自动化与脚本

为什么要对仿真进行自动化？

一旦建立了器件结构，下一步通常会提出诸如： “如果我改变有源层的迁移率，太阳能电池效率会发生什么变化？” 或 “如果我改变量子阱的厚度，激光器的发射波长会如何漂移？” 之类的问题。 回答这些问题需要在一定范围内系统性地改变一个或多个材料参数， 并分析由此产生的数据。手动完成这些工作既缓慢又容易出错，也无法扩展。 自动化提供了一种更快速、更可靠的方法，用于探索设计空间并深入理解器件物理。

自动化的优势

• 批量运行： 一次性自动运行数百甚至上千个仿真，在无需人工干预的情况下探索广泛的参数范围。
• 可重复性： 自动化脚本确保仿真以一致的方式执行，使结果易于复现和共享。
• 优化： 自动化工作流可以系统性地搜索最优器件配置，例如最大化功率转换效率（PCE）或调谐激光发射波长。
• 集成： 脚本可以将 OghmaNano 与外部分析工具（例如 Python + NumPy/matplotlib，或 MATLAB 工具箱）连接起来，从而简化从仿真到发表的流程。

自动化的方法

OghmaNano 提供了多种实现仿真自动化的方法，具体取决于你的编程经验水平以及任务的复杂程度：

1. 参数扫描窗口： 参数扫描窗口 允许你通过图形用户界面以步进方式改变一个或多个参数。 无需任何编程知识，非常适合快速的探索性研究。 这种方法覆盖了大多数日常使用场景，即你只需了解某个参数如何影响结果。

2. Python 脚本： 对于需要更精细控制的情况，OghmaNano 支持 Python 脚本。 Python 是开源的，在科学计算中被广泛使用，能够提供最大的灵活性来调整仿真参数、 自动化大规模批量运行，或与外部分析和可视化库集成。 这种方法在科研工作流中特别强大。

3. MATLAB 脚本： 另一种选择是 MATLAB 脚本。 MATLAB 为许多科学家和工程师所熟悉，因此提供了一种易于上手的自动化方式。 其缺点在于 MATLAB 是商业软件，并非所有人都可以使用。 GNU Octave 是一个免费的替代方案，但在撰写本文时，它尚不包含 JSON 读写器，从而限制了兼容性。

自动化在底层是如何工作的

所有这些方法都依赖于相同的基本原理：系统性地编辑 OghmaNano 仿真文件（sim.oghma）， 并执行核心引擎（oghma_core.exe）以生成新的结果。 需要理解的一个关键点是，sim.oghma 实际上只是一个包含 JSON 文件（sim.json）的 ZIP 压缩包。 这种文件格式在 此处 有更详细的说明。 如果你能够编辑这个 JSON 文件——无论是使用 Python、MATLAB，还是 任何编程语言（C、C++、Java、Perl、PHP、Ruby 等）——你就可以实现 OghmaNano 的自动化。