如何从完整发射光谱中模拟随机抽取光子并复现谱线分布

核心逻辑 #

发射光谱的相对光强分布就是光子能量的概率密度分布，我们通过逆变换抽样方法就可以生成符合该分布的随机光子能量，百万次抽样后的统计结果会完全复现原光谱形状，单次输出为随机值，完全符合你的需求。

具体实现步骤 #

1. 从你手头的发射光谱图中提取10~20组离散采样点，格式为(光子能量, 相对光强)，覆盖所有特征峰位置即可，不需要高精度采样
2. 对离散点做插值得到连续的概率密度函数（PDF）
3. 基于PDF计算累积分布函数（CDF）
4. 通过CDF的逆函数对0~1区间的均匀随机数做变换，得到符合目标分布的光子能量

完整Python代码示例 #

import numpy as np
from scipy.interpolate import interp1d
import matplotlib.pyplot as plt

# ---------------------- 替换为你自己的光谱数据 ----------------------
# 示例数据格式：[光子能量(eV), 相对光强]，请替换为你从发射光谱提取的实际采样点
spectral_data = np.array([
    [1.4, 8],
    [1.6, 72],
    [1.8, 210],
    [2.0, 460],  # 主峰位置
    [2.2, 290],
    [2.4, 85],
    [2.6, 12],
    [2.8, 3]
])
# -------------------------------------------------------------------

# 拆分能量和光强数组
energy_arr = spectral_data[:, 0]
intensity_arr = spectral_data[:, 1]

# 生成连续PDF插值函数
pdf_interp = interp1d(energy_arr, intensity_arr, kind='cubic', fill_value=0, bounds_error=False)
# 生成精细能量网格计算归一化PDF
e_grid = np.linspace(energy_arr.min(), energy_arr.max(), 1000)
pdf = pdf_interp(e_grid)
pdf = pdf / np.trapz(pdf, e_grid)  # 归一化，确保PDF积分和为1

# 计算累积分布函数CDF
cdf = np.cumsum(pdf) * (e_grid[1] - e_grid[0])
# 生成CDF逆插值函数，用于抽样
cdf_inv = interp1d(cdf, e_grid, fill_value=(energy_arr.min(), energy_arr.max()), bounds_error=False)

def sample_photon_energy(sample_num=1):
    """
    生成指定数量的随机光子能量
    :param sample_num: 要生成的光子数量，默认1个
    :return: 符合光谱分布的光子能量数组
    """
    uniform_rand = np.random.uniform(0, 1, size=sample_num)
    return cdf_inv(uniform_rand)

# 测试验证
if __name__ == "__main__":
    # 抽样100万次
    sampled_energies = sample_photon_energy(1000000)
    # 对比抽样结果和原光谱
    plt.figure(figsize=(8, 4))
    plt.hist(sampled_energies, bins=50, density=True, alpha=0.6, label="百万次抽样统计结果")
    plt.plot(e_grid, pdf, "r--", linewidth=2, label="原发射光谱PDF")
    plt.xlabel("光子能量 (eV)")
    plt.ylabel("概率密度")
    plt.legend()
    plt.show()

注意事项 #

• 若你的光谱数据是按波长给出的，先通过公式E = 1240 / λ换算为能量（E单位为eV，λ单位为nm）再处理
• 单次调用sample_photon_energy()即可得到1个随机的光子能量值，调用sample_photon_energy(1000000)即可一次性得到百万个抽样结果
• 该方案为近似实现，精度完全满足你的需求，运行效率足够支撑百万次甚至更高量级的抽样

内容的提问来源于stack exchange，提问作者ruairi shannon