Прискорення процесів моделювання роботи пристроїв.
Якщо ви запускаєте велику кількість симуляцій, важливим стає час, за який кожна з них завершується. На цій сторінці пояснюється, як прискорити роботу електричного розв’язувача OghmaNano. Оскільки корисні налаштування мають сенс лише тоді, коли ви розумієте, що саме робить розв’язувач, перша частина сторінки присвячена основам моделі — рівнянням, які розв’язуються, і способам їх розв’язання, а друга частина показує, як налаштувати розв’язувач, щоб скоротити час обчислень. Фізичні принципи не змінюються жодним із цих налаштувань; вони впливають лише на те, як швидко досягається числовий розв’язок.
1. Основи моделі
Перш ніж розглядати способи прискорення моделювання, корисно знати, які обчислення виконує OghmaNano. Для врахування переносу заряду в пристрої OghmaNano розв’язує основні рівняння дрейфу-дифузії разом із рівнянням Пуассона (закон Гауса). Ці рівняння розв’язуються на скінченно-різницевій сітці по всьому пристрою, щоб можна було відстежувати рух заряду від одного контакту до іншого як на рівні провідності (LUMO), так і на рівні валентності (HOMO).
1.1 Транспорт заряду всередині пристрою
Рівняння Пуассона пов’язує електростатичний потенціал із вільним зарядом, тоді як два рівняння для струму описують фактори, що визначають рух електронів і дірок (дрейф і дифузія):
\[ \nabla \cdot \varepsilon_0 \varepsilon_r \nabla \phi = q\,(n - p) \] \[ J_n = q\,\mu_e\,n\,\nabla E_c + q\,D_n\,\nabla n \] \[ J_p = q\,\mu_h\,p\,\nabla E_v - q\,D_p\,\nabla p \]Отримані значення щільності струму підставляються в рівняння неперервності для електронів і дірок, які враховують баланс між потоком струму та процесами рекомбінації, захоплення носіїв заряду та швидкістю зміни концентрації вільних носіїв заряду:
\[ \nabla \cdot \mathbf{J}_n = q\left( R_n + T_n + \frac{\partial n_{\text{free}}}{\partial t} \right) \] \[ \nabla \cdot \mathbf{J}_p = -q\left( R_p + T_p + \frac{\partial p_{\text{free}}}{\partial t} \right) \]Тут \( \phi \) – електростатичний потенціал, \( n \) і \( p \) – концентрації вільних електронів і дірок, \( \mu_e \) і \( \mu_h \) – рухливості, \( D_n \) і \( D_p \) – коефіцієнти дифузії, \( E_c \) і \( E_v \) – межі зон, \( R \) – швидкість рекомбінації, а \( T \) – сумарна швидкість, з якою носії заряду захоплюються в пастки. Повний вивід і правила позначень наведено в роботі MacKenzie et al., J. Phys. Chem. C (doi:10.1021/jp200234m).
1.2 Уловлювання та рекомбінація зарядів
Захоплення та рекомбінація зарядів відіграють важливу роль в органічних пристроях і багатьох інших матеріальних системах, тому їх необхідно явно моделювати. Зазвичай рекомбінацію за Шоклі–Рідом–Голлом (SRH) зводять до єдиного виразу стаціонарного стану, який легко розв’язати. OghmaNano не робить цього: оскільки метою є розв’язання рівнянь у часовій області, повний набір рівнянь швидкості захоплення/вивільнення SRH розв’язується в кожній точці сітки скінченних різниць.
