Modellazione del comportamento del MOSFET utilizzando la differenziazione automatica
Gli scienziati del Nara Institute of Science and Technology (NAIST) hanno utilizzato il metodo matematico chiamato differenziazione automatica per trovare l’adattamento ottimale dei dati sperimentali fino a quattro volte più velocemente. Questa ricerca può essere applicata a modelli multivariabili di dispositivi elettronici, che possono consentire loro di essere progettati con maggiori prestazioni consumando meno energia.
I dispositivi ad ampia banda proibita, come i transistor a effetto di campo (MOSFET) a semiconduttore a ossido di metallo e carburo di silicio, sono un elemento fondamentale per rendere i convertitori più veloci e più sostenibili. Ciò è dovuto alle loro maggiori frequenze di commutazione con minori perdite di energia in un’ampia gamma di temperature rispetto ai dispositivi convenzionali a base di silicio. Tuttavia, il calcolo dei parametri che determinano la risposta della corrente elettrica in un MOSFET in funzione della tensione applicata rimane difficile in una simulazione di circuito. Un approccio migliore per adattare i dati sperimentali per estrarre i parametri importanti fornirebbe ai produttori di chip la possibilità di progettare convertitori di potenza più efficienti.
Ora, un team di scienziati guidato da NAIST ha utilizzato con successo il metodo matematico chiamato differenziazione automatica (AD) per accelerare significativamente questi calcoli. Sebbene l’AD sia stato ampiamente utilizzato durante l’addestramento di reti neurali artificiali, l’attuale progetto estende la sua applicazione all’area dell’estrazione dei parametri del modello. Per problemi che coinvolgono molte variabili, il compito di ridurre al minimo l’errore è spesso svolto da un processo di “discesa del gradiente”, in cui un’ipotesi iniziale viene ripetutamente perfezionata apportando piccoli aggiustamenti nella direzione che riduce l’errore più rapidamente. È qui che AD può essere molto più veloce delle alternative precedenti, come la differenziazione simbolica o numerica, nel trovare la direzione con la “pendenza” più ripida. AD suddivide il problema in combinazioni di operazioni aritmetiche di base, ognuna delle quali deve essere eseguita una sola volta. “Con l’AD, le derivate parziali rispetto a ciascuno dei parametri di input vengono ottenute simultaneamente, quindi non è necessario ripetere la valutazione del modello per ciascun parametro”, afferma il primo autore Michihiro Shintani. Al contrario, la differenziazione simbolica fornisce soluzioni esatte, ma utilizza una grande quantità di tempo e risorse computazionali man mano che il problema diventa più complesso.
Per mostrare l’efficacia di questo metodo, il team lo ha applicato a dati sperimentali raccolti da un MOSFET SiC disponibile in commercio. “Il nostro approccio ha ridotto il tempo di calcolo di 3,5 rispetto al metodo convenzionale di differenziazione numerica, che è vicino al massimo miglioramento teoricamente possibile”, afferma Shintani. Questo metodo può essere facilmente applicato in molte altre aree di ricerca che coinvolgono più variabili, poiché preserva i significati fisici dei parametri del modello. L’applicazione di AD per l’estrazione avanzata dei parametri del modello supporterà nuovi progressi nello sviluppo di MOSFET e migliori rese di produzione.
La ricerca è stata pubblicata su Transazioni IEEE su elettronica di potenza.
