Hacia convertidores de potencia más eficientes energéticamente

• Fecha : 12 de octubre de 2021
• Fuente : Instituto de Ciencia y Tecnología de Nara
• Resumen : Los investigadores extienden el enfoque matemático llamado diferenciación automática del aprendizaje automático al ajuste de los parámetros del modelo que describen el comportamiento de los transistores de efecto de campo. Esto permitió extraer los parámetros hasta 3,5 veces más rápido en comparación con los métodos anteriores, lo que puede conducir amicroelectrónica más sostenible.

Los científicos del Instituto de Ciencia y Tecnología de Nara NAIST utilizaron el método matemático llamado diferenciación automática para encontrar el ajuste óptimo de los datos experimentales hasta cuatro veces más rápido. Esta investigación se puede aplicar a modelos multivariables de dispositivos electrónicos, lo que puede permitirlespara ser diseñado con mayor rendimiento mientras consume menos energía.

Los dispositivos con banda prohibida amplia, como los transistores de efecto de campo semiconductores de óxido metálico de carburo de silicio SiC MOSFET, son un elemento fundamental para que los convertidores sean más rápidos y sostenibles.un amplio rango de temperaturas en comparación con los dispositivos convencionales basados ​​en silicio. Sin embargo, calcular los parámetros que determinan cómo responde la corriente eléctrica en un MOSFET en función del voltaje aplicado sigue siendo difícil en una simulación de circuito. Un mejor enfoque para ajustar datos experimentalesextraer los parámetros importantes proporcionaría a los fabricantes de chips la capacidad de diseñar convertidores de potencia más eficientes.

Ahora, un equipo de científicos dirigido por NAIST ha utilizado con éxito el método matemático llamado diferenciación automática AD para acelerar significativamente estos cálculos. Si bien AD se ha utilizado ampliamente para entrenar redes neuronales artificiales, el proyecto actual extiende su aplicación al áreade extracción de parámetros del modelo. Para problemas que involucran muchas variables, la tarea de minimizar el error a menudo se logra mediante un proceso de "descenso de gradiente", en el que una conjetura inicial se refina repetidamente haciendo pequeños ajustes en la dirección que reduce el error lo más rápido posible.. Aquí es donde AD puede ser mucho más rápido que las alternativas anteriores, como la diferenciación simbólica o numérica, para encontrar la dirección con la "pendiente" más pronunciada. AD descompone el problema en combinaciones de operaciones aritméticas básicas, cada una de las cuales solo necesita hacerseuna vez. "Con AD, las derivadas parciales con respecto a cada uno de los parámetros de entrada se obtienen simultáneamente, por lo que no hayes necesario repetir la evaluación del modelo para cada parámetro ", dice el primer autor Michihiro Shintani.Por el contrario, la diferenciación simbólica proporciona soluciones exactas, pero utiliza una gran cantidad de tiempo y recursos computacionales a medida que el problema se vuelve más complejo.

Para mostrar la eficacia de este método, el equipo lo aplicó a datos experimentales recopilados de un MOSFET de SiC comercialmente disponible. "Nuestro enfoque redujo el tiempo de cálculo en 3,5 veces en comparación con el método de diferenciación numérica convencional, que está cerca delmáxima mejora teóricamente posible ", dice Shintani. Este método se puede aplicar fácilmente en muchas otras áreas de investigación que involucran múltiples variables, ya que conserva los significados físicos de los parámetros del modelo. La aplicación de AD para la extracción mejorada de parámetros del modelo apoyará nuevosavances en el desarrollo de MOSFET y mejores rendimientos de fabricación.

Fuente de la historia :

Materiales proporcionado por Instituto de Ciencia y Tecnología de Nara . Nota: el contenido se puede editar por estilo y longitud.

Referencia de la revista :

1. Michihiro Shintani, Aoi Ueda, Takashi Sato. Aceleración de la extracción de parámetros de modelos MOSFET de potencia mediante diferenciación automática . Transacciones IEEE en Power Electronics , 2021; 1 DOI: 10.1109 / TPEL.2021.3118057