mc_photon_slab — CONVERGE `montecarlo` op

• 데이터 종류: 없음 → table(인자만으로 정해지는 연산자 —— 이미지나 데이터 입력을 받지 않습니다)

• 호출: import fullseye as fs; fs.ledger.mc_photon_slab(layers=None, n_above=1.0, n_below=1.0, n_photons=100000, tol=None, confidence=0.95, batch=50000, seed=1, w_threshold=0.0001, roulette_m=10) -> 'dict'(구현을 직접 호출하려면 import mcphoton; mcphoton.mc_photon_slab(layers=None, n_above=1.0, n_below=1.0, n_photons=100000, tol=None, confidence=0.95, batch=50000, seed=1, w_threshold=0.0001, roulette_m=10) -> 'dict', 원장에서 가져오려면 opsconverge.get("mc_photon_slab"))

사용법

다층 혼탁 평판의 확산 반사·전투과·흡수를 MCML형 몬테카를로로 신뢰구간과 함께 구한다.

> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.

layers: list of {"n", "mua", "mus", "g", "d"} from the top (coefficients in 1/length, thickness in the same length; d = inf for a semi-infinite last layer). n_above / n_below: ambient refractive indices. A pencil beam enters at normal incidence.

The tracing rules are those of the MCML manual (Wang & Jacques), eqs. 3.2a-3.31 — see the module docstring for which equation does what. Every packet's contribution is kept, so the standard error is the sample standard deviation over packets / sqrt(N) and the interval is mean +- z se (confidence). Batch b uses default_rng((seed, b)).

• tol=None: trace n_photons packets.

• tol=h: sequential Monte Carlo — add batches of batch packets until the half-width of R_d and of T_t is <= h (the stopping rule of converge, from the second batch on), with n_photons as the budget: refusing (NotConvergedError) if the budget is spent first.

Returns Rd, Tt, A (absorbed fraction) and A_layers, each with *_se and *_ci; Rsp (specular, deterministic: eq. 3.2a); energy_balance = R_sp + R_d + T_t + A (1 in expectation — roulette conserves energy only on average, so its deviation is compared with its own standard error); R_total = R_sp + R_d (specular plus diffuse, with the interval of R_d shifted by the deterministic R_sp); n_photons. Defaults: the MCML manual Table 6.1 slab (van de Hulst: R_d = 0.09739, T_t = 0.66096); MCML_TABLE_6_2 holds Table 6.2.

자세한 사용 가이드

• convergent_computation 패밀리 가이드

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• converge_tour — py -3.11 examples/converge_tour.py

타입이 이어지는 다음 연산자(`table` 를 입력으로 받는 것)

—

같은 카테고리(`montecarlo`)

mc_sequential_mean

*Provenance: mcphoton.py — CONVERGE 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

mc_photon_slab — CONVERGE montecarlo op

사용법