökünü bulmak için bu kadar etkili bir yöntem yapan şey budur.
2.4 Aynı kavramın matris biçiminde ifadesi2.4 Aynı kavramın matris biçiminde ifadesi
Bu cihaz, tek bir denklemden ziyade, potansiyel, elektron ve boşluk Fermi seviyeleri ve her bir ağ noktasındaki tuzak dolulukları gibi birçok parametrenin birbiriyle ilişkili olduğu geniş bir kümeden oluşur. Matris formunda ifade edildiğinde, Newton yöntemi şu hale gelir:Bu cihaz, tek bir denklemden ziyade, potansiyel, elektron ve boşluk Fermi seviyeleri ve her bir ağ noktasındaki tuzak dolulukları gibi birçok parametrenin birbiriyle ilişkili olduğu geniş bir kümeden oluşur. Matris formunda ifade edildiğinde, Newton yöntemi şu hale gelir:
\[ [J]\,[\Delta x] = -[f(x)] \]\( [J] \), tüm cihaz denklemlerinin (Poisson, difüzyon-yayılım, SRH) tüm bilinmeyenlere göre türevlerinden oluşan Jacobian matrisidir. \( [f(x)] \), mevcut tahmin için bu denklemlerdeki hatayı temsil eder ve \( [\Delta x] \), sonuç olarak elde edilen güncellemeyi, yani tüm cihaz boyunca alan, Fermi seviyeleri ve tuzak popülasyonlarındaki iyileştirmeyi ifade eder. Bu güncelleme, mevcut çözüme eklenir.\( [J] \), tüm cihaz denklemlerinin (Poisson, difüzyon-yayılım, SRH) tüm bilinmeyenlere göre türevlerinden oluşan Jacobian matrisidir. \( [f(x)] \), mevcut tahmin için bu denklemlerdeki hatayı temsil eder ve \( [\Delta x] \), sonuç olarak elde edilen güncellemeyi, yani tüm cihaz boyunca alan, Fermi seviyeleri ve tuzak popülasyonlarındaki iyileştirmeyi ifade eder. Bu güncelleme, mevcut çözüme eklenir.
\[ [x] = [x] + [\Delta x], \]ve bu işlem, belirli bir sonuca ulaşılana kadar tekrarlanır. \( f(x) \approx 0 \)Bu noktada cihazın denklemleri çözülür. İki önemli husus, sonraki ayarlama sürecine doğrudan etki eder: \( f(x) \) sıfıra yaklaştırmaya çalıştığımız nicelik budur; bu nedenle, yakınsama için doğal bir ölçüttür; ve başlangıçtaki tahmini iyileştirmekÇözücü, doğru cevaba ne kadar yakın bir noktadan başlarsa ve çözüme ulaşmak için o kadar az sayıda adım atması gerekir. ve bu işlem, belirli bir sonuca ulaşılana kadar tekrarlanır. \( f(x) \approx 0 \)Bu noktada cihazın denklemleri çözülür. İki önemli husus, sonraki ayarlama sürecine doğrudan etki eder: \( f(x) \) sıfıra yaklaştırmaya çalıştığımız nicelik budur; bu nedenle, yakınsama için doğal bir ölçüttür; ve başlangıçtaki tahmini iyileştirmekÇözücü, doğru cevaba ne kadar yakın bir noktadan başlarsa ve çözüme ulaşmak için o kadar az sayıda adım atması gerekir.
3. Uygulamada bir simülasyonun hızını artırma3. Uygulamada bir simülasyonun hızını artırma
Temel unsurlar oluşturulduktan sonra, pratik uygulamalar anlam kazanıyor. Burada kullanılan örnek, tüm tuzakların dahil edildiği iki boyutlu alan etkili bir transistordür (2B cihaz), ancak aynı prensipler herhangi bir simülasyona uygulanabilir.Temel unsurlar oluşturulduktan sonra, pratik uygulamalar anlam kazanıyor. Burada kullanılan örnek, tüm tuzakların dahil edildiği iki boyutlu alan etkili bir transistordür (2B cihaz), ancak aynı prensipler herhangi bir simülasyona uygulanabilir.