У кожній точці розв’язується задача, що відображається на ??. Параболи у верхній і нижній частинах – це зони вільних носіїв на межах рухливості електронів і дірок. Від межі електронної пастки \( E_e^d \) відходить експоненційний розподіл електронних пасток (червоним кольором); від межі діркової пастки \( E_h^d \) відходить експоненційний розподіл діркових пасток (синім кольором). Кожен із дискретних рівнів у цих розподілах є окремою пасткою, і для кожного з них розв’язується повна система рівнянь швидкості захоплення та вивільнення. Зміна кількості захоплених електронів на певному рівні визначається балансом чотирьох швидкостей:
\[ \frac{\partial n_t}{\partial t} = r_1 - r_2 - r_3 + r_4 \]де \( r_1 \) – захоплення електрона, \( r_2 \) – випромінювання електрона, \( r_3 \) – захоплення дірки, \( r_4 \) – випромінювання дірки, причому кожен процес відбувається відповідно до загальної схеми захоплення/випромінювання, що визначається щільністю пасток, щільністю носіїв заряду, перерізом захоплення та тепловою швидкістю (див. посилання вище). Детальна рівновага підтримується на всіх рівнях. Підсумовування чистого захоплення по розподілу пасток дає швидкість рекомбінації вільних носіїв заряду:
\[ R_n = \sum_{0}^{n_{\text{band}}} \left( r_1^{\,e} - r_2^{\,e} \right) \]Чому це важливо для швидкості обчислень. Розв’язуючи задачу розподілу пасток в енергетичному просторі в кожній точці простору положення, ми отримуємо повну карту щільності заряду як функцію енергії та положення. Саме це дозволяє OghmaNano виконувати обчислення перехідних процесів без використання звичайних наближень для стаціонарних станів, але водночас саме тому потрібно одночасно розв’язувати багато пов’язаних рівнянь, і, отже, вибір чисельного методу та його налаштування справді впливають на час обчислень.
2. Як розв’язуються рівняння: метод Ньютона.
Усі наведені вище рівняння розв’язуються методом Ньютона, який Ісаак Ньютон опублікував у 1671 році у праці «Метод флюксій». Це один із найефективніших і найнадійніших методів, доступних для розв’язання таких систем пов’язаних рівнянь: якщо рівняння неможливо розв’язати вручну, метод Ньютона майже завжди знайде розв’язок.
2.1 Корені та функція похибки
Почніть з чогось простого. При яких значеннях x наведене рівняння дорівнює нулю?
\[ 0 = (x - 3)(x - 40) \]Згідно з перевіркою, відповідь – \( x = 3 \) і \( x = 40 \). Це корені рівняння. Ту саму задачу можна представити у вигляді функції.
\[ f(x) = (x - 3)(x - 40), \]і якщо \( f(x) \) відобразити на графіку у залежності від \( x \), то корені будуть просто точками, де крива перетинає вісь, тобто де \( f(x) = 0 \). Важливо розглядати це рівняння як функцію похибки, яка прямує до нуля. У моделі пристрою \( x \) замінюється на фізичні невідомі величини — потенціал \( \phi \) та квазірівні Фермі для електронів і дірок \( E_{Fn} \) і \( E_{Fp} \) — і значення цих змінних коригуються до тих пір, поки \( f(x) = 0 \).
Корені можна легко визначити візуально лише для простих рівнянь. Замість цього розгляньте наступне:
\[ f(x) = \frac{(x^2 + 10x - 3)\,\cos^2(4x)}{\tan(x)}. \]Аналіз цих даних для визначення їхніх коренів вимагатиме значних зусиль, а рівняння, що описують роботу пристрою, ще складніші. Саме тут метод Ньютона демонструє свою ефективність.
2.2. Опис методу, крок за кроком.
Розглянемо конкретний приклад, \( f(x) = x^2 + 10x - 3 \). Метод Ньютона застосовується наступним чином:
- Продиференціюйте рівняння відносно змінної, для якої потрібно знайти розв’язок: \( f'(x) = 2x + 10 \).
- Спробуйте вгадати корінь. Будь-яке значення підійде — візьміть \( x = 10 \). Це не зовсім вдала спроба (\( f(10) = 197 \), зовсім не близько до нуля), але це не має значення.
- Обчисліть значення функції та її похідної у точках \( f(10) = 197 \) і \( f'(10) = 30 \).
