发光太阳聚光器蒙特卡洛光线追踪仿真：Matlab代码实现与优化

做太阳能材料的人，对"发光太阳聚光器"（Luminescent Solar Concentrator，LSC）应该不陌生：一块本身不发电的透明板，混进荧光材料，阳光照上去之后不是直接光电转换，而是被吸收、重新发射、在板内来回全反射，最后从边缘汇聚到一小条太阳能电池上。这个"先聚光、后发电"的思路最早可以追溯到上世纪70年代，但真正让它重新热起来的是近几年量子点和钙钛矿荧光材料的进展。我因为课题需要，用蒙特卡洛光线追踪方法完整研究了一遍LSC的光学行为，并用Matlab写了一套可复现的仿真代码。这篇博文把整个研究框架、模型设计、代码实现和踩坑记录都整理出来，给想做LSC仿真或者刚接触光线追踪的朋友做个参考。

1. 发光太阳聚光器到底是怎么回事

1.1 LSC的工作原理与核心价值

先花点时间把LSC的原理讲透，因为后面所有的仿真逻辑都建立在这几个物理过程上。一块LSC，本质上就是三层东西：透明基板、荧光分子、边缘电池。

阳光照射到平板上，会经历这样一个过程：荧光分子吸收某个波段的光子（通常是有机染料或者量子点），电子跃迁到激发态；紧接着分子通过振动弛豫损失一部分能量，再以更长波长的光子的形式把能量释放出来，这就是荧光发射。发射出的光子方向是随机的，其中恰好有相当一部分光子的入射方向相对于基板上下表面满足全内反射条件，于是这些光子就被"困"在波导内部，通过不断地全反射传播到平板的边缘，最终被安装在四周的太阳能电池收集。

这个过程带来的优势非常明显。第一，它能利用漫射光。传统的聚光光伏需要透镜或者反射镜把直射阳光聚到焦点上，阴天或者太阳角度变一下效率就崩了；LSC不需要太阳追踪，漫射光也照样进波导。第二，它可以是半透明、彩色的，能直接做成建筑玻璃幕墙、温室顶棚这类"光伏建材"，这是晶硅组件很难做到的事情。第三，边缘电池面积小，如果以后能把荧光材料做到低成本、高效率，整体成本比大面积铺硅片有优势得多。

但LSC的问题也很突出：效率长期上不去。核心瓶颈就是自吸收——荧光分子发射的光子，在往边缘传播的路上，很可能被另一颗荧光分子吸收掉，然后重新发射。每次吸收-再发射循环都有量子效率损耗，而且发射波长会进一步红移。这个循环环环相扣，光子的命运高度随机，光靠直觉和公式根本算不清楚，所以才需要蒙特卡洛光线追踪这种细颗粒度的概率仿真工具。

1.2 为什么仿真手段选蒙特卡洛光线追踪

如果你面对的是一个规则透镜或者简单反射镜，用几何光学公式就可以手算光路，甚至用Zemax这类商业软件建模。但LSC的特殊之处在于：吸收位置随机、发射方向随机、发射波长随机、传播路径上还随时可能发生二次吸收，这是一个典型的随机过程占主导的光学系统。

蒙特卡洛光线追踪的思路非常简单粗暴：我不去解什么偏微分方程，而是把一颗一颗"光子"当作样本，按照每一步物理过程的概率分布去随机抽样，然后把成千上万颗光子的命运统计起来。光子的数量越多，最终统计结果就越接近真实物理。这个方法和LSC简直是天作之合——荧光分子吸收位置服从比尔-朗伯定律的指数分布，发射方向服从各向同性分布，这些随机性用均匀分布随机数就能一一映射出来。

相比解析模型，蒙特卡洛方法可以处理任意几何形状、任意多层结构、任意光谱分布，甚至可以把太阳能电池的响应曲线也耦合进去。相比实验试错，它能在一天之内扫完几十组参数组合，给你一个效率随浓度、尺寸、量子效率变化的完整趋势图。对于发论文或者做方案预研，这套工具是不可或缺的。

