in

La différenciation automatique permet une meilleure modélisation du comportement des MOSFET

différenciation automatique pour rendre les convertisseurs plus rapides
Closeup of electronic components. Coils or electrolytic capacitors on PCB detail of DC-DC converter

Des scientifiques du Nara Institute of Science and Technology (NAIST) ont utilisé la méthode mathématique appelée différenciation automatique (DA) pour trouver l’ajustement optimal de données expérimentales jusqu’à quatre fois plus rapidement. Il est notamment possible d’appliquer cette recherche à des modèles multivariables de dispositifs électroniques. Ce qui pourrait permettre de les concevoir avec des performances accrues tout en consommant moins d’énergie.

Les dispositifs à large bande interdite, tels que les transistors à effet de champ semi-conducteurs à oxyde métallique (MOSFET) en carbure de silicium (SiC), sont un élément essentiel pour rendre les convertisseurs plus rapides et plus durables. Cela s’explique donc par leurs fréquences de commutation plus élevées. Ils présentent aussi des pertes d’énergie plus faibles par rapport aux dispositifs classiques à base de silicium. Ce, dans une large gamme de températures. Cependant, le calcul des paramètres qui déterminent la façon dont le courant électrique dans un MOSFET réagit en fonction de la tension appliquée reste difficile dans une simulation de circuit. Une meilleure approche pour extraire les paramètres importants permettrait aux fabricants de puces de concevoir des convertisseurs plus efficaces.

De la Différenciation Automatique pour accélérer les calculs

L’équipe de scientifiques a réussi à utiliser la méthode mathématique appelée différenciation automatique pour accélérer considérablement ces calculs. Auparavant la différenciation automatique a été largement utilisée pour la formation de réseaux neuronaux artificiels. Le projet actuel étend son application au domaine de l’extraction des paramètres des modèles. Pour les problèmes impliquant de nombreuses variables, la minimisation des erreurs se fait par un processus de « descente de gradient ». Un processus dans lequel une estimation initiale est affinée à plusieurs reprises. Affinée en effectuant de petits ajustements dans la direction qui réduit l’erreur le plus rapidement. C’est là que l’AD peut être beaucoup plus rapide que les alternatives précédentes. Des alternatives telles que la différenciation symbolique ou numérique, pour trouver la direction avec la « pente » la plus raide.

pcloud

L’AD décompose le problème en combinaisons d’opérations arithmétiques de base. Chacune d’entre elles ne s’effectue toutefois qu’une seule fois. Avec la méthode AD, on obtient simultanément les dérivées partielles par rapport à chacun des paramètres d’entrée. Ce qui évite de devoir répéter l’évaluation du modèle pour chaque paramètre, explique le premier auteur, Michihiro Shintani. En revanche, la différenciation symbolique fournit des solutions exactes, mais elle nécessite beaucoup de temps et de ressources informatiques à mesure que le problème devient plus complexe.

Temps de calcul réduit à plus de 3,5 fois

Pour montrer l’efficacité de cette méthode, l’équipe l’a appliquée à des données expérimentales recueillies à partir d’un MOSFET SiC disponible dans le commerce.

« Notre approche a permis de réduire le temps de calcul de 3,5 fois par rapport à la méthode classique de différenciation numérique. Ce qui est proche de l’amélioration maximale théoriquement possible », déclare Shintani. Cette méthode peut être facilement appliquée dans de nombreux autres domaines de recherche impliquant des variables multiples. Elle préserve effectivement les significations physiques des paramètres du modèle. L’application de la méthode AD permettra de réaliser de nouvelles avancées dans le développement des MOSFET. Elle permettra aussi d’améliorer les rendements de fabrication.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *