使用 Python/Matplotlib 绘制多元素吸附能曲线网格图

背景

在表面科学中，吸附能 $\Delta E_{\mathrm{ads}}$ 定义为吸附前后体系总能量的变化：

$$ \Delta E_{\mathrm{ads}} = E_{\mathrm{total}}^{\mathrm{ads}} - E_{\mathrm{total}}^{\mathrm{clean}} - E_{\mathrm{adatom}} $$

通过计算 adatom 在表面上方不同 $z$ 坐标处的能量，可以得到一条势能曲线，从而判断最有利于吸附的位置和强度。本脚本将多个元素、多个位点的数据统一绘制在同一张图中，便于横向比较。

代码结构概览

脚本 plot_energy_adatom_delta_E_ads_grid.py 整体分为以下几个部分：

1. 配置与常量定义 —— 设定数据路径、图形参数、颜色映射等
2. 数据读取与平滑 —— 从 CSV 文件读取原始数据并用 PCHIP 插值平滑
3. 单面板绘制 —— 绘制一个元素的主图和放大图
4. 网格布局组装 —— 将所有面板组合成 $3 \times 2$ 网格并添加图例

核心实现

数据读取

数据存储为 CSV 格式，每行包含 adatom 沿 $z$ 轴的坐标和对应的 $\Delta E_{\mathrm{ads}}$ 值。脚本通过 csv.DictReader 逐行解析：

def read_curve(path: Path) -> tuple[list[float], list[float]]:
    with path.open(newline="") as file:
        rows = list(csv.DictReader(file))
    points = sorted((float(row[X_COL]), float(row[Y_COL])) for row in rows)
    return [x for x, _ in points], [y for _, y in points]

数据按 $z$ 坐标升序排列，保证曲线从左到右连续。

PCHIP 平滑插值

原始 DFT 计算数据点数量有限，直接绘制会出现折线。脚本使用 SciPy 的 PchipInterpolator（保形分段三次 Hermite 插值）生成 $500$ 个插值点的平滑曲线：

from scipy.interpolate import PchipInterpolator

def smooth_curve(x_values, y_values):
    unique_x, unique_indices = np.unique(x_array, return_index=True)
    unique_y = y_array[unique_indices]
    spline = PchipInterpolator(unique_x, unique_y)
    x_smooth = np.linspace(unique_x.min(), unique_x.max(), SPLINE_POINTS)
    y_smooth = spline(x_smooth)
    return x_smooth, y_smooth

PCHIP 插值优于普通三次样条之处在于它不会在数据点之间产生过冲（overshoot），保持原始数据的单调性，适合物理量曲线的可视化。

双数据集叠加

脚本同时绘制两套数据：

通过循环遍历 DATASETS 元组，同一吸附位点的两条曲线使用相同颜色、不同线型叠加，直观对比空位对吸附能的影响：

DATASETS = (
    (TA017_DIR, "solid", "{site}", "energy_{element}_{site}.csv"),
    (TA018_DIR, "dashed", "{site}_vac", "energy_{element}_{site}_vac.csv"),
)

网格布局与子图分割

整体图形使用 fig.add_gridspec(nrows=3, ncols=2) 创建 $3 \times 2$ 外层网格，每个外层单元格内部再用 subgridspec 将水平空间按 width_ratios=(1.0, ZOOM_WIDTH_RATIO) 分割为主图（左侧）和放大图（右侧）：

inner_grid = outer_grid[row, col].subgridspec(
    nrows=1,
    ncols=2,
    width_ratios=(1.0, ZOOM_WIDTH_RATIO),
    wspace=ZOOM_PANEL_WSPACE,
)
main_ax = fig.add_subplot(inner_grid[0, 0])
zoom_ax = fig.add_subplot(inner_grid[0, 1])

放大图的比例由 ZOOM_X_WIDTH / MAIN_X_WIDTH 自动计算，确保放大区域的宽度与主图中矩形选框的宽度对齐。

局部放大区域

每个元素独立配置了 ZOOM_LIMITS，指定放大区域的 $x$ 和 $y$ 范围，聚焦于吸附能最低的过渡态附近区域。主图中用灰色虚线矩形框标出放大区域：

ZOOM_LIMITS = {
    "N": {"x": (14.55, 15.75), "y": (-8.40, -2.40)},
    "H": {"x": (14.60, 15.80), "y": (-3.20, -0.20)},
    # ...
}

刻度与标注

• $x$ 轴：使用 FixedLocator 按整数间隔放置刻度
• $y$ 轴：使用 MaxNLocator(nbins=4) 自动选择 4 个合适刻度，并用 FormatStrFormatter("%.1f") 保留一位小数
• 表面位置：以垂直虚线标出 SURFACE_Z = 14.059608（Å），标示固体表面的 $z$ 坐标
• 元素标签：每个主图的右上角标注元素符号

图例

图例位于图形底部中央，$8$ 列排列，每个吸附位点包含实线（无空位）和虚线（含空位）两条图例句柄：

fig.legend(
    handles=build_legend_handles(),
    loc="lower center",
    bbox_to_anchor=(0.5, 0.03),
    ncol=8,
    # ...
)

Matplotlib 全局配置

脚本通过 plt.rcParams.update() 统一设置全局样式：

plt.rcParams.update({
    "font.family": "serif",
    "mathtext.fontset": "cm",
    "axes.unicode_minus": False,
    "xtick.direction": "in",
    "ytick.direction": "in",
    "xtick.top": True,
    "ytick.right": True,
    "savefig.dpi": 400,
})

• mathtext.fontset: "cm"：使用 Computer Modern 字体渲染数学符号，与 LaTeX 风格一致
• axes.unicode_minus: False：避免负号显示为连字符
• 四边刻度线全部向内，增强专业感
• 输出分辨率 $400$ DPI，保证打印质量

自定义坐标轴范围

脚本提供了 AXIS_LIMITS 字典，允许按元素手动设定 $x$ 和 $y$ 轴范围，设为 None 则回退到 Matplotlib 自动选择：

AXIS_LIMITS = {
    "C": {"x": (13.8, 18.0), "y": (-9.0, 3.0)},
    "H": {"x": (13.8, 18.0), "y": (-9.0, 3.0)},
    # ...
}

这一设计使得六张子图的坐标轴范围保持一致，便于横向对比不同元素的吸附行为。

输出

最终图片保存为 viz/delta_E_ads_eV/energy_all.png，尺寸 $14.4 \times 10.2$ 英寸，$400$ DPI，适合直接用于学术论文插图。

小结

本脚本展示了使用 Matplotlib 制作复杂多面板科学图表的标准实践：

• subgridspec 实现面板内嵌子图
• PCHIP 插值 平滑离散数据
• 统一坐标范围 保证子图可比较性
• 双线型叠加 对比不同表面条件
• 手动刻度和标注 精确控制图表外观

该框架可灵活适配其他元素、吸附位点或表面类型的 DFT 计算数据。

References

1. Virtanen, Pauli, et al. "SciPy 1.0: Fundamental Algorithms for Scientific Computing in Python." Nature Methods, vol. 17, 2020, pp. 261–272. link
2. Hunter, John D. "Matplotlib: A 2D Graphics Environment." Computing in Science & Engineering, vol. 9, no. 3, 2007, pp. 90–95. link
3. Harris, Charles R., et al. "Array Programming with NumPy." Nature, vol. 585, 2020, pp. 357–362. link