- Обчисліть більш точне наближення, використовуючи метод Ньютона:
Підстановка значень дає точнішу оцінку \( x_{+1} = 10 - 197/30 = 3.433 \). Потім процедуру просто повторюють: підставляють покращену оцінку, знову обчислюють (\( f(3.433) = 43.115 \), \( f'(3.433) = 16.866 \)) і отримують ще точнішу оцінку \( 0.877 \) і так далі. З кожною ітерацією значення функції помилки наближається до нуля, а оцінка – до справжнього кореня.
2.3 Приклад із практичним застосуванням
Уся методика складається лише з кількох рядків коду. Наведений нижче цикл реалізує її для \( f(x) = x^2 + 10x - 3 \), виводячи поточну оцінку та похибку на кожній ітерації:
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
Результат є показовим. Оцінка наближається до \( 10 \rightarrow 3.433 \rightarrow 0.877 \rightarrow 0.321 \rightarrow 0.292 \rightarrow 0.291503 \), а похибка зменшується \( 197 \rightarrow 43 \rightarrow 6.5 \rightarrow 0.31 \rightarrow 0.00085 \rightarrow 0 \). Зверніть увагу, як кількість правильних знаків після коми приблизно подвоюється з кожною ітерацією. Це називається надлінійною збіжністю, і саме завдяки їй метод Ньютона є настільки ефективним способом знаходження кореня рівняння.
2.4 Та сама ідея, виражена у вигляді матриці.
Цей пристрій не описується однією формулою, а являє собою велику систему взаємопов’язаних рівнянь, що включає потенціал, рівні Фермі для електронів і дірок, а також кількість пасток у кожній точці сітки. У матричній формі метод Ньютона набуває такого вигляду:
\[ [J]\,[\Delta x] = -[f(x)] \]\( [J] \) — це якобіан, матриця похідних усіх рівнянь, що описують роботу пристрою (рівняння Пуассона, рівняння переносу-дифузії, рівняння SRH), відносно всіх невідомих величин. \( [f(x)] \) — це похибка в цих рівняннях для поточного наближення, а \( [\Delta x] \) — кінцевий результат оновлення, тобто покращення характеристик поля, рівнів Фермі та концентрації пасток у всьому пристрої. Оновлення додається до поточного розв’язку.
\[ [x] = [x] + [\Delta x], \]і процес повторюється до досягнення точки \( f(x) \approx 0 \), після чого розв’язуються рівняння пристрою. Дві важливі тези безпосередньо впливають на подальше налаштування: \( f(x) \) – це величина, до якої ми прагнемо, щоб вона наблизилася до нуля, тому це природний показник збіжності; і чим точніша початкова оцінка, тим ближче розв’язувач наближається до правильної відповіді та менше ітерацій йому потрібно.
3. Як прискорити моделювання на практиці.
Маючи вже закладену основу, практичне застосування цих принципів стає зрозумілим. У наведеному тут прикладі використовується двовимірний польовий транзистор (двовимірний пристрій, який враховує всі можливі пастки), але ті самі ідеї можна застосувати до будь-якого моделювання.
3.1 Вимкніть функцію запису на диск.
Найпростіша зміна, яку можна внести, – це зменшити обсяг даних, що записуються на диск. Запис файлів – процес повільний, і для моделювання, яке генерує велику кількість даних, він може значно впливати на загальний час виконання. OghmaNano пропонує функцію, яка одним клацанням миші мінімізує обсяг даних, що записуються на диск; окремі параметри вихідних файлів (наприклад, збереження динамічних даних у часовій області) також можна вмикати та вимикати окремо в налаштуваннях виводу, щоб ви могли зберігати лише ті файли, які вам дійсно потрібні. Для максимально швидкого виконання моделювання намагайтеся записувати на диск якомога менше даних.
Спочатку спробуйте це. Перш ніж змінювати будь-які з наведених нижче числових параметрів, вимкніть непотрібний вивід і запустіть симуляцію повторно. У випадку симуляцій, які потребують великого обсягу дискового простору, лише це може забезпечити найбільше збільшення швидкості, і це не вплине на фізику або точність результату.
3.2 Спостереження за процесом збіжності алгоритму розв’язання.
Щоб налаштувати алгоритм розв’язання, спочатку потрібно перевірити, як він працює. OghmaNano може виводити поточну похибку Ньютона для кожної ітерації та записувати історію збіжності у файл, замість того, щоб виводити лише один рядок для кожного кроку зміни напруги. Увімкніть виведення похибки Ньютона та журнал збіжності, а потім запустіть програму повторно.
Перший етап моделювання є особливим. Коли модель запускається, вона не має жодних обґрунтованих припущень щодо стану пристрою — вона ще не знає потенціал або рівні Фермі, тому починає процес, перебуваючи далеко від розв’язку. У ?? похибка спочатку дуже велика (близько \( 10^{15} \)), і вона поступово зменшується протягом багатьох ітерацій, поки не досягне певного рівня похибки поблизу \( 10^{-7} \) до \( 10^{-9} \), після чого рівняння фактично розв’язано. Оскільки цей перший етап розв’язання відбувається дуже далеко від правильної відповіді, свідомо виконуються дві дії: крок Ньютона значно обмежується (див. нижче), щоб розв’язувач сходився повільно та безпечно, а не стрибав у якесь місце, що може призвести до збою, і йому дозволяється виконати велику кількість ітерацій — зазвичай близько тисячі — щоб надати йому належну можливість досягти стабільного стану.
Після обчислення рівноважного стану модель послідовно обробляє задані значення напруги. Кожен крок зміни напруги дещо відхиляє пристрій від попереднього рішення, тому похибка різко збільшується, а потім дуже швидко зменшується — це відображено у вигляді серії піків на правій стороні графіка. Оскільки кожен крок починається близько до попереднього результату, ці обчислення швидко сходяться до рішення.
3.3 Налаштування алгоритму розв’язання
Графік збіжності точно відповідає функції похибки \( f(x) \) з Розділ 2, і мета налаштування полягає в тому, щоб скоротити її — досягти збіжності за меншу кількість ітерацій. Основні параметри, які можна налаштувати в конфігурації розв’язувача, такі:
- Максимальна кількість ітерацій на першому кроці. Якщо після перших, скажімо, 400 ітерацій досягнуто чіткої межі, за якою подальші обчислення не дають результату, немає сенсу виконувати повний цикл у тисячу ітерацій. Зменшення цієї межі (наприклад, з 1000 до 600) просто обрізає «плоский хвіст», де розв’язувач вже досяг збіжності. Кожна видалена ітерація – це реальний час обчислень, який заощаджується.
- На першому кроці встановлюємо цільову похибку. Зазвичай, на першому етапі розв’язання задають дуже малу похибку, наприклад, \( 10^{-9} \). Якщо результат вже достатньо наближається до оптимального значення на етапі \( 10^{-7} \), зменшуємо цільову похибку: зупинка на \( 10^{-7} \) замість прагнення до \( 10^{-9} \) дозволяє завершити останню, найповільнішу частину процесу оптимізації.
- Обмеження. Обмеження визначає, яку частину повного кроку Ньютона \( [\Delta x] \) дозволено зробити розв’язувачу. Повний крок передбачає пряме ділення на якобіан; обмеження навмисно передбачає використання лише частини цього значення — якщо метод Ньютона передбачає зміну змінної на 0,5, обмеження може дозволити лише 0,1. Невеликі обмеження призводять до повільнішої збіжності, але значно менше ймовірності того, що розв’язувач «заведе» в область, де виникнуть помилки; більші обмеження призводять до швидшої, але більш ризикованої збіжності. Зазвичай на першому кроці використовується невелике, консервативне обмеження (близько 0,1); збільшення цього значення (0,2, 0,3 і більше для добре структурованих задач) помітно прискорює початковий етап. Обмеження для наступних кроків також можна збільшити від початкового значення, хоча надмірне збільшення може призвести до відсутності збіжності.
