WARNING
🧪 Beta公测版本提示:教程主体已完成,正在优化细节,欢迎大家提Issue反馈问题或建议。
麦克斯韦方程与非线性光学 — demo.py 代码详解
运行方式
cd docs/optics/maxwell-nlo/code
python demo.py纯 NumPy + matplotlib,CPU 几秒跑完。产出两张图到 images/:ssfm_three_scenarios.png(三场景对比)与 shg_phase_matching.png(倍频相位匹配)。
整体结构
demo 求解的是 index.md §5 推出的非线性薛定谔方程:
但不是三个场景共用一组参数,而是分别把
第1步:时间网格与两种初始脉冲
T0 = 1.0
N = 1 << 11
Twin = 40.0
dt = 2 * Twin / N
t = np.linspace(-Twin, Twin, N, endpoint=False)
omega = 2 * np.pi * np.fft.fftfreq(N, d=dt)N取 2 的幂(1 << 11= 2048)让 FFT 高效;t用endpoint=False——FFT 假设信号周期化,端点重复会造成一个人为跳变;omega用fftfreq生成,天然符合 FFT 的频谱排布(正频率在前半、负频率在后半),不用 fftshift;- 窗口 ±40 个 T0 是给非线性展宽留余量:场景 2 频谱展宽近 10 倍,窗口太小会频谱混叠(能量绕一圈从另一端漏回来),数值就不可信了。
def gauss_pulse(t, T0=T0):
return np.exp(-t**2 / (2 * T0**2)).astype(complex)
def sech_pulse(t, T0=T0):
return (1.0 / np.cosh(t / T0)).astype(complex)高斯是锁模激光器的典型输出;sech 是 NLSE 的精确孤子解(demo 场景 3 的主角)。注意 .astype(complex):非线性相位
第2步:对称分步傅里叶法(全章核心)
disp = np.exp(1j * beta2 * omega**2 * dz / 4.0) # 半步 dz/2
for n in range(nz):
A = np.fft.ifft(np.fft.fft(A) * disp) # 色散半步
A = A * np.exp(1j * gamma * np.abs(A)**2 * dz) # 非线性整步
A = np.fft.ifft(np.fft.fft(A) * disp) # 色散半步为什么这样切?NLSE 的两项算符不对易,不能精确合并,但在一小段
- 色散项
在时域是微分、在频域是乘法(乘 )——一次 FFT 精确解掉,没有任何离散化误差; - 非线性项
在时域就是逐点乘相位 ——也精确。
所以每步仅有的误差来自「假装两项分开作用」,采用色散-非线性-色散三明治(Strang 分裂)可把单步误差压到
第3步:三个场景
z1, A1 = ssfm(gauss_pulse(t), beta2=-1.0, gamma=0.0, L=L) # 纯色散
z2, A2 = ssfm(gauss_pulse(t), beta2=0.0, gamma=4.0, L=L) # 纯克尔
z3, A3 = ssfm(sech_pulse(t), beta2=-1.0, gamma=1.0, L=L) # 孤子场景 3 的参数不是随手挑的:孤子条件 exercise.py 练习 3),脉冲就会周期性地压缩-展宽。
场景 1 还对照了高斯脉冲色散展宽的解析公式
第4步:倍频相位匹配
dk = np.linspace(-8, 8, 401)
eta = np.sinc(dk * Lcrys / (2 * np.pi)) ** 2这里直接用 index.md §3 推出的闭式结果:倍频效率 np.sinc(x) 定义是
常见坑
- 窗口不够大 → 非线性展宽后频谱混叠,孤子曲线出现毛刺。
Twin=40对已留足余量; - 忘记
endpoint=False或用了linspace(..., N)→ 周期化假设被破坏,频谱出现镜像伪峰; 取太大(如 20+)→ 需要更多分步数 nz,否则非线性步失真——分步法的守则:先加倍 nz 看结果变不变,不变才算收敛。