第三章 Rietveld法数学原理：最小二乘法、峰形函数、背景拟合
各位同学，欢迎来到第三章。说实话，这一章是Rietveld精修的“发动机”。你前面学了多少衍射理论，最后都得靠数学工具来落地。我个人觉得，搞懂这一章，你才算真正入了精修的门。
咱们直接切入正题。Rietveld法的核心思想，说白了就是：我造一个理论谱，让它去“拟合”你的实验谱，拟合得越好，我的结构模型就越准。那怎么衡量“拟合得好”？怎么去调整模型？这就得靠我们今天讲的三个数学工具。
核心逻辑图：Rietveld精修的数学闭环
3.1 最小二乘法：精修的“发动机”
最小二乘法，听起来很高大上？其实没那么玄乎。你想想看，我们有一个实验谱，上面有几千个数据点，每个点都有个强度值Yobs。然后我们根据模型算出一个计算谱Ycalc。理想情况下，这两个谱应该完全重合。但现实总是骨感的——它们之间有差值。
Rietveld法的目标就是：让所有数据点上，实验值和计算值的差值的平方和，达到最小。数学表达式就是：
M = Σ wi (Yobs,i - Ycalc,i)² → 最小化这里wi是权重因子，通常取1/σ²(Yobs,i)，也就是误差越大的点，权重越小。这个设计很聪明——你想想看，如果某个点误差很大，你还给它高权重，那不是把精修往沟里带吗？
个人经验：我刚开始做精修时，总盯着Rwp值看，觉得越小越好。后来发现，有时候Rwp降下来了，但结构参数反而变得不合理。为什么？因为可能过拟合了。所以我现在习惯：Rwp要小，但更要看参数的物理意义是否合理。比如键长键角，不能离谱。
最小二乘法具体怎么工作？它其实是一个迭代过程：
- 计算梯度：算出每个参数对Ycalc的影响（偏导数）
- 构建矩阵：把这些偏导数组装成一个矩阵（叫“法方程矩阵”）
- 求解增量：解这个矩阵，得到每个参数的调整量
- 更新参数：把调整量加到当前参数上，得到新模型
- 重复：回到第1步，直到收敛
这个过程，说白了就是“摸着石头过河”。每次调整一点点，看看拟合效果有没有变好。变好了就继续，变差了就退回去。嗯，这里要注意：初始模型不能太差，否则最小二乘法可能掉进局部极小值，出不来。
3.2 峰形函数：给衍射峰“画像”
实验测得的衍射峰，不是一根根细线，而是有一定宽度的“鼓包”。这个鼓包的形状，就是峰形函数要描述的内容。为什么峰会有宽度？因为仪器有展宽、样品有微应变、晶粒尺寸有限...这些因素叠加在一起，就形成了我们看到的峰形。
常用的峰形函数有这么几种：
| 函数名称 | 数学形式 | 适用场景 |
|---|---|---|
| 高斯函数 (Gaussian) | G(2θ) = (2/HG)·√(ln2/π) · exp[-4ln2·(2θ-2θ₀)²/HG²] | 中子衍射、仪器展宽主导 |
| 洛伦兹函数 (Lorentzian) | L(2θ) = (2/πHL) · [1 + 4(2θ-2θ₀)²/HL²]⁻¹ | 样品微应变、尺寸效应主导 |
| 伪Voigt函数 (pV) | pV = η·L + (1-η)·G | 实验室XRD最常见，混合峰形 |
| Pearson VII | 更复杂的混合形式 | 不对称峰、特殊样品 |
我个人最常用的是伪Voigt函数。为什么？因为它用一个混合参数η，就能在纯高斯和纯洛伦兹之间平滑过渡。我在项目中遇到过一种情况：某个样品的峰形，低角度偏高斯，高角度偏洛伦兹。这时候如果用固定η的pV函数，拟合效果就很差。后来我改用分峰宽参数化（比如Caglioti公式），才把问题解决。
