ENG: Scientists from Nara Institute of Science and Technology (NAIST) used the mathematical method called automatic differentiation to find the optimal fit of experimental data up to four times faster. This research can be applied to multivariable models of electronic devices, which may allow them to be designed with increased performance while consuming less power.
Wide bandgap devices, such as silicon carbide (SiC) metal-oxide semiconductor field-effect transistors (MOSFET), are a critical element for making converters faster and more sustainable. This is because of their larger switching frequencies with smaller energy losses under a wide range of temperatures when compared with conventional silicon-based devices. However, calculating the parameters that determine how the electrical current in a MOSFET responds as a function of the applied voltage remains difficult in a circuit simulation.
Now, a team of scientists led by NAIST has successfully used the mathematical method called automatic differentiation (AD) to significantly accelerate these calculations. While AD has been used extensively when training artificial neural networks, the current project extends its application into the area of model parameter extraction. For problems involving many variables, the task of minimizing the error is often accomplished by a process of “gradient descent,” in which an initial guess is repeatedly refined by making small adjustments in the direction that reduces the error the quickest.
This is where AD can be much faster than previous alternatives, such as symbolic or numerical differentiation, at finding direction with the steepest “slope”. AD breaks down the problem into combinations of basic arithmetic operations, each of which only needs to be done once. “With AD, the partial derivatives with respect to each of the input parameters are obtained simultaneously, so there is no need to repeat the model evaluation for each parameter,” first author Michihiro Shintani says. By contrast, symbolic differentiation provides exact solutions, but uses a large amount of time and computational resources as the problem becomes more complex.
RO: Oamenii de știință de la Institutul de Știință și Tehnologie din Nara (NAIST) au folosit metoda matematică numită diferențiere automată pentru a găsi potrivirea optimă a datelor experimentale de până la patru ori mai repede. Această cercetare poate fi aplicată modelelor multivariabile ale dispozitivelor electronice, ceea ce ar putea permite ca acestea să fie proiectate cu performanțe sporite, consumând în același timp mai puțină energie.
Dispozitivele cu bandă interzisă largă, cum ar fi tranzistorii cu efect de câmp cu semiconductori metal-oxid de carbură de siliciu (SiC) (MOSFET), reprezintă un element critic pentru a face convertoarele mai rapide și mai durabile. Acest lucru se datorează frecvențelor lor de comutare mai mari cu pierderi de energie mai mici într-o gamă largă de temperaturi, în comparație cu dispozitivele convenționale pe bază de siliciu. Cu toate acestea, calcularea parametrilor care determină modul în care curentul electric dintr-un MOSFET răspunde în funcție de tensiunea aplicată rămâne dificilă în cadrul unei simulări de circuit.
Acum, o echipă de oameni de știință condusă de NAIST a folosit cu succes metoda matematică numită diferențiere automată (DA) pentru a accelera semnificativ aceste calcule. În timp ce DA a fost utilizată pe scară largă la antrenarea rețelelor neuronale artificiale, proiectul actual extinde aplicarea acesteia în domeniul extragerii parametrilor modelului. Pentru problemele care implică multe variabile, sarcina de minimizare a erorii este adesea realizată printr-un proces de “coborâre a gradientului”, în care o presupunere inițială este rafinată în mod repetat prin efectuarea de mici ajustări în direcția care reduce eroarea cel mai rapid.
În acest caz, DA poate fi mult mai rapidă decât alternativele anterioare, cum ar fi diferențierea simbolică sau numerică, în găsirea direcției cu cea mai abruptă “pantă”. DA descompune problema în combinații de operații aritmetice de bază, fiecare dintre acestea trebuind să fie efectuată doar o singură dată. “Cu DA, derivatele parțiale în raport cu fiecare dintre parametrii de intrare sunt obținute simultan, astfel încât nu este nevoie să se repete evaluarea modelului pentru fiecare parametru”, spune primul autor, Michihiro Shintani. În schimb, diferențierea simbolică oferă soluții exacte, dar utilizează o cantitate mare de timp și resurse de calcul pe măsură ce problema devine mai complexă.
Source (NAIST, Toward accurate modeling of power MOSFET electrical characteristics, 11.10.2021.)
Paper: Shintani, M., Ueda, A. and Sato, T., 2021. Accelerating Parameter Extraction of Power MOSFET Models Using Automatic Differentiation. IEEE Transactions on Power Electronics, 37(3), pp.2970-2982.