一层薄膜的厚度，一束光的往返：2025 国赛 B 题全复盘

题目思考：这题到底在问什么

背景：为什么要测一层薄膜

碳化硅（SiC）是第三代半导体的代表材料，用于新能源汽车的功率器件、射频模块这些「很硬核」的场景。器件的核心结构是衬底上外延生长的一层碳化硅薄膜（外延层）——它的厚度直接决定击穿电压、导通电阻这些关键指标。测厚的方法是红外干涉法：外延层和衬底因掺杂浓度不同而折射率不同，红外光射进去，一部分从外延层表面反射，一部分钻进外延层、从衬底界面反射回来，两束光叠加产生干涉条纹。条纹里藏着厚度信息。

题目给了四个附件：附件 1/2 是同一块碳化硅晶圆在入射角 10° 和 15° 下的反射光谱（7469 个数据点，波数 400~4000 cm⁻¹）；附件 3/4 是同一块硅晶圆在两个角度下的光谱。三问层层递进：

flowchart TD
    A["红外反射光谱<br/>波数与反射率"] --> B
    subgraph S1["问题一 · 理论建模"]
        B["只考虑界面单次反射透射<br/>双光束干涉"] --> C["推导厚度的显式公式"]
    end
    C --> D
    subgraph S2["问题二 · 算法与数据"]
        D["用问题一的模型处理附件 1/2<br/>算出厚度并检验可靠性"]
    end
    D --> E
    subgraph S3["问题三 · 模型的边界"]
        E["多次反射形成多光束干涉<br/>推导必要条件"] --> F["判断附件 3/4 是否出现<br/>建立硅的测厚模型"]
        F --> G["若碳化硅数据也受影响<br/>设法消除并修正"]
    end

我当时的理解：这是一道「正问题 → 逆问题 → 自检」的题

拿到题的第一晚，我们没有急着写代码，而是把三问翻译成了自己的语言：

• 问题一是一个正问题：给定 $n_1$（外延层折射率）、$\theta_0$（入射角）、$\nu$（波数）和干涉级次，厚度 $d$ 是多少？本质是推导一个显式公式，物理课本里的薄膜干涉搬过来，认真处理半波损失和折射角就行。
• 问题二是一个逆问题：手上只有「波数—反射率」表格，$n_1$、干涉级次 $m$ 都不直接已知，要从光谱里把它们连同 $d$ 一起反演出来。这是全题的核心难点：题目特意提醒「折射率不是常数，与掺杂浓度、波长有关」，等于明示「别把 $n$ 当常数」。
• 问题三是对模型适用性的质问：问题一的「双光束」假设真的成立吗？光在薄膜里其实会弹射很多次。第三问要求推导多光束干涉的必要条件、判断硅晶圆数据里它是否出现、并回头审视碳化硅的结果要不要修正。

没发现的关键点

复盘的时候我才发现到这道题一个很重要的地方：

条纹间距 $\Delta\nu = \frac{1}{2 n_1 d \cos\theta_1}$ 只能给出折射率与厚度的乘积。$n_1$ 和 $d$ 是简并的——不知道折射率，就不可能知道绝对厚度。所以这道题真正的战场是：如何把 $n_1(\lambda)$ 尽量准确地独立确定下来。我们当时在这个问题上的处理（后文「反思」一节会详谈）恰好是全文最薄弱的一环。

问题一：双光束干涉模型与灵敏度分析

物理图景

只考虑两条路径的光：

1. 第一束：在外延层上表面直接反射；
2. 第二束：折射进入外延层，在衬底界面反射，再折射出来。

第二束比第一束多走了 $2d$ 的几何路程（斜着走，有效光程是 $2 n_1 d \cos\theta_1$）。两束光相遇时，相位差取决于这段光程差——同相则亮（相长），反相则暗（相消）。扫描波数，就会看到反射率周期性的起伏，这就是干涉条纹。

模型推导

第一步：折射角。 由斯涅尔定律（空气折射率 $n_0 \approx 1$）：

第二步：光程差与半波损失。 几何光程差为 $\Delta L = 2 n_1 d \cos\theta_1$。此外，光从光疏介质射向光密介质界面反射时会附加 $\pi$ 相位突变（半波损失）：

• 若 $n_2 > n_1$：两个界面的反射都有半波损失，总效果相互抵消，修正量为 0；
• 若 $n_2 < n_1$：只有空气—外延层界面有半波损失，需要补 $\lambda/2$。

第三步：干涉极值条件。 反射率出现极值（亮纹）时总光程差为波长的整数倍。引入波数 $\nu = 1/\lambda$（$\lambda$ 单位 cm），令 $m$ 为干涉级次（正整数），统一写成：