- Мінімальна кількість ітерацій за методом Ньютона. Це змушує алгоритм розв’язання виконувати принаймні задану кількість ітерацій, перш ніж йому буде дозволено завершити роботу, що допомагає йому вийти з будь-якої хибної локальної мінімальної точки, в якій він міг би зупинитися. Невелике значення (кілька ітерацій) є корисним заходом безпеки; встановлення занадто великого значення просто марнує час на безрезультатні спроби після того, як рішення вже знайдено.
- Мінімальна похибка розв’язувача та максимальна кількість ітерацій (для всіх інших етапів). Ці параметри визначають цільову точність і максимальну кількість ітерацій для розв’язування задачі для кожної напруги. Вони функціонують так само, як і на першому етапі, і їх можна скоригувати, коли ви дізнаєтеся, як швидко ваша структура досягає збіжності.
Процес роботи. Після кожної зміни повторно будуйте графік збіжності та спостерігайте, як він зменшується: обріжте плаский хвіст першого розв’язку, послабте цільову похибку першого кроку, а потім збільште обмеження, щоб зробити спади крутішими. На тестовому пристрої ці зміни разом скоротили час обчислення приблизно з п’ятнадцяти секунд до восьми — без зміни результату. Вхідні файли, що постачаються разом із моделлю, використовують консервативні значення, тому зазвичай є можливість налаштувати їх для ваших власних структур.
Використовуйте заощаджений час для підвищення точності. Після налаштування алгоритму розв’язання, час, який ви вивільнили, можна використати для розв’язання складнішої задачі, наприклад, збільшивши кількість вузлів сітки. Добре налаштована конфігурація Ньютона дозволяє ефективно розв’язувати більші, детальніші або складніші задачі за прийнятний час.
Найпоширеніші помилки
- Занадто різке збільшення значення параметра «clamp» прискорює роботу алгоритму, але підвищує ймовірність збою або відсутності збіжності. Збільшуйте його поступово та перевіряйте, чи завершується моделювання.
- Встановлення занадто великої мінімальної кількості ітерацій змушує алгоритм продовжувати обчислення навіть після досягнення збіжності, що призводить до марної витрати часу, який ви намагаєтеся заощадити.
- Занадто велике послаблення допустимої похибки може призвести до того, що розв’язок виявиться недостатньо збіжним. Послаблюйте його лише до того рівня, на якому графік збіжності чітко вирівнюється і перетворюється на числовий шум.
- Оптимальні налаштування для кожної структури можуть відрізнятися. Значення, які підходять для одного пристрою, можуть бути надмірними для іншого, тому перевіряйте графік збіжності після зміни структури.
Підсумок і наступні кроки
- OghmaNano розв’язує рівняння переносу-дифузії, рівняння Пуассона та повні рівняння захоплення/вивільнення носіїв заряду в рамках моделі, що враховує їх розподіл як в енергетичному, так і в просторовому вимірах.
- Ці пов’язані рівняння розв’язуються методом Ньютона, який є ітеративною схемою, що зводить до нуля функцію похибки \( f(x) \) за допомогою надлінійної збіжності; у матричній формі \( [J][\Delta x] = -[f(x)] \).
- Графік збіжності показує тривалий початковий етап досягнення рівноваги, після якого на кожному кроці зміни напруги відбувається швидке обчислення.
- Щоб пришвидшити обчислення: зменште кількість записів на диск; скоротіть ліміт першої ітерації та послабте вимоги до цільової похибки; обережно збільште значення обмеження; і встановіть невелику мінімальну кількість ітерацій, щоб уникнути хибних мінімумів.
- Час, заощаджений завдяки оптимізації, можна використати для вдосконалення структури або розв’язання складнішої задачі.
Далі: перегляньте Базу даних матеріалів, щоб дізнатися, як визначаються параметри матеріалів, які використовуються в цих рівняннях.