《基于仿真优化的阵列波导光栅调校》

第2章 仿真环境搭建

第2章 仿真环境搭建

做硅光芯片仿真，说白了就是让计算机替我们算光场、算相位、算串扰。但工欲善其事，必先利其器。这一章我就带你搭一套趁手的 Python 科学计算环境。别小看这一步——我见过不少项目，因为环境没配好，浪费了一两周去排查“诡异”的数值错误。

仿真环境 搭建 Python + 包管理 NumPy / SciPy Matplotlib Jupyter / IDE 从零搭建 · 避坑 · 快速上手

2.1 Python 科学计算环境配置

我个人习惯用 Miniconda 来管理环境。为什么？因为 AWG 仿真经常要依赖一些底层库（比如 LAPACK、FFTW），conda 能直接帮你装好二进制包，省去编译的麻烦。你想想看，要是因为编译器版本不对，折腾半天连个 scipy 都装不上，多耽误事。

我建议你创建一个独立的虚拟环境，就叫 awg_sim。这样即使你同时做其他项目，依赖也不会打架。 
# 创建环境 (Python 3.10 或 3.11 都行)
conda create -n awg_sim python=3.11
conda activate awg_sim

# 核心科学计算包
conda install numpy scipy matplotlib jupyter

# 可选但推荐：符号计算、优化增强
pip install sympy numba

装完之后，跑一下 python -c "import numpy; print(numpy.__version__)"，如果没报错，环境就通了。嗯，这里要注意：别用系统自带的 Python，尤其是 macOS 和 Linux 自带的，版本太老，而且容易权限冲突。

2.2 NumPy 基础 —— 阵列波导的“数字骨架”

NumPy 的数组操作，是 AWG 仿真的基石。你想想，阵列波导的相位分布、耦合系数、光谱响应，哪个不是多维数组？我刚开始做 AWG 调校时，习惯用 Python 列表去算，结果一跑 32 通道的仿真，慢得让人抓狂。换成 NumPy 之后，速度提升了几十倍。

核心操作速览：

  • 创建数组： np.linspace(1.5, 1.6, 100) 生成波长轴，np.zeros((N, M)) 初始化矩阵。
  • 索引与切片： 跟列表类似，但支持多维切片 arr[:, 2:5]。
  • 广播机制： 不同形状的数组做运算时，NumPy 会自动扩展维度。比如 phase = k0 * (L + delta_L)，L 是向量，delta_L 是标量，直接加。
import numpy as np

# 模拟阵列波导的臂长差 (16通道)
N_channels = 16
delta_L = np.linspace(0, 15.5e-6, N_channels)  # 单位: m
wl = 1.55e-6
k0 = 2 * np.pi / wl
phase = k0 * delta_L
print("相位分布 (rad):", phase[:4])
我在项目中遇到过： 用 np.append 在循环里不断扩展数组，导致内存碎片化。后来改用预分配 np.empty() 再赋值，速度快了 10 倍。记住：循环里别 append，提前分配好空间。

2.3 SciPy 进阶 —— 插值、优化与特殊函数

SciPy 是 NumPy 的“大哥”，提供了很多工程数学工具。AWG 仿真里最常用的是 插值 和 优化。比如你测了 5 个波长点的损耗，想得到连续光谱，用 scipy.interpolate.interp1d 就搞定了。

模块常用函数AWG 仿真场景
scipy.interpolateinterp1d, griddata光谱重采样、非均匀数据插值
scipy.optimizeminimize, curve_fit相位调校参数拟合、目标函数优化
scipy.specialjv, iv贝塞尔函数（用于波导模式分析）
scipy.integratequad, simpson重叠积分、功率计算

举个例子，用 curve_fit 拟合 AWG 输出光谱的峰值，提取中心波长：

from scipy.optimize import curve_fit
import numpy as np

def gaussian(x, amp, mu, sigma):
    return amp * np.exp(-(x - mu)**2 / (2 * sigma**2))

# 模拟测量数据
wl_data = np.linspace(1549e-9, 1551e-9, 50)
power_data = gaussian(wl_data, 1, 1550e-9, 0.2e-9) + 0.01*np.random.randn(50)

popt, _ = curve_fit(gaussian, wl_data, power_data, p0=[1, 1550e-9, 0.2e-9])
print(f"拟合中心波长: {popt[1]*1e9:.3f} nm")
注意：curve_fit 对初始值敏感。我曾经因为初始值给得太离谱，拟合直接发散。建议先用肉眼估计一下参数，或者用 np.argmax 找峰值位置作为初值。

2.4 Matplotlib 可视化入门 —— 一眼看出问题

做 AWG 调校，数据可视化不是“锦上添花”，而是“雪中送炭”。你想想，几十个通道的光谱叠在一起，光看数字根本看不出串扰和均匀性。我习惯用 Matplotlib 的 面向对象接口，这样对子图、坐标轴的控制更精细。

快速出图模板：

import matplotlib.pyplot as plt

# 创建画布和坐标轴
fig, ax = plt.subplots(figsize=(8, 4))

# 模拟 4 个通道的光谱
wl = np.linspace(1545e-9, 1555e-9, 200)
for i in range(4):
    center = 1548e-9 + i * 1.6e-9
    power = np.exp(-(wl - center)**2 / (2*(0.3e-9)**2))
    ax.plot(wl*1e9, power, label=f'CH{i+1}')

ax.set_xlabel('波长 (nm)')
ax.set_ylabel('归一化功率')
ax.legend()
ax.grid(True, linestyle='--', alpha=0.5)
plt.tight_layout()
plt.show()

我个人习惯把 plt.style.use('seaborn-v0_8-whitegrid') 放在脚本开头，背景干净，线条清晰。另外，保存图片时用 dpi=200，这样放到或报告里不会模糊。

如果你在 Jupyter Notebook 里画图，记得加一行 %matplotlib inline。但如果你做交互式调校，我推荐 %matplotlib qt，可以缩放、平移，仔细看光谱细节。

2.5 避坑指南 & 个人经验

  • 我曾经 因为 NumPy 和 SciPy 版本不匹配，导致 scipy.optimize 返回错误结果。后来我固定用 conda 安装，不用 pip 混装，再没出过问题。
  • 浮点精度陷阱： AWG 的相位差通常在微米量级，但波长是纳米量级。计算时一定要统一单位（建议全部用 SI 单位：米、弧度）。我见过有人把波长写成了微米，结果相位差了 1000 倍。
  • 别忽视 dtype： 默认 NumPy 用 float64，但如果你内存紧张（比如仿真 1024 通道），可以改用 float32。不过要注意，累加误差可能会变大。
上一章 返回目录 下一章