一种利用级联深度神经网络的介质超表面逆向设计算法制造技术

本发明专利技术公开了一种利用级联深度神经网络的介质超表面逆向设计算法。该方法包括以下几个步骤：步骤1，选择工作波段和超表面响应单元介质材料，随机生成若干个介质超表面响应单元，用时域有限差分的方法计算每个响应单元的电磁响应，形成一一对应的数据库。步骤2，搭建级联的深度神经网络。步骤3，利用包含结构信息的图片作为输入，电磁响应为输出训练级联深度神经网络的正向网络。步骤4，训练自编码器用于包含结构信息图片的降维和特征提取。步骤5，测试级联深度神经网络的性能和泛化能力。本发明专利技术可应用于介质超表面响应单元透射谱的快速预测和针对性的逆向设计，大大节省设计的时间成本和计算力。

【技术实现步骤摘要】
一种利用级联深度神经网络的介质超表面逆向设计算法
本专利技术涉及微纳光学和机器学习
，特别涉及一种利用级联深度神经网络的介质超表面逆向设计算法。
技术介绍
超表面是一种由亚波长结构构成的二维器件，能够实现对入射光振幅、相位和偏振的任意调制。近年来，超表面已经广泛应用于全息、超透镜和特殊光束生成器等。目前超表面的设计方法依赖于时域有限差分或有限元等的方法。虽然一些商业化的软件已经建立用于超表面响应单元电磁响应的计算，但是响应单元的参数扫描需要耗费大量的时间成本和计算力。此外，超表面的设计和大程度上需要特定的振幅和相位分布，因此超表面响应单元的逆向设计方法亟待解决。目前的一些传统方法如粒子群算法、进化算法和模拟退火算法的逆向设计并不能提供一种有效的解决方案。深度学习作为一种近年来兴起的机器学习方式，由于计算能力的大幅提升和大数据时代的到来被广泛应用于图像分类、目标检测和语义分割等领域。深度神经网络强大的模型拟合和表达能力有望应用于介质超表面的自动设计。
技术实现思路
本专利技术的目的是提供一种利用级联深度神经网络的介质超表面逆向设计算法，有益效果是：提供了一种介质超表面的自动设计方法。为了达到上述目的，本专利技术采用的技术方案其特征在于，包括以下几个步骤：步骤1，选择工作波段和超表面响应单元介质材料，随机生成若干个介质超表面响应单元，用时域有限差分的方法计算每个响应单元的电磁响应，形成一一对应的数据库。步骤2，搭建级联的深度神经网络。步骤3，利用包含结构信息的图片作为输入，电磁响应为输出训练级联深度神经网络的正向网络。步骤4，训练自编码器用于包含结构信息图片的降维和特征提取。步骤5，测试级联的深度神经网络的性能和泛化能力。步骤1的具体过程如下：选择可见光为工作波长范围，根据波长范围设计合理的响应单元的衬底和纳米柱材料，应用奎因斯特采样定律和加工条件的约束确定响应单元的周期。在半边周期内随机生成若干个长方体，并以镜像对称的方式映射到另一侧。用时域有限差分的方法计算该结构的电磁响应。重复生成随机结构和计算电磁响应的过程建立数据库，该过程重复次数越多越好，应不小于20000(经验值)次。步骤1具体过程中所述的电磁响应由于相位会产生2π的突变，所以采用实部和虚部的方式记录。步骤2中提到的级联深度神经网络应该包括4个组分：模拟器、编码器、解码器和映射器。其中模拟器用于预测超表面响应单元的电磁响应，编码器和解码器用于对超表面响应单元结构的编码和特征向量的提取，映射器和解码器的组合实现对超表面响应单元结构的预测。步骤3中提到的正向网络包括6个卷积层和2个全连接层，每个卷积层包含一个卷积操作、一个激活函数(LeakyReLU)和一个Batch-Norm层。其中第1、3和5个卷积层的步长为1，第2、4和6个卷积层的步长为2。全连接层的激活函数为双曲正切函数。训练过程的损失函数定义为：其中Tpredicted表示网络预测的透射谱，Tsimulated表示用有限时域差分方法计算的透射谱，N为样本数目。步骤4中提到的自编码器由编码器和解码器构成，编码器和解码器由5个全连接层构成，二者呈相互对称的结构。除了最后一层无激活函数外，其他的层的激活函数为LeakyReLU。训练过程采用的损失函数：其中code是自编码器提取的图片高级特征向量，T是超表面响应单元的实际透射谱，yi是预测的类别标签，pi是预测的概率。映射器的输入为响应单元的透射谱，输出为自编码器从图片中提取的特征向量，网络结构由全连接层构成。附图说明图1(a)为100个随机生成的介质超表面响应单元；图1(b)为一个响应单元结构的生成方式示意图；图1(c)为该响应单元的立体结构示意图；图2为一种利用级联深度神经网络的介质超表面逆向设计算法的结构示意图；图3(a)为模拟器深度神经网络的结构图；图3(b)为编码器深度神经网络的结构图；图3(c)为解码器深度神经网络的结构图；图3(d)为映射器深度神经网络的结构图；图4(a)为模拟器深度神经网络的测试集中所有样本的平均绝对误差；图4(b)为一个平均绝对误差为0.0104的样本；图4(c)为一个平均绝对误差为0.0550的样本。图5(a)为逆向设计过程中测试集中所有样本的平均绝对误差；图5(b)为一个平均绝对误差为0.0317的样本；图5(c)为一个平均绝对误差为0.0784的样本。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细阐述。该方法包括以下几个步骤：步骤1，选择工作波段和超表面响应单元介质材料，随机生成若干个介质超表面响应单元，用时域有限差分的方法计算每个响应单元的电磁响应，形成一一对应的数据库。步骤2，搭建级联的深度神经网络。步骤3，利用包含结构信息的图片作为输入，电磁响应为输出训练级联深度神经网络的正向网络。步骤4，训练自编码器用于包含结构信息图片的降维和特征提取。步骤5，测试级联深度神经网络的性能和泛化能力。步骤1中提到的介质超表面的随机生成方式如图1所示，根据波长范围设计合理的响应单元的衬底和纳米柱材料，然后应用奎因斯特采样定律和加工条件的约束确定响应单元的周期。在半边周期内随机生成若干个长方体，并以镜像对称的方式映射到另一侧。用时域有限差分的方法计算该结构的电磁响应。重复生成随机结构和计算电磁响应的过程建立数据库，重复次数20000次。步骤2中提到的级联深度神经网络应该包括4个组分：模拟器、编码器、解码器和映射器。其中模拟器用于预测超表面响应单元的电磁响应，编码器和解码器用于对超表面响应单元结构的编码和特征向量的提取，映射器和解码器的组合实现对超表面响应单元结构的预测。步骤3中提到的正向网络结构如图3(a)所示，包括6个卷积层和2个全连接层。其中每个卷积层包含一个卷积操作、一个激活函数(LeakyReLU)和一个Batch-Norm层。第1、3和5个卷积层的步长为1，第2、4和6个卷积层的步长为2。全连接层的激活函数为双曲正切函数。训练过程的损失函数定义为：其中Tpredicted表示网络预测的透射谱，Tsimulated表示用有限时域差分方法计算的透射谱，N为样本数目。步骤4中提到的自编码器网络结构如图3(b)和3(c)所示，编码器和解码器由5个全连接层构成，二者呈相互对称的结构。除了最后一层无激活函数外，其他的层的激活函数为LeakyReLU。训练过程采用的损失函数：其中code是自编码器提取的图片高级特征向量，T是超表面响应单元的实际透射谱，yi是预测的类别标签，pi是预测的概率。映射器的输入为响应单元的透射谱，输出为自编码器从图片中提取的特征向量，网络结构主要由全连接层构成，如图3(d)所示。实施例1选择工作波段为可见光波段450-850nm，在此波段中选择介质纳米柱的材料为GaN，衬底材料为Al2O3，该材料组合在工作波长范围本文档来自技高网...

