photokinetics 2.1.0

Photokinetics V2.1 — 可微光学物理引擎 (Differentiable Optics Engine in PyTorch) with time-resolved photothermal model

Photokinetics V2.0

可微光学物理引擎 (Differentiable Optics Engine in PyTorch)

基于光子动能传递的光学统一计算框架，使用 PyTorch 实现，天然支持自动微分、批量计算和逆向设计。

核心特性

• 可微分 — 所有公式返回 torch.Tensor，支持 requires_grad=True 自动求导
• 批量化 — 参数可以是张量，自动向量化（如批量光强扫描）
• 纯解析 — 没有数值积分，没有训练数据，直接公式计算
• 极速 — 比 1D-FDTD 快 10²10³x，比 3D-FDTD 理论快 10⁶10⁹x
• 统一框架 — 8 个光学模块从同一套光子动能传递公设推导

安装

pip install photokinetics

快速开始

基本计算

from photokinetics import calc_photothermal

# 计算水在 1064nm 激光下的温升
result = calc_photothermal(
    n=1.33, kappa=0.00012, wavelength_nm=1064,
    I0=1e7, rho=1000, Cp=4186, depth_mm=1.0, time_s=1.0
)
print(f"温升: {result['dT'].item():.2f} K")
# 输出: 温升: 877.02 K

自动微分

import torch
from photokinetics import calc_photothermal

I0 = torch.tensor(1e7, requires_grad=True)
result = calc_photothermal(1.33, 0.00012, 1064, I0, 1000, 4186, 1.0, 1.0)
result['dT'].backward()

print(f"d(ΔT)/d(I₀) = {I0.grad.item():.2e}")
# 输出: 8.77e-05

逆向设计（梯度下降求光强）

import torch
from photokinetics import calc_photothermal

target_dT = 100.0
I0 = torch.tensor(1e5, requires_grad=True)
optimizer = torch.optim.Adam([I0], lr=5e4)

for i in range(100):
    optimizer.zero_grad()
    result = calc_photothermal(1.33, 0.00012, 1064, I0, 1000, 4186, 1.0, 1.0)
    loss = (result['dT'] - target_dT) ** 2
    loss.backward()
    optimizer.step()

print(f"I₀ = {I0.item():.2e}, ΔT = {result['dT'].item():.2f} K")
# 输出: I₀ = 1.15e+06, ΔT = 100.52 K

批量计算

import torch
from photokinetics import calc_photothermal

I0_batch = torch.logspace(4, 8, 1000)  # 1000 个光强
result = calc_photothermal(1.33, 0.00012, 1064, I0_batch, 1000, 4186, 1.0, 1.0)
print(result['dT'].shape)  # torch.Size([1000])

8 个模块速查表

模块	函数	核心参数
光电效应	calc_photoelectric(phi_ev, lambda_nm)	逸出功, 波长
黑体辐射	calc_blackbody(T, lambda_nm=None)	温度, 波长
康普顿散射	calc_compton(E0_keV, theta_deg)	入射能量, 散射角
多普勒效应	calc_doppler(nu0, v_km_s, receding)	频率, 速度
引力红移	calc_gravitational_redshift(M, r1, r2)	质量, 半径
光热模型	calc_photothermal(n, kappa, λ, I0, ρ, Cp, z, t)	8 个参数
非线性光学	calc_nonlinear_order(Eg_eV, lambda_nm)	禁带, 波长
光镊力	calc_tweezer_force(a, n_p, n_m, λ, grad_I)	半径, 折射率

物理常数

所有常数使用 CODATA 2018 推荐值，定义为 torch.tensor。

性能对比

与 1D-FDTD 数值仿真对比（绝热近似适用域内）：

材料	ΔT 误差	加速比
水 @ 1064nm	3.49%	1125x
硅 @ 532nm	0.98%	97x
锗 @ 532nm	1.15%	385x

详见 benchmarks/。

应用场景

• AI for Science — 嵌入 PyTorch 做物理驱动机器学习
• 逆向设计 — 已知目标温升，梯度下降反推光强/波长
• 灵敏度分析 — 计算各参数对输出的梯度
• 参数扫描 — 批量计算数千组参数
• 实时仿真 — 解析公式微秒级计算
• 教学/科普 — 在线计算器 在线体验

限制

• 光热模型采用绝热近似，适用条件 t ≪ L²/D
• 目前支持平面波入射 + 均匀介质
• 光镊力使用瑞利近似（小颗粒，a ≪ λ）

引用

如果本项目对您的研究有帮助，请引用：

@misc{photokinetics2026,
  title={Photokinetics V2.0: A Differentiable Optics Engine},
  author={Cogito Lin},
  year={2026},
  url={https://github.com/XxLCFLXx/photokinetics}
}

License

MIT