其中干涉级次修正项 $k$：

这就是问题一的答案：一个四参数显式公式。代入选定参数（$n_1 = 2.65$，$n_2 = 2.68$，$\theta_0 = 15°$，$\nu = 1000\ \mathrm{cm^{-1}}$，$m = 1$）：

灵敏度分析：这个公式怕什么

公式有了，但它是「理想世界」的。真实测量里 $n_1$ 和 $\nu$ 都有误差，于是我加了一节灵敏度分析——对厚度公式求偏导：

代入上面的参数：$\partial d/\partial n_1 \approx -0.722\ \mathrm{\mu m}$（$n_1$ 每偏 1，厚度偏约 0.72 μm；即折射率 1% 的误差会带来约 1% 的厚度误差），$\partial d/\partial \nu \approx -1.9 \times 10^{-3}\ \mathrm{\mu m/cm^{-1}}$（波数标定偏 1 cm⁻¹，厚度偏约 1.9 nm）。

两个有趣的小发现：

• 波数的相对灵敏度恰好是 $-1$：$(\partial d/\partial \nu)\cdot(\nu/d) = -1$，波数错 1%，厚度就错 1%，分毫不差——因为 $d \propto \nu^{-1}$ 是纯幂次关系。
• 对 $n_1$ 的相对灵敏度是 $-1/\cos^2\theta_1 \approx -1.01$，几乎也是 $-1$。这说明折射率的误差会一比一地传导进厚度，与前文关于参数简并的分析殊途同归。

顺便暴露一个当时就存在、但论文里没有展开的细节：上图中橙色虚线处（$n_1 = n_2 = 2.68$）曲线不连续——因为 $k$ 在这里从 $m$ 跳变为 $m - 0.5$。物理上，$n_1 = n_2$ 意味着衬底界面消失、干涉条纹本身不复存在，所以这个跳变是「模型外推到自己适用域边界」的信号，并非真实行为。灵敏度公式本身也默认 $k$ 固定，在跳变点附近失效。当时我们没有处理这个奇点，复盘时我给它补了个标注（就是图里那行橙色的字）。

代码讲解：Q1.py

问题一的代码是一个不到 200 行的类 EpilayerThicknessCalculator，把「参数 → 厚度 → 灵敏度 → 可视化」封装成流水线。核心部分如下：

class EpilayerThicknessCalculator:
    def __init__(self, n1=2.65, n2=2.68, theta0_deg=15, nu_tilde=1000, m=1):
        self.n1, self.n2, self.m = n1, n2, m
        self.cos_theta1 = self._calc_cos_theta1()  # 预计算，避免重复求值
        self.k = self._calc_k()

    def _calc_cos_theta1(self):
        # 斯涅尔定律 + 三角恒等式
        theta0_rad = np.deg2rad(self.theta0_deg)
        sin_theta1 = np.sin(theta0_rad) / self.n1
        return np.sqrt(1 - sin_theta1 ** 2)

    def _calc_k(self):
        # 半波损失修正：n2>n1 时两次 π 突变抵消，k=m；否则 k=m-0.5
        return self.m if self.n2 > self.n1 else (self.m - 0.5)

    def calculate_thickness(self):
        # 核心公式：d = k / (2·n1·cosθ1·ν)
        self.d = self.k / (2 * self.n1 * self.cos_theta1 * self.nu_tilde)
        return self.d

    def calculate_sensitivity(self):
        # 对 n1 的偏导（含 cosθ1 对 n1 的隐式依赖，链式法则推导）
        self.d_dn1 = -self.k / (2 * self.nu_tilde * self.n1**2 * self.cos_theta1**3)
        # 对波数的偏导
        self.d_dnu = -self.k / (2 * self.n1 * self.cos_theta1 * self.nu_tilde**2)
        return self.d_dn1, self.d_dnu

设计上有觉得满意的地方：

1. 把 $k$ 的判断收敛到一个函数里。半波损失的分析只写一次，主公式永远是统一形式，避免了「明纹暗纹两套公式」的分裂；
2. 灵敏度直接用解析偏导而不是数值差分——$\partial d/\partial n_1$ 里 $\cos\theta_1$ 对 $n_1$ 的隐式依赖容易在差分里被漏掉，解析式（分母上的 $\cos^3\theta_1$）把它显式地暴露出来了。

