3、Jones矩阵运算：矩阵乘法与级联系统、特征值与特征向量分析、Python实现基础运算

好，我们进入第三章。前两章我们把偏振光用Jones矢量表示，把光学元件用Jones矩阵表示。这章要做的，就是把它们串起来——说白了，就是矩阵运算。

我个人觉得，Jones矩阵运算是整个偏振光学的“算术基础”。你后面要仿真、要设计系统，都离不开这章的内容。别小看矩阵乘法，它背后藏着光波经过多个元件的物理过程。

3.1 矩阵乘法与级联系统

先想一个问题：一束光先后经过两个偏振元件，出射光是什么？

假设第一个元件的Jones矩阵是 J₁，第二个是 J₂。入射光矢量是 E_in。经过第一个元件后，中间光矢量是 E_mid = J₁ · E_in。再经过第二个元件，出射光矢量是 E_out = J₂ · E_mid = J₂ · (J₁ · E_in)。

嗯，这里要注意：矩阵乘法不满足交换律。所以 J₂ · J₁ 和 J₁ · J₂ 完全是两码事。我在项目中遇到过几次，学生把顺序搞反了，仿真结果完全对不上。

为什么会这样？因为矩阵乘法是从右向左结合的。第一个作用的矩阵在最右边，最后一个在最左边。你想想看，这就像穿衣服——先穿内衣，再穿外套。描述这个过程的矩阵，外套的矩阵写在左边，内衣的矩阵写在右边。

常见级联系统示例

系统	元件顺序（光传播方向）	总Jones矩阵
偏振片 + 四分之一波片	偏振片 → QWP	J_QWP · J_pol
四分之一波片 + 偏振片	QWP → 偏振片	J_pol · J_QWP
两个波片级联	QWP → HWP	J_HWP · J_QWP

我曾经帮一个做激光雷达的朋友调试系统，他死活搞不定消光比。我一看代码，他把波片和偏振片的矩阵顺序写反了。改过来之后，消光比直接提升了两个数量级。嗯，这种错误其实很常见。

3.2 特征值与特征向量分析

矩阵的特征值和特征向量，在偏振光学里有什么物理意义？

说白了，对于一个Jones矩阵 J，它的特征向量代表一种特殊的偏振态——光波经过这个元件后，偏振态不变，只改变幅度和相位。特征值就是那个幅度和相位的变化因子。

举个例子。一个理想偏振片的Jones矩阵是：

J_pol = [[1, 0],
         [0, 0]]

它的特征向量是什么？算一下就知道：

• 特征值 λ₁ = 1，对应特征向量 [1, 0]ᵀ —— 水平偏振光完全通过
• 特征值 λ₂ = 0，对应特征向量 [0, 1]ᵀ —— 垂直偏振光完全被消光

你看，特征向量直接告诉你这个元件“偏好”什么偏振态。我在做偏振成像系统设计时，经常用特征值分析来评估元件的偏振纯度。

3.3 Python实现基础运算

光说不练假把式。我们直接用Python把上面这些运算实现一遍。我习惯用NumPy，它处理矩阵运算非常方便。

3.3.1 定义基本Jones矩阵

import numpy as np

# 水平偏振片
J_pol_h = np.array([[1, 0],
                    [0, 0]])

# 四分之一波片（快轴水平）
J_qwp = np.array([[1, 0],
                  [0, 1j]])

# 半波片（快轴水平）
J_hwp = np.array([[1, 0],
                  [0, -1]])

# 旋转矩阵（旋转角度θ）
def rot_matrix(theta):
    c = np.cos(theta)
    s = np.sin(theta)
    return np.array([[c, -s],
                     [s, c]])

3.3.2 级联系统计算

# 入射光：45°线偏振光
E_in = np.array([1, 1]) / np.sqrt(2)

# 系统：QWP + 偏振片（水平）
J_system = J_pol_h @ J_qwp

E_out = J_system @ E_in
print("出射光矢量:", E_out)
print("出射光强度:", np.abs(E_out[0])**2 + np.abs(E_out[1])**2)

这里我用 @ 运算符做矩阵乘法，这是NumPy的推荐写法。我个人习惯把所有中间结果都打印出来看看，方便调试。

3.3.3 特征值与特征向量计算

# 计算QWP的特征值和特征向量
eigvals, eigvecs = np.linalg.eig(J_qwp)

print("特征值:", eigvals)
print("特征向量:")
print(eigvecs)

# 验证：J · v = λ · v
for i in range(2):
    v = eigvecs[:, i]
    lam = eigvals[i]
    lhs = J_qwp @ v
    rhs = lam * v
    print(f"特征向量 {i+1}: 左侧 = {lhs}, 右侧 = {rhs}")

3.3.4 完整仿真示例：偏振态演化追踪

def simulate_polarization_evolution(J_list, E_in):
    """
    追踪光波经过多个元件的偏振态变化
    J_list: Jones矩阵列表，按光传播方向排列
    E_in: 入射Jones矢量
    """
    states = [E_in]
    E_current = E_in
    
    for i, J in enumerate(J_list):
        E_current = J @ E_current
        states.append(E_current)
        print(f"经过元件 {i+1} 后: {E_current}")
    
    return states

# 示例：光波经过 QWP → HWP → 偏振片
J_list = [J_qwp, J_hwp, J_pol_h]
E_in = np.array([1, 0])  # 水平偏振入射

states = simulate_polarization_evolution(J_list, E_in)

这段代码我经常用在教学演示里。你想想看，把每个元件后的偏振态都打印出来，整个物理过程一目了然。

3.4 知识结构总览

下面这张图把本章的核心逻辑串起来了。我建议你把它存下来，做仿真时对照着看。

这张图把矩阵乘法、特征分析、Python实现三个分支的关系画清楚了。你写代码的时候，脑子里要有这张图——每一步运算对应哪个物理过程，心里要清楚。