3.1 Diske veri yazmayı durdurun.3.1 Diske veri yazmayı durdurun.
Yapılabilecek en basit değişiklik, diske yazılan veri miktarını azaltmaktır. Dosya yazma işlemi yavaştır ve çok sayıda çıktı üreten bir simülasyon için, çalışma süresinin büyük bir bölümünü oluşturabilir. OghmaNano, tek bir tıklamayla diske yazılan veri miktarını en aza indiren bir özellik sunar; ayrıca, bireysel çıktı dosyası seçenekleri (örneğin, dinamik zaman alanındaki verilerin kaydedilmesi) çıktı ayarlarında ayrı ayrı etkinleştirilebilir veya devre dışı bırakılabilir, böylece yalnızca ihtiyacınız olan dosyaları saklayabilirsiniz. Mümkün olan en hızlı çalışma için, diske mümkün olduğunca az veri yazın.Yapılabilecek en basit değişiklik, diske yazılan veri miktarını azaltmaktır. Dosya yazma işlemi yavaştır ve çok sayıda çıktı üreten bir simülasyon için, çalışma süresinin büyük bir bölümünü oluşturabilir. OghmaNano, tek bir tıklamayla diske yazılan veri miktarını en aza indiren bir özellik sunar; ayrıca, bireysel çıktı dosyası seçenekleri (örneğin, dinamik zaman alanındaki verilerin kaydedilmesi) çıktı ayarlarında ayrı ayrı etkinleştirilebilir veya devre dışı bırakılabilir, böylece yalnızca ihtiyacınız olan dosyaları saklayabilirsiniz. Mümkün olan en hızlı çalışma için, diske mümkün olduğunca az veri yazın.
Öncelikle bunu deneyin. Aşağıdaki sayısal ayarlara dokunmadan önce, ihtiyacınız olmayan çıktıları devre dışı bırakın ve işlemi yeniden çalıştırın. Özellikle yoğun disk kullanımına sahip simülasyonlarda, bu tek başına en büyük hız artışını sağlayabilir ve fizik veya sonuçların doğruluğu üzerinde hiçbir değişiklik yapmaz.Öncelikle bunu deneyin. Aşağıdaki sayısal ayarlara dokunmadan önce, ihtiyacınız olmayan çıktıları devre dışı bırakın ve işlemi yeniden çalıştırın. Özellikle yoğun disk kullanımına sahip simülasyonlarda, bu tek başına en büyük hız artışını sağlayabilir ve fizik veya sonuçların doğruluğu üzerinde hiçbir değişiklik yapmaz.
3.2 Çözücünün çözüme yaklaşmasını izleme3.2 Çözücünün çözüme yaklaşmasını izleme
Çözücüyü optimize etmek için öncelikle çalışır durumda olduğunu görmeniz gerekir. OghmaNano, her yinelemedeki Newton (anlık) hatasını yazdırabilir ve tek bir voltaj adımı için tek bir satır yazdırmak yerine, yakınsama geçmişini bir dosyaya kaydedebilir. Newton hatası çıktısını ve yakınsama günlüğünü etkinleştirin, ardından yeniden çalıştırın.Çözücüyü optimize etmek için öncelikle çalışır durumda olduğunu görmeniz gerekir. OghmaNano, her yinelemedeki Newton (anlık) hatasını yazdırabilir ve tek bir voltaj adımı için tek bir satır yazdırmak yerine, yakınsama geçmişini bir dosyaya kaydedebilir. Newton hatası çıktısını ve yakınsama günlüğünü etkinleştirin, ardından yeniden çalıştırın.