可视化部分（plot_sensitivity）围绕默认值做 $\pm 0.1$ 的参数扫描画曲线——就是上面那张图的原型，代码很常规就不贴了。

问题二：从 7469 个光谱点到一层厚度

问题二是全篇工作量最大的一问。算法以「数据预处理 → 动态参数计算 → 厚度求解 → 结果验证」为逻辑链。

先看数据长什么样

附件 1 的原始数据：7469 个点，波数从 399.67 到 4000.12 cm⁻¹，反射率单位是 %。直接画出来会发现两个问题：

1. 背景漂移：反射率整体有个缓慢起伏的「底」，不是平的——这是仪器背景和材料色散的叠加；
2. 异常值：存在负反射率、超过 100% 的点（第一行数据原始反射率是 0，基线 16.2，校正后直接 $-16.2\%$，物理上显然不对）。

处理分两层：

清洗规则（简单粗暴但有效）：负值置 0.0001，$\geq 100\%$ 置 99.99，NaN 填 1%，波数 $\leq 0$ 填默认值 1000 cm⁻¹。

ALS 基线校正（在 MATLAB 里用 test.mlx 完成，输出「基线校正结果表」给 Python 用）。ALS（Asymmetric Least Squares，非对称最小二乘）的思想是：拟合一条「只会从下方包住数据」的柔性基线 $z$，目标函数带两个拉锯项：

第一项是贴合（残差），第二项是平滑（二阶差分惩罚，$\lambda$ 取 $10^6$）；权重 $w_i$ 迭代更新——残差为正（数据在基线上方，大概率是干涉峰）的点权重调低，让基线「绕开」峰。迭代几轮后，基线就贴着光谱的谷底走了。校正后干涉振荡变得干净对称，为后续峰值检测打了好基础。

折射率：从常数升级为柯西色散

题目明示折射率随波长变化，所以问题二摒弃了问题一的「常数折射率」假设，改用柯西色散公式：

正常透明介质的折射率随波长增加而缓慢下降，柯西公式是它的一阶近似。代码里取 $A = 1.458$、$B = 0.00354\ \mathrm{\mu m^2}$、$C = 0$，适用范围 0.4~2.0 μm，超范围回落到默认值 1.5。

（先按下不表：这套系数到底是哪种材料的，后文「反思」一节会把它变成一个大型「案发现场」。）

干涉级次怎么定：峰值检测 + 傅里叶交叉验证

公式 $d = m / (2 n \cos\theta \cdot \nu)$ 里还剩一个未知的 $m$。我的方案是「先测条纹周期，再反推级次」：

1. 对反射率序列用 scipy.signal.find_peaks（distance=5, prominence=0.01）找峰，相邻峰波数差的中位数作为主周期；
2. 再对整条反射率曲线做 FFT，取频谱主峰对应的周期做交叉验证——两个来源的周期如果吻合，说明条纹周期测得可靠；
3. 由周期换算干涉级次 $m$。

这一步的物理直觉是：条纹周期 $\Delta\nu$ 与厚度的关系是刚性的（$\Delta\nu = 1/(2 n_1 d \cos\theta_1)$），而单个峰的绝对级次是柔性的（依赖从哪个峰开始数）。所以「周期定厚度、级次只定基准」比「逐峰数级次」稳健得多。

分偏振的菲涅尔反演

入射角非 0 时，反射率依赖偏振态。我们对三种场景分别建模：

垂直入射（菲涅尔公式的特例）：

斜入射 s 偏振 / p 偏振（菲涅尔方程）：

斜入射时方程里 $n_1$ 同时出现在两边（通过 $\theta_2$ 耦合），没有闭式解，我用不动点迭代：先用垂直入射的结果做初值，迭代 10 次、收敛阈值 $10^{-6}$，同时用 MIN_SINR / MAX_SINR 钳位防止全反射附近的数值爆炸。

最后统一代入厚度反演公式：

代码讲解：Q2_10degree.py

问题二的主脚本约 700 行（10° 与 15° 各一份），骨架如下。

数据清洗与读取——把所有「物理上不可能」的值拦在门外：

def load_and_clean_data(file_path):
    df = pd.read_excel(file_path, sheet_name="Sheet1")
    # 反射率：NaN→1%，负→0.0001，≥100→99.99
    df["反射率_(%)"] = df["反射率_(%)"].fillna(DEFAULT_REFLECTANCE * 100)
    df["反射率_(%)"] = df["反射率_(%)"].apply(
        lambda x: 0.0001 if x < 0 else (99.99 if x >= 100 else x))
    df["反射率_R(小数)"] = df["反射率_(%)"] / 100
    # 波数≤0→默认值；波长(cm)=1/波数，再转 μm
    df["波长_λ(μm)"] = (1 / df["波数_q(cm-1)"]) * 1e4
    return df