1.3 这套研究方案适合谁参考

这篇文章的核心是给以下人群准备的：刚入门的太阳能材料方向研究生，导师丢给你一个LSC课题，需要快速建立一套仿真能力；想验证自己实验数据的工程人员，比如测到了某款量子点的量子效率，想知道如果用到LSC里理论上能有多高效率；还有一部分是纯粹对光学仿真感兴趣的Matlab玩家，想了解蒙特卡洛方法在光学领域怎么落地。

我不会只给一堆公式，而是会给出可以直接抄作业的Matlab代码框架和关键函数。你不需要自己有光线追踪的基础，只要懂得基本的光学概念，能看懂Matlab语法，就可以把这套代码跑起来，然后改成自己需要的参数。

2. 蒙特卡洛光线追踪模型的设计思路

2.1 光子在LSC中的完整生命周期

在写代码之前，脑子里必须先把光子的一生梳理清楚。一颗光子进入LSC系统后，大致经历以下几个阶段：

第一阶段是入射。太阳光从上表面进入平板，由于基板折射率高于空气，入射光在界面处会发生折射。通常为了简化，我们取正入射或者一个固定的天顶角。入射光子的波长按照太阳光谱AM1.5来抽样，横向位置在平板上表面均匀抽样。

第二阶段是吸收。光子进入基板后，一路往下走，沿途不断被荧光分子吸收。吸收的位置是随机的，吸收概率随深度按指数衰减，衰减系数就是荧光材料在该波长下的吸收系数。如果光子从底面穿出去了还没被吸收，那这部分能量就是透射损耗。

第三阶段是荧光发射。被吸收的光子以一定概率（量子效率）重新发射出来。发射波长按材料的归一化发射光谱抽样，发射方向是4π空间各向同性。需要注意，还有一部分被吸收的能量会变成热量，这就是量子效率损耗。

第四阶段是波导传播。发射后的光子在均匀介质中直线传播，遇到平板的上下表面时，判断是否满足全内反射条件；如果满足就反射，不满足就逃逸出去。遇到四个侧边时，光子被那里安装的太阳能电池收集，记录事件。

第五阶段是自吸收循环。光子发射后，如果传播路径上又遇到另一颗荧光分子，而且它的能量刚好和该分子的吸收谱重叠，就可能再次被吸收，然后又发射、又传播。这个循环可以重复很多次，每次循环都有量子效率损失和进一步的波长红移。

当一颗光子最终到达边缘、从表面逃逸、或者在传播过程中被基质吸收损耗掉，这颗光子的生命周期就结束了。我们把一百万颗光子全部模拟完，统计边缘收集的光子能量总和占入射总能量的比例，就得到了LSC的光学效率。

2.2 核心概率模型与数学表达

蒙特卡洛方法的好处是，所有物理过程都可以用简洁的概率式来刻画。

先看全内反射。设基板折射率为n，外部为空气（折射率1.0），临界角满足sinθc=1/n。一颗发射光子的方向与法线夹角为θi，当θi>θc时全反射，否则逃逸。换个等价说法：用方向向量的法向分量来判断。以平板法线为z轴，若方向向量的|dz|<cosθc，则光子会逃逸；若|dz|≥cosθc，则被捕获。

这个阈值直接决定了有多少荧光能被捕住。如果n=1.5，cosθc=0.745，因此理论上有约74.5%的发射光可以留在波导内，25.5%会进入上下表面的"逃逸锥"丢失掉。这个比例是LSC效率的天花板。

再看吸收自由程。根据比尔-朗伯定律，光强沿传播距离呈指数衰减，所以光子被吸收前走过的距离s服从概率密度f(s)=α·exp(-αs)，其中α是波长相关的吸收系数。在代码里，用标准均匀随机数r生成s=-ln(r)/α即可。

发射方向。各向同性发射意味着方向在球面上均匀分布。用两个均匀随机数r1、r2，极角θ=acos(1-2r1)，方位角φ=2πr2，然后从球坐标转成直角坐标方向向量。

发射波长。按照发射光谱作为权重，可以先用cumsum建立累积分布函数，然后对均匀随机数做逆变换采样。这个做法简单可靠，后面代码里就是这样实现的。

2.3 光学效率的定义

研究中最重要的评价指标是光学效率η_opt，定义为到达边缘的光子总能量与入射光子总能量之比。注意这里有两个口径：一个是光子数比，一个是能量比。由于荧光发射的波长比入射波长更长，即单个光子能量变小，所以能量比通常小于光子数比。用能量比更符合实际电池的发电原理，因为电池把光子转为电子空穴对时，超过带隙的那部分能量本来就浪费了。