İlk simülasyon adımı özeldir. Model başladığında, cihazın durumu hakkında iyi bir tahmini yoktur; potansiyeli veya Fermi seviyelerini henüz bilmez; bu nedenle çözümden oldukça uzak bir noktadan başlar. ??'de hata çok büyük bir değerle (yaklaşık \( 10^{15} \)) başlar ve birçok yinelemede \( 10^{-7} \) ile \( 10^{-9} \) arasındaki gürültülü bir seviyeye inene kadar azalır; bu noktada denklemler temelde çözülmüş olur. Bu ilk çözüm, doğru cevaptan çok uzak olduğu için, bilinçli olarak iki şey yapılır: Newton adımı büyük ölçüde sınırlandırılır (aşağıya bakınız), böylece çözümleyici, olası bir çökmenin yaşanabileceği bir noktaya atlamak yerine yavaş ve güvenli bir şekilde çözüme yaklaşır ve çözümleyiciye, doğru çözüme ulaşması için genellikle bin civarında olmak üzere, çok sayıda yineleme yapma fırsatı verilir.İlk simülasyon adımı özeldir. Model başladığında, cihazın durumu hakkında iyi bir tahmini yoktur; potansiyeli veya Fermi seviyelerini henüz bilmez; bu nedenle çözümden oldukça uzak bir noktadan başlar. ??'de hata çok büyük bir değerle (yaklaşık \( 10^{15} \)) başlar ve birçok yinelemede \( 10^{-7} \) ile \( 10^{-9} \) arasındaki gürültülü bir seviyeye inene kadar azalır; bu noktada denklemler temelde çözülmüş olur. Bu ilk çözüm, doğru cevaptan çok uzak olduğu için, bilinçli olarak iki şey yapılır: Newton adımı büyük ölçüde sınırlandırılır (aşağıya bakınız), böylece çözümleyici, olası bir çökmenin yaşanabileceği bir noktaya atlamak yerine yavaş ve güvenli bir şekilde çözüme yaklaşır ve çözümleyiciye, doğru çözüme ulaşması için genellikle bin civarında olmak üzere, çok sayıda yineleme yapma fırsatı verilir.
Denge çözümünden sonra, model istenen voltaj değerleri üzerinden adım adım ilerler. Her bir voltaj adımı, cihazı önceki çözüme göre hafifçe farklı bir konuma getirir, böylece hata değeri yükselir ve ardından çok hızlı bir şekilde düşürülür; bu durum, grafiğin sağ tarafındaki ani yükselişler dizisi olarak görülür. Her adım, önceki çözümün yakınında başladığı için, bu çözümler hızla birleşir.Denge çözümünden sonra, model istenen voltaj değerleri üzerinden adım adım ilerler. Her bir voltaj adımı, cihazı önceki çözüme göre hafifçe farklı bir konuma getirir, böylece hata değeri yükselir ve ardından çok hızlı bir şekilde düşürülür; bu durum, grafiğin sağ tarafındaki ani yükselişler dizisi olarak görülür. Her adım, önceki çözümün yakınında başladığı için, bu çözümler hızla birleşir.
3.3 Çözücü ayarlarının optimizasyonu3.3 Çözücü ayarlarının optimizasyonu
Yakınsama grafiği, Bölüm 2'deki \( f(x) \) hata fonksiyonu ile aynıdır ve ayar işleminin amacı, grafiği kısaltmak, yani daha az sayıda yinelemede yakınsamayı sağlamaktır. Çözücü yapılandırmasındaki ana kontrol öğeleri şunlardır:Yakınsama grafiği, Bölüm 2'deki \( f(x) \) hata fonksiyonu ile aynıdır ve ayar işleminin amacı, grafiği kısaltmak, yani daha az sayıda yinelemede yakınsamayı sağlamaktır. Çözücü yapılandırmasındaki ana kontrol öğeleri şunlardır:
- İlk adımda maksimum yineleme sayısı. Örneğin, ilk çözümden sonra 400 yineleme yapıldığında ve çözümün artık gürültü seviyesine ulaştığı açıkça görülüyorsa, tüm bin yinelemeyi çalıştırmanın bir anlamı yoktur. Bu sınırı azaltmak (örneğin, 1000'den 600'e düşürmek), çözümün zaten yakınsadığı düz olan kuyruk kısmını kısaltır. Kaldırılan her bir yineleme, gerçek anlamda zaman tasarrufu sağlar.İlk adımda maksimum yineleme sayısı. Örneğin, ilk çözümden sonra 400 yineleme yapıldığında ve çözümün artık gürültü seviyesine ulaştığı açıkça görülüyorsa, tüm bin yinelemeyi çalıştırmanın bir anlamı yoktur. Bu sınırı azaltmak (örneğin, 1000'den 600'e düşürmek), çözümün zaten yakınsadığı düz olan kuyruk kısmını kısaltır. Kaldırılan her bir yineleme, gerçek anlamda zaman tasarrufu sağlar.