柯西色散折射率——带适用范围守卫与物理钳位：

def calculate_n2_cauchy(lambda_μm):
    if not (lambda_min <= lambda_μm <= lambda_max):   # 超出适用范围
        return DEFAULT_N2
    n2 = cauchy_A + cauchy_B / lambda_μm**2 + cauchy_C / lambda_μm**4
    return max(1.0001, n2)                            # 物理合理性：n>1

斜入射的不动点迭代——把「解方程」变成「猜—算—再猜」：

def calculate_n1_polarized(R_polar, lambda_μm, i_rad, is_s_polar=True):
    n2 = calculate_n2_cauchy(lambda_μm)
    sqrt_R = np.sqrt(max(0.0001, min(R_polar, 0.9999)))
    cosi = np.cos(i_rad)
    n1_prev = calculate_n1_vertical(R_polar, lambda_μm)[0]  # 垂直入射解作初值
    for _ in range(iter_max):                                 # 最多迭代 10 次
        sinr = (n1_prev * np.sin(i_rad)) / n2
        sinr = max(MIN_SINR, min(sinr, MAX_SINR))             # 防全反射
        cosr = np.sqrt(1 - sinr ** 2)
        denominator = (cosi - sqrt_R * cosr) if is_s_polar else (sqrt_R * cosi + cosr)
        n1_curr = n2 * (sqrt_R * cosr + cosi) / denominator if is_s_polar \
             else n2 * (cosi + sqrt_R * cosr) / denominator
        if abs(n1_curr - n1_prev) < iter_tol:                 # 收敛即停
            break
        n1_prev = n1_curr
    return max(n1_min, min(n1_prev, n1_max)), n2

条纹周期检测与级次估计——峰值中位数周期 + FFT 交叉验证：

def detect_interference_period(df, wave_col="波数_q(cm-1)", reflectance_col="反射率_R(小数)"):
    q = df.sort_values(by=wave_col)[wave_col].values
    R = df.sort_values(by=wave_col)[reflectance_col].values
    peak_indices = signal.find_peaks(R, distance=5, prominence=0.01)[0]
    main_period = np.median(np.diff(q[peak_indices]))   # 中位数抗异常峰
    # FFT 交叉验证主周期
    freq = fftfreq(len(q), d=np.mean(np.diff(q)))
    fft_period = 1 / freq[freq > 0][np.argmax(np.abs(fft(R))[freq > 0])]
    print(f"峰值检测周期：{main_period:.2f}，傅里叶验证周期：{fft_period:.2f}")
    return main_period, q[peak_indices]

这个函数是我在问题二里最喜欢的一段：用两种独立的方法测同一个周期，中位数 + FFT 各自抗不同的噪声模式，互相印证。遗憾的是它当时只负责「打印验证」，结果没有真正反馈到级次决策里（这个后文再吐槽）。

结果与可靠性分析

分「垂直入射 / s 偏振 / p 偏振」三种场景计算，部分结果（10° 入射角）：

可靠性从三个角度验证：

结论：多角度结果高度吻合、残差标准差接近 0、拟合优度达标，垂直入射厚度均值约 8.27 μm。当时我们对这个数字相当满意。

入射角 10° 结果可视化 入射角 15° 结果可视化

（上面两幅是当时的输出图：厚度随波数的分布、三种入射场景的对比。当时觉得「曲线平滑、结果收敛」就是好结果；一年后我知道这张图里其实藏着本文最重要的疑点——厚度随波数系统性漂移，而物理上厚度应该是个常数。伏笔，「反思」一节见。）

问题三：多光束干涉的必要条件、判断与修正

必要条件的推导

问题一的「双光束」是理想化：光在薄膜两个界面间其实会反复弹射，每次弹到下界面就漏一份光出来，产生一整列透射/反射光束。它们相干叠加，就是多光束干涉。

产生可观测多光束干涉的必要条件，我们分两层表述：

相干条件（对光的要求）——各束光频率相同、振动方向相同、相位差恒定。同一束入射光分振幅而来，前两条天然满足；相位差恒定要求薄膜厚度与折射率在光斑范围内稳定，即界面平行度好、材料均匀。

强度条件（对界面的要求）——如果界面反射率太低，第二次反射的光强就衰减到噪声水平以下，「多光束」退化回「双光束」。定量地说，相邻两次反射振幅衰减因子是反射系数 $r$，高反射率界面（重掺杂衬底在红外波段的等离子体反射正是如此）才能让十几束光都有存在感。

