Modélisation du comportement des MOSFET à l’aide de la différenciation automatique

Comportement du modèle

Le modèle de caractéristique électrique est composé de plusieurs équations non linéaires. Pour appliquer AD, celui-ci est représenté par un graphe orienté acyclique. Chaque sommet représente une opération arithmétique telle que quatre opérations arithmétiques, des logarithmes et des exposants, et chaque nœud représente des variables intermédiaires. L’optimisation des paramètres du modèle pour minimiser la différence entre le résultat calculé du modèle caractéristique et la valeur mesurée est similaire au processus d’apprentissage des valeurs des paramètres tels que les poids et les biais dans un réseau neuronal. Nous pouvons appliquer diverses méthodes efficaces développées pour les réseaux de neurones profonds pour modéliser l’extraction de paramètres. Crédit : Michihiro Shintani

Des scientifiques de l’Institut des sciences et technologies de Nara (NAIST) ont utilisé la méthode mathématique appelée différenciation automatique pour trouver l’ajustement optimal des données expérimentales jusqu’à quatre fois plus rapidement. Cette recherche peut être appliquée à des modèles multivariables d’appareils électroniques, ce qui peut leur permettre d’être conçus avec des performances accrues tout en consommant moins d’énergie.

Les dispositifs à large bande interdite, tels que les transistors à effet de champ à semi-conducteur à oxyde métallique (MOSFET) en carbure de silicium (SiC), sont un élément essentiel pour rendre les convertisseurs plus rapides et plus durables. Cela est dû à leurs fréquences de commutation plus élevées avec des pertes d’énergie plus faibles dans une large plage de températures par rapport aux dispositifs conventionnels à base de silicium. Cependant, le calcul des paramètres qui déterminent la réponse du courant électrique dans un MOSFET en fonction de la tension appliquée reste difficile dans une simulation de circuit. Une meilleure approche pour ajuster les données expérimentales afin d’extraire les paramètres importants permettrait aux fabricants de puces de concevoir des convertisseurs de puissance plus efficaces.

Aujourd’hui, une équipe de scientifiques dirigée par NAIST a utilisé avec succès la méthode mathématique appelée différenciation automatique (AD) pour accélérer considérablement ces calculs. Alors que l’AD a été largement utilisé lors de la formation de réseaux de neurones artificiels, le projet actuel étend son application au domaine de l’extraction de paramètres de modèle. Pour les problèmes impliquant de nombreuses variables, la tâche de minimiser l’erreur est souvent accomplie par un processus de « descente de gradient », dans lequel une estimation initiale est affinée à plusieurs reprises en effectuant de petits ajustements dans la direction qui réduit l’erreur le plus rapidement. C’est là que AD peut être beaucoup plus rapide que les alternatives précédentes, telles que la différenciation symbolique ou numérique, pour trouver la direction avec la « pente » la plus raide. AD décompose le problème en combinaisons d’opérations arithmétiques de base, dont chacune n’a besoin d’être effectuée qu’une seule fois. « Avec AD, les dérivées partielles par rapport à chacun des paramètres d’entrée sont obtenues simultanément, il n’est donc pas nécessaire de répéter l’évaluation du modèle pour chaque paramètre », explique le premier auteur Michihiro Shintani. En revanche, la différenciation symbolique fournit des solutions exactes, mais utilise une grande quantité de temps et de ressources de calcul à mesure que le problème devient plus complexe.

Pour montrer l’efficacité de cette méthode, l’équipe l’a appliquée à des données expérimentales collectées à partir d’un MOSFET SiC disponible dans le commerce. « Notre approche a réduit le temps de calcul de 3,5 fois par rapport à la méthode de différenciation numérique conventionnelle, ce qui est proche de l’amélioration maximale théoriquement possible », explique Shintani. Cette méthode peut être facilement appliquée dans de nombreux autres domaines de recherche impliquant plusieurs variables, car elle préserve les significations physiques des paramètres du modèle. L’application de l’AD pour l’extraction améliorée des paramètres du modèle soutiendra de nouvelles avancées dans le développement de MOSFET et des rendements de fabrication améliorés.

La recherche a été publiée dans Transactions IEEE sur l’électronique de puissance.


Trio d’outils de réglage pour la modélisation de grands ensembles de données spatiales


Plus d’information:
Michihiro Shintani et al, Accelerating Parameter Extraction of Power MOSFET Models Using Automatic Differentiation, Transactions IEEE sur l’électronique de puissance (2021). DOI : 10.1109 / TPEL.2021.3118057

Fourni par l’Institut des sciences et technologies de Nara

Citation: Modélisation du comportement des MOSFET à l’aide de la différenciation automatique (2021, 12 octobre) récupéré le 12 octobre 2021 sur https://techxplore.com/news/2021-10-mosfet-behavior-automatic-differentiation.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.