- İlk adımda hedef hatayı belirleyin. Genellikle ilk çözüm, \( 10^{-9} \) gibi çok küçük bir hataya ulaşacak şekilde ayarlanır. Sonuç zaten \( 10^{-7} \) noktasında yeterince yakınsamışsa, hedefi gevşetin: \( 10^{-9} \)'ü hedeflemek yerine \( 10^{-7} \)'te durmak, en yavaş ve son aşamayı atlamanızı sağlar.İlk adımda hedef hatayı belirleyin. Genellikle ilk çözüm, \( 10^{-9} \) gibi çok küçük bir hataya ulaşacak şekilde ayarlanır. Sonuç zaten \( 10^{-7} \) noktasında yeterince yakınsamışsa, hedefi gevşetin: \( 10^{-9} \)'ü hedeflemek yerine \( 10^{-7} \)'te durmak, en yavaş ve son aşamayı atlamanızı sağlar.
- Sınırlandırma. Sınırlandırma, çözümleyicinin alabileceği tam Newton adımının \( [\Delta x] \) ne kadarını ifade eder. Tam bir adım, doğrudan Jacobian ile bölünerek hesaplanır; sınırlandırma ise bunun yalnızca bir kısmının kullanılmasını sağlar. Örneğin, Newton bir değişkenin 0,5 kadar hareket ettirilmesini talep ederse, sınırlandırma yalnızca 0,1'lik bir harekete izin verebilir. Küçük sınırlandırmalar daha yavaş yakınsar, ancak çözümleyicinin çökmesine neden olabilecek bir noktaya gitme olasılığı çok daha düşüktür; daha büyük sınırlandırmalar daha hızlı yakınsar, ancak daha risklidir. İlk adımda genellikle küçük ve muhafazakâr bir sınırlandırma kullanılır (yaklaşık 0,1); bu değerin artırılması (iyi davranış gösteren yapılarda 0,2, 0,3 ve daha yüksek değerler), ilk inişi belirgin şekilde hızlandırır. Kalan adımlar için de sınırlandırma, varsayılan değerinden artırılabilir; ancak sınırlandırmanın çok fazla artırılması, yakınsamayı engelleyebilir.Sınırlandırma. Sınırlandırma, çözümleyicinin alabileceği tam Newton adımının \( [\Delta x] \) ne kadarını ifade eder. Tam bir adım, doğrudan Jacobian ile bölünerek hesaplanır; sınırlandırma ise bunun yalnızca bir kısmının kullanılmasını sağlar. Örneğin, Newton bir değişkenin 0,5 kadar hareket ettirilmesini talep ederse, sınırlandırma yalnızca 0,1'lik bir harekete izin verebilir. Küçük sınırlandırmalar daha yavaş yakınsar, ancak çözümleyicinin çökmesine neden olabilecek bir noktaya gitme olasılığı çok daha düşüktür; daha büyük sınırlandırmalar daha hızlı yakınsar, ancak daha risklidir. İlk adımda genellikle küçük ve muhafazakâr bir sınırlandırma kullanılır (yaklaşık 0,1); bu değerin artırılması (iyi davranış gösteren yapılarda 0,2, 0,3 ve daha yüksek değerler), ilk inişi belirgin şekilde hızlandırır. Kalan adımlar için de sınırlandırma, varsayılan değerinden artırılabilir; ancak sınırlandırmanın çok fazla artırılması, yakınsamayı engelleyebilir.
- Newton yinelemesinin minimum sayısı. Bu, çözümleyicinin, çıkış yapmasına izin verilmeden önce en az belirli sayıda yineleme yapmasını zorlar; bu da çözümleyicinin, aksi takdirde durabileceği herhangi bir yanlış minimumdan kurtulmasına yardımcı olur. Küçük bir değer (birkaç yineleme) faydalı bir önlemdir; çok yüksek bir değer belirlemek ise çözüm zaten bulunduktan sonra gürültü seviyesinde gereksiz yere zaman kaybına neden olur.Newton yinelemesinin minimum sayısı. Bu, çözümleyicinin, çıkış yapmasına izin verilmeden önce en az belirli sayıda yineleme yapmasını zorlar; bu da çözümleyicinin, aksi takdirde durabileceği herhangi bir yanlış minimumdan kurtulmasına yardımcı olur. Küçük bir değer (birkaç yineleme) faydalı bir önlemdir; çok yüksek bir değer belirlemek ise çözüm zaten bulunduktan sonra gürültü seviyesinde gereksiz yere zaman kaybına neden olur.