相邻透射光束的相位差（含两次穿越薄膜的几何光程）：

把 $N$ 束振幅按等比数列衰减、相位按 $\delta$ 递增的复数求和起来，透射光强就是经典的 Airy 公式：

多光束干涉的「指纹」是细锐的条纹：$\rho$ 越大，条纹越窄越深（法布里–珀罗干涉仪就是这个原理做到极致的产物）。

附件 3/4 出现多光束干涉了吗

判断依据就是上面的「指纹」。看硅晶圆的光谱（下图）：反射率在 405 cm⁻¹ 附近冲到 78%（15° 时 89%），谷底却压到 1% 以下，振荡又深又宽又平滑——这是典型的高反射率界面 + 高精细度的多光束干涉形貌。反观碳化硅数据（问题二），振荡幅度小、叠在一个缓慢的背景上，更接近双光束近似。所以结论：硅晶圆（附件 3/4）出现了明显的多光束干涉，碳化硅数据中该效应微弱。

物理上这也说得通：测试所用硅晶圆的衬底重掺杂，自由载流子使衬底在红外波段呈现类金属的高反射，界面反射比高，多光束效应显著；而碳化硅外延层与衬底同为 SiC、折射率接近（2.55 vs 2.68），界面反射弱，双光束就是很好的近似。

硅外延层厚度：波数差法

对多光束干涉的条纹，相邻峰对应的光程差相差恰好一个波长，于是有非常干净的波数差法：

硅取 $n = 3.42$，对相邻峰的波数差逐对计算厚度再取平均。这段代码是全比赛我们写得最快乐的 20 行——问题二折腾了七百行，这里四两拨千斤：

def calculate_thickness(df):
    n = 3.42                                   # 硅的红外折射率
    peaks, _ = find_peaks(df['反射率 (%)'].values)
    peak_wave_numbers = df['波数 (cm-1)'].values[peaks]
    diff_wave_numbers = np.diff(peak_wave_numbers)      # 相邻峰波数差
    thickness = 1 / (2 * n * diff_wave_numbers)         # d = 1/(2n·Δν)
    return np.mean(thickness) * 1e4                     # cm → μm

论文报告的结果：10° 入射角下平均厚度 1.50 μm（标准差 0.016 μm），15° 下 1.52 μm（标准差 0.018 μm），两角度一致性很好。

这边还有一条峰值波长法的支线：先 Savitzky–Golay 滤波（窗口 5、二阶多项式）去噪，再 find_peaks(height≥10, distance≥15, prominence≥1) 找峰，对每个峰按 $(k-0.5)\lambda / 2n$ 赋级次算厚度，取中位数。数据处理上用了 IQR 准则剔异常值（低于 $Q_L - 1.5\,\mathrm{IQR}$ 或高于 $Q_U + 1.5\,\mathrm{IQR}$ 的反射率视为离群点）：

q1, q3 = df_temp['反射率 (%)'].quantile([0.25, 0.75])   # IQR 异常值过滤
iqr = q3 - q1
df_valid = df_temp[(df_temp['反射率 (%)'] >= q1 - 1.5*iqr)
                 & (df_temp['反射率 (%)'] <= q3 + 1.5*iqr)]

reflectance_smoothed = savgol_filter(reflectance, window_length=5, polyorder=2)
peak_indices, _ = find_peaks(x=reflectance_smoothed,
                             height=min_reflectance,   # 默认 10%
                             distance=min_peak_distance,  # 默认 15
                             prominence=1)

def calculate_thickness_v2(lambda_μm, n=1.5, k=1):
    thickness_μm = (k - 0.5) * lambda_μm / (2 * n)     # 半波损失 → k-0.5
    return thickness_μm if 0.01 <= thickness_μm <= 10 else np.nan

多光束干涉模拟：把「弹跳的光」画出来

为了验证多光束理论模型本身，我们写了 Q5.py 做正向模拟：给定折射率 $n$、厚度 $h$、波长，把 $N=15$ 束透射光的振幅全部算出来相干叠加。菲涅尔系数手工实现：

def Rs(i, r): return -np.sin(i - r) / np.sin(i + r)      # s 波反射系数
def Rp(i, r): return np.tan(i - r) / np.tan(i + r)      # p 波反射系数
def Ts(i, r): return 2*np.sin(r)*np.cos(i) / np.sin(i + r)      # s 波透射系数
def Tp(i, r): return 2*np.sin(r)*np.cos(i) / (np.sin(i+r)*np.cos(i-r))  # p 波

