3. 均匀性评价指标：均匀性定义、标准差、极差、变异系数等数学评价方法

在注入能量仿真优化中，均匀性是衡量能量分布质量的核心指标。均匀性评价不仅决定了工艺过程的稳定性，还直接影响最终产品的性能一致性。本节将系统阐述均匀性的数学定义、常用评价指标及其适用场景，帮助工程师建立定量化的评价体系。

3.1 均匀性的数学定义与物理意义

均匀性在数学上描述的是一组空间或时间分布数据相对于其中心趋势的离散程度。对于注入能量分布，通常将待评价区域划分为 \( N \) 个采样点或网格单元，每个单元的能量值为 \( x_i \)，则均匀性评价基于以下基本假设：

• 理想均匀分布：所有 \( x_i \) 相等，即 \( x_1 = x_2 = \cdots = x_N = \bar{x} \)
• 实际分布：存在波动，波动越小，均匀性越好

下图展示了均匀性评价的完整数学框架，从原始数据到最终指标的计算路径：

3.2 核心评价指标详解

均匀性评价指标可分为离散度指标和相对离散度指标两大类。下表对比了四种最常用的数学评价方法：

3.3 标准差与方差：最通用的离散度度量

标准差 (Standard Deviation) 是均匀性评价中最核心的指标。它衡量数据点与均值之间的平均偏离程度。在注入能量仿真中，标准差的计算步骤如下：

1. 计算均值：\( \mu = \frac{1}{N} \sum_{i=1}^{N} x_i \)
2. 计算偏差平方和：\( SS = \sum_{i=1}^{N} (x_i - \mu)^2 \)
3. 计算方差：\( \sigma^2 = \frac{SS}{N} \)（总体方差）或 \( s^2 = \frac{SS}{N-1} \)（样本方差）
4. 取平方根：\( \sigma = \sqrt{\sigma^2} \)

下图展示了标准差在不同均匀性水平下的分布形态对比：

3.4 极差：快速评估的简便工具

极差 (Range) 是最简单的离散度指标，定义为最大值与最小值之差。在注入能量仿真中，极差常用于：

• 初步筛选：快速判断是否存在明显的能量过高或过低区域
• 边界检测：识别工艺参数的极端异常情况
• 实时监控：在在线仿真中作为快速报警指标

3.5 变异系数：无量纲的标准化指标

变异系数 (Coefficient of Variation, CV) 是标准差与均值的比值，以百分比表示。它的核心优势在于消除了量纲和均值水平的影响，使得不同能量水平下的均匀性可以直接比较。

变异系数的工程判据通常如下：

3.6 均匀性评价的工程实践流程

在实际的注入能量仿真优化中，均匀性评价应遵循以下标准化流程：

1. 数据采集：从仿真结果中提取目标区域所有网格节点的能量值
2. 数据清洗：剔除明显的仿真奇异点（如边界效应导致的异常值）
3. 基本统计：计算均值、最大值、最小值、极差
4. 离散度计算：计算标准差和变异系数
5. 可视化分析：绘制能量分布直方图或空间分布云图
6. 综合评判：结合多个指标给出均匀性等级

3.7 多指标综合评价示例

假设某次注入能量仿真得到以下数据（单位：J/cm²）：

采样点:  1     2     3     4     5     6     7     8     9    10
能量值: 1.02  0.98  1.05  0.95  1.01  0.99  1.03  0.97  1.00  1.04

计算过程如下：

均值 μ = (1.02+0.98+1.05+0.95+1.01+0.99+1.03+0.97+1.00+1.04) / 10 = 1.004
极差 R = 1.05 - 0.95 = 0.10
标准差 σ = sqrt( [(0.016)² + (-0.024)² + (0.046)² + (-0.054)² + (0.006)² + (-0.014)² + (0.026)² + (-0.034)² + (-0.004)² + (0.036)²] / 10 )
         = sqrt(0.00984 / 10) ≈ 0.0314
变异系数 CV = 0.0314 / 1.004 × 100% ≈ 3.13%

评价结论：CV = 3.13% < 5%，均匀性等级为优秀，该注入方案可直接用于高精度工艺。

3.8 指标选择决策指南

不同工程场景下，应选择不同的均匀性评价指标。下表提供了决策参考：