- Minimum çözüm hatası ve maksimum iterasyon sayısı (diğer tüm adımlar). Bunlar, her bir voltaj için yapılan çözümlerin hedef doğruluğunu ve iterasyon sınırını belirler. İlk adımda kullanılanlarla aynı şekilde çalışırlar ve yapınızın ne kadar hızlı bir şekilde çözüme ulaştığını anladıktan sonra bu değerler daha da hassaslaştırılabilir.Minimum çözüm hatası ve maksimum iterasyon sayısı (diğer tüm adımlar). Bunlar, her bir voltaj için yapılan çözümlerin hedef doğruluğunu ve iterasyon sınırını belirler. İlk adımda kullanılanlarla aynı şekilde çalışırlar ve yapınızın ne kadar hızlı bir şekilde çözüme ulaştığını anladıktan sonra bu değerler daha da hassaslaştırılabilir.
İş akışı. Her değişiklikten sonra yakınsama dosyasını yeniden çizdirin ve grafiğin nasıl küçüldüğünü gözlemleyin: ilk çözümün düz olan son kısmını kısaltın, ilk adımın hedef hatasını azaltın, ardından eğimleri dikleştirmek için kısıtlamaları artırın. Örnek cihazda bu değişikliklerin tümü, yaklaşık on beş saniyede tamamlanan işlemi yaklaşık sekiz saniyeye indirdi; ancak sonuç değişmedi. Modelle birlikte gelen girdi dosyaları muhafazakâr değerler kullanır, bu nedenle genellikle kendi yapınızda bu değerleri daha da artırmak için bir miktar boşluk bulunur.İş akışı. Her değişiklikten sonra yakınsama dosyasını yeniden çizdirin ve grafiğin nasıl küçüldüğünü gözlemleyin: ilk çözümün düz olan son kısmını kısaltın, ilk adımın hedef hatasını azaltın, ardından eğimleri dikleştirmek için kısıtlamaları artırın. Örnek cihazda bu değişikliklerin tümü, yaklaşık on beş saniyede tamamlanan işlemi yaklaşık sekiz saniyeye indirdi; ancak sonuç değişmedi. Modelle birlikte gelen girdi dosyaları muhafazakâr değerler kullanır, bu nedenle genellikle kendi yapınızda bu değerleri daha da artırmak için bir miktar boşluk bulunur.
Kazanılan zamanı doğruluk için kullanın. Çözücü ayarlandıktan sonra, elde ettiğiniz ek zamanı daha zor bir probleme yatırabilirsiniz; örneğin, ağ noktalarının sayısını artırabilirsiniz. İyi ayarlanmış bir Newton yapılandırması, daha büyük, daha ince veya daha güçlü bir şekilde birbirine bağlı cihazların makul bir sürede çözülmesini mümkün kılar.Kazanılan zamanı doğruluk için kullanın. Çözücü ayarlandıktan sonra, elde ettiğiniz ek zamanı daha zor bir probleme yatırabilirsiniz; örneğin, ağ noktalarının sayısını artırabilirsiniz. İyi ayarlanmış bir Newton yapılandırması, daha büyük, daha ince veya daha güçlü bir şekilde birbirine bağlı cihazların makul bir sürede çözülmesini mümkün kılar.
Sıkça karşılaşılan hatalarSıkça karşılaşılan hatalar
- Kelepçe değerini çok hızlı bir şekilde artırmak, çözümleme işlemini hızlandırır ancak çökmeye veya yakınsamada başarısızlığa yol açma olasılığını artırır. Değeri kademeli olarak artırın ve simülasyonun hala tamamlandığını doğrulayın.Kelepçe değerini çok hızlı bir şekilde artırmak, çözümleme işlemini hızlandırır ancak çökmeye veya yakınsamada başarısızlığa yol açma olasılığını artırır. Değeri kademeli olarak artırın ve simülasyonun hala tamamlandığını doğrulayın.