def calculate_interference(N, lambda_, n, h, Ai, a, theta_max, delta_theta, fixed_angle):
    i1 = np.arange(-theta_max, theta_max + delta_theta, delta_theta)
    r1 = np.arcsin(np.sin(i1) / n)                 # 折射角
    delta = 4 * np.pi / lambda_ * n * h * np.cos(r1)   # 相邻光束相位差
    As = Asi * Ts(i1, r1) * Ts(r1, i1)             # 各级透射振幅
    Ap = Api * Tp(i1, r1) * Tp(r1, i1)
    # 向量化：用幂矩阵代替循环，rs^(2k)·e^(ikδ) 一步到位
    powers = np.arange(N)
    rs_pows = Rs(r1, i1)[:, np.newaxis] ** (2 * powers)
    rp_pows = Rp(r1, i1)[:, np.newaxis] ** (2 * powers)
    exp_terms = np.exp(1j * delta)[:, np.newaxis] ** powers
    It_1 = np.abs((As[:, np.newaxis] * rs_pows * exp_terms).sum(axis=1)) ** 2 \
         + np.abs((Ap[:, np.newaxis] * rp_pows * exp_terms).sum(axis=1)) ** 2
    # 教材 Airy 公式作对照（不区分偏振）
    It_2 = (1-p)**2 / ((1-p)**2 + 4*p*np.sin(delta/2)**2) * Ai**2
    return i1, It_1, It_2, ...

两个实现细节值得记一笔：

• 向量化求和：各级光束的衰减因子 $r^{2(k-1)}$ 与相位因子 $e^{\mathrm{i}(k-1)\delta}$ 都是等比数列，用 numpy 的广播幂运算拼成矩阵一次求和，比写 15 次循环快一个量级，代码也干净；
• 双轨验证：分 s/p 偏振严格求和（It_1）与教材上不区分偏振的 Airy 公式（It_2）同时计算、画在同一张图上对比——两条曲线基本重合，说明「不区分偏振」的简化在我们的参数下是安全的。

固定入射角 10° 固定入射角 15°

回头修正碳化硅的结果

最后一问：碳化硅数据里那「微弱」的多光束干涉要不要修？我们的回答是要——用 Airy 模型对照模拟表明，多光束效应会使双光束模型算出的条纹位置有轻微偏移；扣除该偏移后，修正结果与原双光束结果的偏差在 2% 以内。换句话说：对附件 1/2 而言，双光束近似已经是够好的近似，多光束修正锦上添花。

（「反思」一节会对这段「修正」做一次不留情面的自我解剖——它其实是全文里「看起来最像修正、实际上最没落地」的部分。）

全题结果一览

flowchart LR
    A["原始光谱"] --> B["清洗 + ALS 基线校正"]
    B --> C["柯西色散<br/>动态折射率"]
    C --> D["峰值检测 + FFT<br/>估计干涉级次"]
    D --> E["菲涅尔反演<br/>垂直 / s / p"]
    E --> F["厚度求解"]
    F --> G["一致性 · 残差 · R²"]
    G --> H["多光束修正<br/>Airy 对照"]

反思：一年之后，我想按住当时那只手

这是全文我写得最认真的部分。比赛成绩出来后，论文成了「过去时」；但复盘的价值恰恰在于把漂亮结论掀开，看看底下垫着什么。下面每一条，我都尽量给出当时的现场逻辑、以及一年后的诊断。

假设清单和实际实现，是两篇不同的论文

论文「模型假设」第 2 条写着：「碳化硅外延层折射率为常数 2.55，忽略载流子浓度与波长的影响」。

而实际的代码：问题一默认 $n_1 = 2.65$；问题二用柯西色散动态计算折射率（约 1.46~1.5），与「常数」假设直接矛盾；同一篇论文里 2.55、2.65、1.5、1.46、3.42 五个折射率各司其职。

诊断：假设清单是写作时才补出来的，建模阶段没人看过它——比赛后期的典型症状，先有结果后补假设，谁也不认识谁。假设本该是建模的起点和约束，最后却成了论文的装饰品。

如果重来：开题第一小时就冻结符号表和参数表，假设清单里每一条后面直接标注「在代码何处生效」。假设变了，清单跟着变，而不是代码先行、清单追认。

材料参数张冠李戴：柯西系数与折射率的「案发现场」

这是全文最实质的物理错误，现在我才发现：

其一，问题二柯西色散用的系数 $A = 1.458$、$B = 0.00354\ \mathrm{\mu m^2}$——这是**熔融石英（SiO₂）**的经典柯西系数，代码注释里甚至写着「SiO₂ 在 0.4–2.0 μm 范围可忽略」。用它算出来的「外延层折射率」约 1.46，而碳化硅在红外波段的折射率约为 2.55~2.65。相当于给一块碳化硅贴上了玻璃的身份证。