除了总光学效率，我们还可以统计边缘通量的分布：到底光是从哪个边缘出去的、分布是否均匀。这些信息对设计边缘电池的宽度和排布很有价值。

3. Matlab代码实现与核心模块拆解

3.1 代码架构设计

这套Matlab代码我写成了模块化结构，共四个文件：

• config_lsc.m：参数定义，包括几何尺寸、折射率、吸收系数、发射光谱、量子效率、光子数量等
• generate_incident_photon.m：生成一颗入射光子
• trace_photon.m：追踪一颗光子从进入到终止的完整路径
• run_lsc_simulation.m：主程序，循环调用追踪函数并统计结果

这个结构的好处是每个函数职责单一，改参数不需要动逻辑。你拿到代码后，最先需要改的肯定是config_lsc.m里的材料参数——把你自己荧光材料的吸收谱和发射谱代进去就行。

3.2 入射光子生成模块

入射光子的波长采样最为关键。太阳光谱不是均匀的，可见光到近红外有几个明显的高峰。我用一个包含波长和辐照度的数组来代表光谱，归一化后做累积分布函数采样：

function wl = sample_solar_wavelength(wl_grid, solar_spectrum) % 根据AM1.5太阳光谱权重随机抽样一个入射波长 pdf = solar_spectrum / sum(solar_spectrum); cdf = cumsum(pdf); u = rand(); idx = find(cdf >= u, 1, 'first'); wl = wl_grid(idx); end

入射位置在平板上表面均匀分布，方向取垂直入射。对于简化模型，我把入射角度固定为0，也就是正入射。如果你想研究不同太阳高度角的影响，只需要在生成方向向量时把天顶角改成一个非零值，再叠加一个折射的偏折角度即可。

3.3 光子在波导中的传播与边界处理

这是整个代码的核心，也是最容易出bug的地方。光子在均匀介质中沿直线传播，我们要反复执行"计算到边界的距离、判断下一步事件"的循环。矩形波导有六个面，四个侧面是收集面，上下两个面是逃逸/反射面。

判断到各面距离的常规方法是：对每个坐标维度，看方向分量的正负，分别计算到当前维度最小边界和最大边界的距离，取六个距离中的最小值作为"无事件最大传播距离"，然后用随机抽样得到的吸收自由程与之比较：

% 主体循环：每次迭代判断是吸收、反射、逃逸还是到达边缘 function result = trace_photon(p, geom, mat) while true % 计算到各边界的距离 d_bound = get_boundary_distances(p, geom); % 吸收到下一次事件的自由程 mu_a = interp1(mat.wl, mat.abs_coeff, p.wl, 'linear', 'extrap'); d_abs = -log(rand()) / max(mu_a, eps); if d_abs < d_bound % 先被吸收 p.pos = p.pos + p.dir * d_abs; % 判断是否荧光发射（受量子效率限制） if rand() < mat.qy % 重新发射：抽样波长和方向 p.wl = sample_wavelength(mat.em_wl, mat.em_spec); theta = acos(1 - 2*rand()); phi = 2*pi*rand(); p.dir = [sin(theta)*cos(phi), sin(theta)*sin(phi), cos(theta)]; else % 无辐射跃迁，光子湮灭 result = 'quenched'; return; end else % 到达边界 p.pos = p.pos + p.dir * d_bound; % 判断撞到哪个面 if at_side_edge(p, geom) result = 'collected'; return; else % 上或下表面：判断全反射 if is_total_reflection(p, geom) reflect_z(p); else result = 'escaped'; return; end end end end end

这里的get_boundary_distances需要小心浮点误差。光子反射后可能停留在距边界极近的位置，如果下一次迭代直接把这个距离算成0，就会死循环或者误判。我的处理是给距离加一个很小的阈值判断，比如1e-12米量级，当距离小于阈值时强制认为还在边界上，直接做下一次反射。