- Minimum iterasyon sayısını çok yüksek bir değere ayarlamak, çözümleyicinin zaten çözüme ulaştıktan sonra bile çalışmaya devam etmesine neden olur ve tam olarak tasarruf etmeye çalıştığınız zamanı boşa harcar.Minimum iterasyon sayısını çok yüksek bir değere ayarlamak, çözümleyicinin zaten çözüme ulaştıktan sonra bile çalışmaya devam etmesine neden olur ve tam olarak tasarruf etmeye çalıştığınız zamanı boşa harcar.
- Hedeflenen hata toleransını aşırı derecede gevşetmek, çözümün tam olarak yakınsamamasını sağlayabilir. Bu nedenle, yakınsama grafiğinin sayısal gürültüye dönerek belirgin şekilde düzleştiği düzeye kadar gevşetin.Hedeflenen hata toleransını aşırı derecede gevşetmek, çözümün tam olarak yakınsamamasını sağlayabilir. Bu nedenle, yakınsama grafiğinin sayısal gürültüye dönerek belirgin şekilde düzleştiği düzeye kadar gevşetin.
- En iyi yapı başına ayar değerleri değişiklik gösterir. Bir cihaz için işe yarayan değerler, başka bir cihaz için çok yüksek olabilir, bu nedenle yapıyı değiştirdiğinizde yakınsama grafiğini tekrar kontrol edin.En iyi yapı başına ayar değerleri değişiklik gösterir. Bir cihaz için işe yarayan değerler, başka bir cihaz için çok yüksek olabilir, bu nedenle yapıyı değiştirdiğinizde yakınsama grafiğini tekrar kontrol edin.
Özet ve sonraki adımlarÖzet ve sonraki adımlar
- OghmaNano, bir ağ üzerinde drift-difüzyon, Poisson ve tam SRH yakalama/kaçış denklemlerini çözerek, hem enerji hem de konum uzayında taşıyıcıların davranışını analiz eder.OghmaNano, bir ağ üzerinde drift-difüzyon, Poisson ve tam SRH yakalama/kaçış denklemlerini çözerek, hem enerji hem de konum uzayında taşıyıcıların davranışını analiz eder.
- Bu eşlenik denklemler, bir hata fonksiyonunu minimize eden yinelemeli bir yöntem olan Newton yöntemi kullanılarak çözülür. \( f(x) \) süper doğrusal yakınsama ile sıfıra doğru; matris formunda \( [J][\Delta x] = -[f(x)] \).Bu eşlenik denklemler, bir hata fonksiyonunu minimize eden yinelemeli bir yöntem olan Newton yöntemi kullanılarak çözülür. \( f(x) \) süper doğrusal yakınsama ile sıfıra doğru; matris formunda \( [J][\Delta x] = -[f(x)] \).
- Yakınsama grafiği, uzun bir başlangıç denge çözümlemesi ve ardından her bir voltaj adımında hızlı bir çözümleme yapılmasını göstermektedir.Yakınsama grafiği, uzun bir başlangıç denge çözümlemesi ve ardından her bir voltaj adımında hızlı bir çözümleme yapılmasını göstermektedir.
- Daha hızlı çalışması için: diske daha az veri yazın; ilk adımda yapılan yineleme sayısını azaltın ve hedef hata payını gevşetin; sınırlama değerini dikkatlice artırın; ve yanlış minimum değerlerin oluşmasını engellemek için küçük bir minimum yineleme sayısı belirleyin.Daha hızlı çalışması için: diske daha az veri yazın; ilk adımda yapılan yineleme sayısını azaltın ve hedef hata payını gevşetin; sınırlama değerini dikkatlice artırın; ve yanlış minimum değerlerin oluşmasını engellemek için küçük bir minimum yineleme sayısı belirleyin.
- Ayarlama yaparak kazanılan zaman, daha ince bir ağ veya daha zorlu bir problem üzerinde çalışmak için kullanılabilir.Ayarlama yaparak kazanılan zaman, daha ince bir ağ veya daha zorlu bir problem üzerinde çalışmak için kullanılabilir.
Sonraki adım: Bu denklemlere girdi olarak sağlanan malzeme parametrelerinin nasıl tanımlandığını görmek için Malzeme veri tabanı'ne bakın.Sonraki adım: Bu denklemlere girdi olarak sağlanan malzeme parametrelerinin nasıl tanımlandığını görmek için Malzeme veri tabanı'ne bakın.