其二，问题三的峰值波长法里 calculate_thickness_v2(lambda, n=1.5, k=1) ——默认折射率 1.5 又是玻璃；同一个小节里，波数差法用的却是硅的正确折射率 3.42。同一个问题、同一份论文、两种折射率并存。

诊断：厚度与折射率成反比（$d \propto 1/n$），折射率错一个倍数，厚度就错一个倍数。参数来源没有溯源机制，「能跑出数」掩盖了「数从哪来」。

如果重来：建立一张「材料参数溯源表」：每个常数 → 来源（文献/标准/估算）→ 适用条件。凡是找不到 SiC 专属数据的（红外波段 SiC 色散其实有文献值），宁可做参数扫描给出区间，也不拿别的材料的系数硬顶。

最戏剧性的一幕：两个错误几乎完美抵消

复盘时我重新跑了附件 1/2 的数据（滑动平均去基线后检测条纹峰）：

• 碳化硅光谱高波数区的条纹间距中位数约为 Δν ≈ 232 cm⁻¹，两个入射角一致；
• 代入 $d = 1/(2 n \Delta\nu)$，取 SiC 合理折射率 $n = 2.55\text{-}2.60$，得 d ≈ 8.3~8.5 μm。

论文报告的垂直入射均值是 8.27 μm——和稳健估计几乎一致。但实际上还是有问题：

当时厚度公式的实际代入是 $d = m\lambda / (2 n_{\text{柯西}}\cos\theta)$，其中 $n_{\text{柯西}} \approx 1.5$（SiO₂ 系数），且在谱段左端（$\nu \approx 400\ \mathrm{cm^{-1}}$）锚定 $m = 1$。而「真实」的干涉级次应该是

于是：

级次低估的 1.75 倍，恰好被折射率低估的 1.73 倍抵消了。$m/n$ 本来就是简并的（前文分析过），我们等于是在错误的一组 $(m, n)$ 上拟合出了接近正确的 $m/n$ 比值。最终数字好看，纯属参数简并送给我们的巧合——如果真实厚度是 6 μm 或 12 μm，这条流水线会给出面目全非的结果而我们毫无察觉。

诊断：一个模型给出「看起来合理」的数字，不构成它正确的证据。参数简并的模型里，错误可以互相伪装。

如果重来：凡是 $(m, n)$ 这类简并参数，必须做敏感性/退化性检查：固定 $n$ 扫 $m$，画出「解空间」，明确告诉读者「绝对厚度完全依赖折射率的先验准确性」。同时用 GB/T 42905-2023 的 FFT 方法作为独立对照——两个方法原理不同的算法给出一致结果，才敢说「可靠」。

硅厚度的 1.50 μm：一个无法复现的结果

同样在复盘时，我重新处理了附件 3/4：对光谱做滑动平均平滑后，用突出度条件筛掉噪声峰，只找到 3~4 个可靠的宽峰（约 405、750、1105、1519 cm⁻¹，相邻间距约 345~410 cm⁻¹）。代入波数差法（$n = 3.42$）：

——和论文里的 1.50 μm 对不上。问题出在峰的挑选上：原始数据里纯粹由噪声造成的局部极大值有一千多个（相邻「峰」间距仅 1 cm⁻¹ 量级），find_peaks 不加筛选时会被它们淹没；而当时峰值法的参数组合（限制波段、height≥10、distance=15、prominence=1）恰好筛出一小撮峰，再配上经验性的级次赋值（$k = 3, 2, 1$），得到了 1.5 μm 附近的结果。

诊断：峰值检测类算法的结果强烈依赖滤波窗口、突出度阈值、距离参数、波段范围这组超参数，而当时没有任何一组合适性论证。1.50 与 1.52 的「两角度一致」给了我们虚假的信心——两份数据的噪声结构相似，同一套超参数自然给出相似的错误。

如果重来：条纹分析改用频域方法（对反射率做 FFT，主频即条纹频率），它对单个噪声峰天然免疫；峰值法只作辅助交叉验证。所有超参数做 ±30% 扰动的稳健性检验，结果随参数剧变时，诚实地报告「不稳定」而不是挑一组好看的。

「修正了多光束干涉」——其实没有

论文摘要写「修正碳化硅数据中微弱多光束干涉影响后，与原双光束模型偏差 ≤ 2%」，正文也有「多光束干涉使计算误差较双光束模型降 25%–30%」这样的表述。拆开看：