3.4 荧光发射与自吸收处理

发射波长的采样和入射波长类似，按发射光谱的累积分布来抽样。自吸收的处理体现在：每次发射后，光子在传播途中如果又被吸收，代码会再次进入"吸收-重新发射"循环。这个循环的次数由吸收系数决定，吸收系数越大、板越厚、发射光谱和吸收光谱重叠越多，自吸收就越严重。

但要注意量子效率损耗是会叠加的。假设材料量子效率为0.9，一颗光子每经历一次"吸收-再发射"循环，就有10%的概率淬灭。经历5次循环后，存活的概率只有0.9的五次方，约59%。所以自吸收是LSC效率的隐形杀手。代码里没有额外限制自吸收循环次数，因为每次循环都有概率淬灭，总数上不会无限循环，但你可以加一个max_iterations上限作为安全保护。

3.5 统计与结果输出

主程序里，我维护了几个累加器：入射光子数、收集光子数、逃逸光子数、淬灭光子数，以及它们各自对应的能量总和。当N_photon颗光子都模拟完毕后，计算：

eta_opt = E_collected / E_incident;

同时可以按边缘方位记录收集位置，画出收集光通量沿边缘的分布图。这部分代码量不大，却是整个研究的"临门一脚"。

4. 结果分析：光学效率与关键参数影响规律

4.1 典型仿真结果解读

我拿一组典型参数做示范：PMMA基板折射率1.49，荧光材料峰值吸收450nm、峰值发射550nm，量子效率0.90，板厚3mm，边长50mm，入射光按AM1.5太阳光谱，光子数设为100万颗。跑完之后得到的光学效率在35%左右，其中约有20%的能量通过上下表面逃逸损耗，30%左右被量子效率损耗吸收掉，剩下的则被带到边缘。

逃逸损耗里其实包含了初始逃逸锥的物理极限——即使完全没有自吸收，也会有约25.5%的能量从上下表面逃逸。所以35%的光学效率在一个50mm见方的小尺寸样片上已经算是不错的结果。如果你在文献里看到那些宣称"光学效率50%"的工作，通常是小面积样品配合超低自吸收材料，或者使用了上转换、光谱分离等额外手段。

4.2 参数扫描：量子效率、浓度、尺寸

蒙特卡洛方法的优势在于参数扫描。我跑了一组量子效率从70%到95%的扫描，结果如下（示意数据）：

从这几组数据可以看到两个趋势。第一，量子效率对光学效率的影响近似线性，但并非完全线性——因为自吸收循环放大了量子效率损耗，所以实际效率的下降比"1-量子效率"这个幅度更大。第二，大尺寸样片的效率明显低于小尺寸，这就是传播损耗的直接体现。光子要走更远的距离才到边缘，中途逃逸和被再吸收的概率都增加。

我再扫描了一组荧光分子浓度的影响。浓度升高会增强对入射光的吸收，本来是好事情，但浓度升高同时会增加发射光的自吸收概率。仿真结果显示，存在一个最佳浓度窗口：浓度太低，入射光吸收不充分；浓度太高，自吸收损耗超过吸收收益，光学效率不升反降。这个"峰值浓度"是个重要设计参数，用实验去试要耗费大量时间和材料，用蒙特卡洛仿真半小时就能定位个大概。

4.3 代码正确性验证的三条路线

仿真代码最怕的就是跑的飞快但结果完全不对。我每次写新版本代码，都会同时做三重验证。

第一重是能量守恒检查。一颗光子要么被收集、要么从某个面逃逸、要么淬灭，总之所有能量损耗加起来应该等于入射能量。仿真结束后统计四类能量之和，误差如果超过1%，说明代码里有光子被"弄丢"了，多半是边界处理出了bug。

第二重是简化模型对照。把量子效率设为1、自吸收系数设为0、把板的横向尺寸设为无穷大（用很小的吸收系数替代），此时光学效率应该逼近理论的全内反射捕获上限cosθc。如果仿真结果和预期不符，问题多半出在全反射判断上。

第三重是和文献数据对比。找一篇已发表的LSC实验论文，把它的材料参数、尺寸、入射条件代进去跑一遍，看仿真光学效率与实验测量值是否在合理误差范围内。这里要注意实验里存在基质散射、边缘电池耦合损失等非理想因素，仿真值略高于实验值是正常的，但如果高出10个百分点以上，就要回头检查参数设置。