避坑指南：我曾经在精修一个纳米材料时，发现Rwp始终降不下来。折腾了两天，最后发现是峰形函数选错了。纳米材料的峰很宽，而且有明显的洛伦兹展宽，我用纯高斯函数去拟合，当然不行。所以记住：峰形函数的选择，要基于你对样品和仪器的了解，不能无脑选。
峰宽随角度的变化，通常用Caglioti公式描述：
H² = U·tan²θ + V·tanθ + W其中U、V、W是仪器参数。U主要跟轴向发散有关，V跟平板样品有关，W跟仪器本征展宽有关。精修时，这些参数通常可以自由优化，但要注意：U、V、W之间可能有强相关性，同时精修容易导致参数振荡。我建议先固定W，精修U和V，最后再放开W。
3.3 背景拟合：别让“底噪”干扰你
背景，就是衍射谱中那些不属于任何布拉格峰的信号。来源很多：样品的荧光、非晶散射、空气散射、仪器噪声...背景如果不处理好，会严重影响峰强度的准确性，进而影响结构参数的精修。
背景拟合的方法主要有两种：
- 手动选点法：在谱图上选一些“没有峰”的点，用多项式或样条函数插值。优点是灵活，缺点是主观性强，不同人选的点不一样，结果可能不同。
- 函数拟合法：用一个数学函数来描述背景。常用的有：
- 多项式背景：B(2θ) = a₀ + a₁·2θ + a₂·(2θ)² + ...
- Chebyshev多项式：更稳定，不易振荡
- 指数背景：适用于有非晶鼓包的样品
我个人习惯用Chebyshev多项式，阶数通常选6-12阶。为什么？因为Chebyshev多项式在区间内振荡幅度均匀，不会像普通多项式那样在端点处“翘尾巴”。
小技巧：精修背景时，我建议先做一次“粗修”——只精修背景参数和尺度因子，不精修结构参数。等背景稳定了，再逐步放开其他参数。这样做的好处是：避免背景参数和结构参数“打架”，导致精修发散。
还有一种情况要注意：如果样品中有非晶相，背景会出现一个“鼓包”。这时候用简单的多项式可能拟合不好。我遇到过这种情况，最后用了“峰形背景”——就是用几个很宽的峰来拟合非晶散射。嗯，这招挺管用的，但要注意：非晶峰的参数不要和晶体峰的参数同时精修，容易混淆。
3.4 三者如何协同工作？
最小二乘法、峰形函数、背景拟合，这三者不是孤立的。它们的关系是这样的：
- 背景拟合先给出一个初始背景，从实验谱中扣除背景，得到“净衍射谱”
- 峰形函数根据结构模型，计算出每个衍射峰的强度、位置、宽度，叠加成计算谱
- 最小二乘法比较实验谱和计算谱，计算差值，然后调整所有参数（包括背景参数、峰形参数、结构参数）
- 重复以上步骤，直到收敛
你看，这是一个闭环。任何一个环节出了问题，都会影响最终结果。我见过有人精修时，背景拟合得乱七八糟，然后拼命调结构参数去“补偿”，结果Rwp看起来还行，但结构参数完全不对。这就是典型的“垃圾进，垃圾出”。
总结一下本章的核心要点：
- 最小二乘法是精修的“引擎”，目标是让实验谱和计算谱的加权差值平方和最小
- 峰形函数描述衍射峰的“形状”，伪Voigt函数最常用，峰宽用Caglioti公式描述
- 背景拟合要准确，Chebyshev多项式是不错的选择，注意避免背景和结构参数“串扰”
- 三者协同工作，形成一个迭代优化的闭环
好了，这一章的内容就到这里。数学原理听起来可能有点枯燥，但它是你后面实操的基础。下一章我们会进入实战环节，用具体的软件和案例，把这些原理用起来。到时候你会发现，理解了这些数学原理，操作起来会顺手很多。
公众号:蓝海资料掘金营，微信deep3321