点击上方
蓝字
关注我们
来自奈良先端科学技术大学院大学（NAIST）的科学家们使用了一种称为自动微分的数学方法，找到实验数据的最佳拟合，而其速度则要快四倍。这项研究可以应用于电子器件的多变量模型，这可能会将它们设计得具有更好性能，同时消耗更少的电力。
宽带隙器件，如碳化硅（SiC）金属氧化物半导体场效应晶体管（MOSFET），是使转换器更快、更可持续转换的关键元件。这是因为与传统硅基器件相比，它们的开关频率更大，在宽温度范围下的能量损耗更小。然而，在电路模拟中，计算确定MOSFET中电流如何随施加电压变化的参数仍然很困难。一种更好的拟合实验数据以提取重要参数的方法将为芯片制造商提供能够设计更高效功率转换器的能力。
目前，由NAIST领导的一个科学家团队已经成功地使用了一种称为自动微分（AD）的数学方法来显著加速这些计算。虽然AD在训练人工神经网络时已被广泛使用，但目前的项目将其应用扩展到模型参数提取领域。对于涉及多个变量的问题，最小化误差的任务通常是通过“梯度下降”过程来完成的，在这个过程中，初始猜测通过在最快减少误差的方向上进行小的调整来反复细化。这就是AD可以比之前的替代方法（如符号或数字微分）更快找到具有最陡“斜率”方向的原因。
AD将问题分解为基本算术运算的组合，每个运算只需执行一次。“有了AD，每个输入参数的偏导数都是同时获得的，因此没有必要对每个参数重复进行模型求值，”第一作者Michihiro Shintani说。相比之下，符号微分提供精确的解决方案，但随着问题变得更加复杂，它会占用大量的时间和计算资源。
为了证明该方法的有效性，该团队将其应用于收集自商用SiC MOSFET的实验数据。Shintani表示：“与传统的数值微分法相比，我们的方法减少了3.5倍的计算时间，接近理论上可能的最大改进。”这种方法可以很容易地应用于涉及多个变量的许多其他研究领域，因为它保留了模型参数的物理意义。将AD应用于模型参数的增强提取将支持MOSFET开发的新进展和制造良率的提高。
扫描二维码获取
更多精彩
3DInCites中文