5. 常见问题与调试手记

5.1 统计噪声与光子数量选择

蒙特卡洛方法的误差和光子数量的平方根成反比。光子数翻4倍，统计误差才减半。实际经验是：只看一个工况的总光学效率，10万颗光子就够用了；要做参数扫描且需要光滑曲线，建议100万颗；如果想统计边缘通量分布这类细粒度数据，那至少要500万颗起步。

这里有一个很多人容易忽略的点：每次运行前固定随机数种子，用rng(固定值)。不固定种子的话，同样的参数每次跑出来的结果都会有2%-3%的差异，你根本没法判断参数改变带来的0.5%效率变化到底是真实趋势还是随机噪声。固定种子之后，结果完全可复现，参数扫描才有说服力。

5.2 边界判断的浮点精度坑

我在调试中遇到的第一个严重bug就是边界抖动问题。光子反射后，新的位置在极端情况下可能略微越过边界，比如z坐标变成了-1e-16，虽然数值上接近0，但下一次距离计算会把dz方向搞反，光子直接穿墙逃逸或者反向反弹，最终统计结果一团糟。

解决办法是在get_boundary_distances里做钳位：

p.pos = max(min(p.pos, geom.max), geom.min);

每次更新位置后都把坐标拉回边界范围以内。这看起来是笨办法，但实际效果非常好，能根治几乎所有数值边界bug。

5.3 自吸收循环的性能优化

自吸收处理的核心循环是逐光子串行的，100万颗光子跑下来，普通的Matlab脚本可能要跑十分钟到半小时。如果只是偶尔跑一次还好，参数扫描动辄几十组就难受了。我有几个优化方案分享。

第一，把发射光谱采样改成预计算的查表。在程序初始化时，把发射光谱的累积分布函数预先插值成密集网格，运行时只做一两次随机数映射，避免每次都去扫描整个数组找索引。第二，用parfor把光子分配到多个worker并行跑。由于每颗光子之间完全独立，这是天生适合并行的任务，几行改动就能把运行时间缩短到接近原来的四分之一。第三，如果仿真规模极大，可以考虑用Matlab Coder把核心循环编译成C代码，提速十倍以上。

另外还要提醒一点：如果你在循环中动态打印每一颗光子的追踪信息，I/O开销会吃掉大量性能。调试时可以临时打开详细日志，正式跑数据前务必关掉。

5.4 常见问题速查表

5.5 与Matlab环境相关的实用经验

这套代码我在Matlab R2021a和R2022b上都跑通过，不依赖任何额外的光学工具箱，只需要基础的统计和绘图函数。如果你用的是较老的版本，注意interp1的'linear'和'extrap'参数是兼容的，问题不大。并行计算部分需要安装Parallel Computing Toolbox，如果没有这个工具箱，把parfor改回for就可以跑了，只是慢一些。

Matlab下载安装之后第一次跑脚本，建议用profile on来做性能分析，快速定位瓶颈在哪一段。我实际测下来，发射光谱采样的查找开销和边界距离计算往往各占三成，剩余的消耗在随机数生成和循环自身，针对性优化优先做前两者即可。

结尾的几句实在话

我在做这个课题时，最深刻的体会是：仿真模型做得再精细，终究只是现实的近似。蒙特卡洛光线追踪的精髓不是把每个物理效应都精确复现，而是抓住主导效率的少数几个环节——入射吸收、量子效率、全反射捕获、自吸收循环、传播损耗——把它们建模准确，就足以指导实验方向了。代码的价值也不在于跑出来的数字多漂亮，而在于它能帮你快速排除那些不值得做实验的参数组合。

最后再分享一个小技巧：你在给导师或合作方汇报LSC仿真结果时，除了贴光学效率的数字，一定要附上"光子在达成最终命运前的平均经历事件数"。这个数据能直观说明你的设计方案里自吸收有多严重，比单纯喊"自吸收是瓶颈"有说服力得多。希望这套从原理到代码的研究框架能帮你在LSC仿真路上少踩一些我踩过的坑。