自动化与脚本

1. 为什么要自动化仿真？

一旦建立了器件结构，下一步通常是提出如下问题： “如果改变有源层的迁移率，我的太阳能电池效率会发生什么变化？” 或 “如果改变量子阱厚度，我的激光器发射波长会如何变化？” 回答这些问题需要系统地改变一个或多个材料或器件参数， 在一定范围内扫描其数值，并分析所得数据。自动化对于拟合与参数提取同样至关重要。 在许多情况下，需要将模型拟合到实验测量数据——例如测量得到的 J–V 曲线——以提取具有物理意义的参数 （例如迁移率、复合速率或接触性质）。 手动执行此类拟合既缓慢、容易出错，也难以复现。

除了单次拟合之外，自动化仿真还使得通过参数或器件结构扫描， 以受控方式生成大规模且一致的数据集成为可能。 这些数据集在统计分析以及训练 机器学习模型方面越来越有价值， 在这些应用中可能需要成千上万甚至数百万次仿真。 在所有这些情况下，自动化都提供了一种可扩展且可靠的方法来探索设计空间、 提取参数，并深入理解器件物理。

2. 自动化示例

OghmaNano 提供多种自动化仿真的方法，具体取决于您的编程经验水平以及任务复杂度：

1. 参数扫描窗口： 参数扫描窗口 允许您使用图形用户界面按步长改变一个或多个参数。 无需编程知识，因此非常适合快速的探索性研究。 当您只想查看某个参数如何影响结果时， 这种方法覆盖了绝大多数日常使用场景。

2. Python 脚本： 为了获得更精细的控制，OghmaNano 支持 Python 脚本。 Python 是开源语言，在科学计算中被广泛使用， 并提供最大灵活性来自动执行大规模批处理运行 或与外部分析工具集成。

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， 但它是商业软件。 GNU Octave 是一个免费的替代方案， 不过目前尚未完全支持 JSON。

4. 机器学习数据生成： 自动化工作流程可以通过系统地改变器件结构、 材料参数或工作条件， 生成大规模且一致的数据集， 用于机器学习模型。

5. 自动化拟合与参数提取： 自动化还可用于通过反复运行模型来拟合实验数据， 例如从测量得到的 J–V 曲线或光谱中提取参数。

3. 自动化的底层工作原理

所有这些方法都依赖于同一个基本原理：系统地编辑 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。 该文件格式在 这里 有更详细的说明。 如果您能够编辑这个 JSON 文件——使用 Python、MATLAB， 或事实上任何编程语言（C、C++、Java、Perl、PHP、Ruby 等）—— 就可以自动化 OghmaNano。