【技术保护点】
1.一种利用级联深度神经网络的介质超表面逆向设计算法，其特征在于，包括以下几个步骤：/n步骤1，选择工作波段和超表面响应单元介质材料，随机生成若干个介质超表面响应单元，用时域有限差分的方法计算每个响应单元的电磁响应，形成一一对应的数据库。/n步骤2，搭建级联的深度神经网络。/n步骤3，利用包含结构信息的图片作为输入，电磁响应为输出训练级联深度神经网络的正向网络。/n步骤4，训练自编码器用于包含结构信息图片的降维和特征提取。/n步骤5，测试级联的深度神经网络的性能和泛化能力。/n

【技术特征摘要】
1.一种利用级联深度神经网络的介质超表面逆向设计算法，其特征在于，包括以下几个步骤：
步骤1，选择工作波段和超表面响应单元介质材料，随机生成若干个介质超表面响应单元，用时域有限差分的方法计算每个响应单元的电磁响应，形成一一对应的数据库。
步骤2，搭建级联的深度神经网络。
步骤3，利用包含结构信息的图片作为输入，电磁响应为输出训练级联深度神经网络的正向网络。
步骤4，训练自编码器用于包含结构信息图片的降维和特征提取。
步骤5，测试级联的深度神经网络的性能和泛化能力。


2.根据权利要求1中所述的利用级联深度神经网络的介质超表面逆向设计算法，其特征在于，步骤1的具体过程如下：
选择可见光为工作波长范围，根据波长范围设计合理的响应单元的衬底和纳米柱材料，应用奎因斯特采样定律和加工条件的约束确定响应单元的周期。在半边周期内随机生成若干个长方体，并以镜像对称的方式映射到另一侧，构成一个响应单元。用时域有限差分的方法计算该结构的电磁响应(相位和振幅)。重复生成响应单元并计算电磁响应建立一一对应的数据库，该过程重复次数越多越好，应不小于20000(经验值)次。


3.根据权利要求2中所述的电磁响应由于相位会产生2π的突变，所以采用实部和虚部的方式记录。


4.根据权利要求1中所述的利用级联深度神经网络的介质超表面逆向设计算法，其特征在于，步骤2中提到的级联深度神经网络应该包括4个组分：模拟器、编码...

【专利技术属性】
技术研发人员：匡登峰，孔维超，
申请(专利权)人：南开大学，
类型：发明
国别省市：天津;12