• Q5.py 的模拟参数是 $n = 10$、$h = 25000\ \mathrm{nm}$、$\lambda = 500\ \mathrm{nm}$——一套演示性参数，与碳化硅实测体系（$n \approx 2.6$、$d \approx 8\ \mathrm{\mu m}$、红外波段）完全无关。它只能验证「多光束叠加公式实现正确」这一层；「附件 1/2 里的多光束效应已被消除」，从未被验证过；
• 真正的「消除影响」应该是：用 Airy 反射率模型（含正确参数）正向拟合附件 1/2 的光谱，与双光束模型的拟合结果比较厚度差异——这一步从未发生；
• 「25%–30%」「12%–15%」这些百分比，没有可复现的对照实验流程支撑。

诊断：赶 deadline 的写作里，「模拟验证了理论」很容易被悄悄升格成「数据完成了修正」。读者（和评审）看到的结论动词，比实际做的事情强了一个等级。

如果重来：每个定量结论后面强制挂一个「证据指针」：哪个脚本、哪个输出文件、哪两张图的对比支撑了它。没有证据链的数字，一律从摘要里删掉。

被题目剧透了

题目第一段就写明：「外延层与衬底因掺杂载流子浓度的不同而有不同的折射率」。这其实是在提示自由载流子的 Drude 色散模型：

重掺杂衬底的折射率在红外波段会随波长显著变化（这正是硅衬底呈现「类金属」高反射、产生强多光束干涉的原因，也是 SiC/SiC 界面反射率随掺杂变化的定量来源）。我们的模型从头到尾用「柯西色散 + 查表常数」糊弄了过去，等于把题目埋的这条物理主线整段跳过。

同样被简化的还有：SiC 在 794~970 cm⁻¹ 的强声子吸收带（Reststrahlen 带——附件 1/2 在这个区间的反射率剧烈摆动，0.8% 到 95%，我们只是当作「异常区」绕开了，没有解释）、表面粗糙度散射、有限光斑与相干长度。这些每一个都可以是模型改进的小节，当时全部让位于时间压力。

诊断：题干里每个看似背景介绍的句子，都可能是评分点。「因载流子浓度不同」这半句话，是这道题物理深度的钥匙，我们从它旁边走过而没有推门。

如果重来：开题时把题干逐句编号，每句标注「信息 / 提示 / 要求」。被标记为「提示」的句子，必须在论文里有正面回应（哪怕只是敏感性讨论）。

工程债：复制粘贴出来的四个脚本

Q2_10degree.py、Q2_15degree.py、Q3_10degree.py、Q3_15degree.py 四个文件，两两之间 90% 相同，差异只是入射角和文件名；魔法常数（MIN_SINR = 0.0001、m_default = 1、distance = 15……）散落在各处；单位在 cm / μm / nm 之间反复横跳，每次换算都是一次开错方次的风险。

还有一个今天看来很可惜的细节：detect_interference_period 里 FFT 验证周期算出来了，却只是 print 出来给人类看，没有参与任何自动决策——写了正确的零件，没有把它装进机器。

诊断：短期看复制粘贴最快；但它让「改一个参数」变成「改四个文件」，也让复盘时的代码考古变得痛苦。三天赛制不是拒绝工程的理由，恰恰是工程的理由。

如果重来：单一入口 + 配置驱动：solve(attachment=1, angle=10, method="vertical")，四份脚本变成四行配置。FFT 验证直接驱动级次选择，构成「检测 → 验证 → 决策」闭环。单位统一在读取层归一化（全部转 cm），只在展示层格式化。

反思汇总

结语

认真数一数，这篇复盘里「如果重来」出现了七次。但让我意外的是，重读论文时最先想起的竟是第一晚白板前那四十分钟的争论——我们用光路图互相说服，最后一起写出统一公式 $d = k/(2 n_1 \cos\theta_1\, \nu)$ 的那个瞬间。那个公式只有五行推导；但「先把物理吵清楚、再让代码服从物理」的工作方式，是这场比赛真正留在身上的东西。

数学建模教会我的，大概是这么一种诚实：模型永远是对真实世界的粗糙近似。三天里我们造了一个能自圆其说的世界，一年后拆开看，有的梁是运气撑住的。而发现「运气撑住的梁」并把它换掉的过程，和当年搭建它一样有乐趣——所以这篇复盘大概还会续写：等哪天我把 Drude 色散补进模型、用 FFT 方法重算出那块晶圆的厚度，再来更新结论。

愿下一束入射的红外光，往返的都是被理解的道路。(´｡• ᵕ •｡`)