一种用于纳米光子学器件的神经网络自学习系统及其运用技术方案

本发明专利技术公开了一种用于纳米光子学器件的神经网络自学习系统及其运用，首次利用贝叶斯优化和深度神经网络来分析、研究及优化纳米光子学器件光学性质。本发明专利技术的神经网络自学习系统同时利用了神经网络的强数据表征能力和贝叶斯优化的高效数据采样属性，实现了深度神经网络的自学习功能，使得对光子学系统的分析计算具有较强的系统鲁棒性和一定的智能性，避免了传统优化算法对数据拟合能力不足的缺陷，增加了对光学系统全局优化的能力，为纳米光子学器件的分析和设计提供了新的思路。器件的分析和设计提供了新的思路。器件的分析和设计提供了新的思路。

【技术实现步骤摘要】
一种用于纳米光子学器件的神经网络自学习系统及其运用


[0001]本专利技术涉及用于纳米光子学器件的分析和设计方法，具体一种利用深度神经网络和贝叶斯优化的自学习系统，可以对纳米光子学器件的光学性质进行自学习分析以及面向器件运用对目标光学特征进行全局优化。

技术介绍

[0002]深度神经网络是人工神经网络的一种，类似生物神经元的设计思路，利用大量的逻辑结构单元重复进行简单计算，并最终实现复杂函数的拟合。随着人工神经网络设计的进步和今年来硬件计算能力的提升，网络深度逐渐加深，并且开发出了多种网络结构，其中卷积神经网络(Convolutional Neural Network，简称CNN)在医学成像分析、计算机视觉，生物分子解析、金融预测等领域，展现出了极强的运用价值。深度搭建的神经网络，利用卷积操作可以对矩阵信息进行采集分析，并提取为若干特征层，每一维特征层提取特定的图像模式，并且随着深度的增加，卷积特征能够容纳从细节到全局的广泛图案特征。利用深度神经网络，可以在图案层面对纳米光子学器件设计进行分析研究，大幅提高器件设计效率。
[0003]贝叶斯优化(Bayesian optimization，简称BO)利用贝叶斯定理，对未知目标函数进行有限的信息获取，并使用概率模型描绘未知目标函数，使得描绘的替代模型尽量的接近未知的目标函数，并在逼近的结果上评估最具有价值的点，作为下一轮信息获取的自变量输入，经过数次评估循环，贝叶斯优化算法能够得到复杂目标函数值的全局最优。在每一次评估过程中，贝叶斯优化自动选取最有潜力的自变量进行探测，具有很高的采样效率，并且不需要未知目标函数具备连续性或者可导性。在高噪声情况下，贝叶斯优化能够适应观测值具有的不确定性，对噪声数据进行建模，这样的概率模型的重要性质就是极强的鲁棒性，具有广泛的实际运用，例如网页和推荐系统设计、资源环境监控、新药物设计、复杂材料设计，等等。
[0004]纳米光子学器件由于能够在纳米尺度上对光进行调控，能够以纳米尺度操纵电磁波分布，并实现强烈的能量局域效应，这三个特征显著增强了众多光学过程效率，在新型光子学器件运用中具有重要潜力，例如高度集成光传感器、纳米激光、全光电路，等等。由于纳米光子学结构尺寸较小，能量的局域性强，光与物质相互作用显著，本专利技术着眼于通过结合贝叶斯优化和深度神经网络算法，通过设计循环结构，令贝叶斯优化采样使得神经网络系统进行自学习，实现对纳米光子学器件光学性质的高效分析，通过贝叶斯优化的概率模型，对纳米器件的设计参数进行稳定优化，具有抗噪声性，全局性和强适应性等优点。

技术实现思路

[0005]本专利技术的目的在于提供一种应用于纳米光子学器件分析与优化设计的自学习系统，使该系统能够对光子学器件的光学特征进行表征分析，并按照其运用要求设计器件参数，实现光子学器件设计的智能开发。
[0006]本专利技术的技术方案如下：
[0007]一种人工神经网络自学习系统，用于纳米光子学器件的分析和/或设计，所述自学习系统的神经网络(参见图3)包括下采样层、全连接层和上采样层，其中下采样层位于全连接层和上采样层之上，上采样层和全连接层并列，以应对不同类型的光学性质表征及分析。当纳米光子学结构数据输入至该神经网络中，将首先被分割为二值矩阵表示的像素图案，并输入到下采样层中进行图案特征分析，所述下采样层按照卷积网络的从浅到深堆栈，每一轮卷积(Convolution)分析会包含两次卷积操作以及一次池化(pooling)操作。
[0008]利用二值矩阵将纳米光子学结构数据进行像素化，输入下采样层的卷积神经网络，对应卷积神经网络的池化操作进行的次数为整数N，需要满足输入矩阵维数为2
N
的整数倍，从而保持池化操作对纳米光学相应学习的准确性。其中每个卷积层的卷积核的数量设置为2
5+1
、2
5+2
、
…
、2
5+N
，卷积核大小设置为(K，K)，K取值为2至5的整数。对于纳米光子学结构参数化适应不同的精度，可以输入(P，P)矩阵(P为2
N
的整数倍)进行表征，也可以输入更高维度矩阵进行更精细的计算。当输入矩阵数值为(40，40)时，N＝3，每层的卷积核的数量可以设置为64、128、256，卷积核大小设置为(3，3)，来增加网络对结构的特征识别能力，同时保持网络训练效率。
[0009]卷积操作后进行的池化操作，将按照最大值池化的原则，以2为步长对输入像素进行扫描，仅保留每(2，2)像素区域范围内的最大值，池化能够将输入矩阵长宽缩小，使得在接下来的卷积层中单个卷积核的覆盖区域增加，从而使得神经网络对结构设计的识别在全局分析和局部分析中都保持较高精度。
[0010]从下采样层到全连接层需要经过扁平化操作，即将矩阵形式的下采样层输出重新排列为向量形式，然后再按照互相组合的方式加入权重输入全连接层，输出向量形式的光学性质，比如透射谱、反射谱，等等。全连接层包括输出层和中间层，共3到5层(记为L+2)全连接神经元累加，根据最终输出光谱数据的数据点个数S，输出层神经元个数需要设置为S，而各中间层的神经元个数分别为2
M+L
、2
M+L-1
、
…
、2
M
，其中M为满足2
M
>S的最小整数；L为整数，其数值为全连接层的层数减去2。如当S为60时，M取值为6，全连接层包括三层叠加，L＝1，则全连接层各层的神经元个数可以设置为128、64，60(输出含有60维的光谱数据)。根据输出光学属性的特征，可以对全连接神经元个数进行调整，例如：512、256、128，120(输出含有120维的光谱数据)。
[0011]上采样层主要对图像化的光学性质进行分析，例如光学像、光子学结构表面电荷分布、电场磁场分布，等等。在本专利技术中，按照从整体到局部的层次结构，上采样层包含若干个扩展层和卷积层的组合，扩展层通过与卷积操作逆向的算法操作，以2为步长，将每个像素点扩展为(2，2)的像素块，进而实现层次结构的重构；并利用卷积层将多个卷积核中储存的光学模式，反向分配到特征，实现模式学习。每个卷积层的卷积核的数量设置为2
5+N
、2
5+(N-1)
、
…
、2
5+1
，卷积核大小设置为(K，K)，最后输出的光学像为(P，P)的矩阵。这种与下采样层对称设计的神经网络结构，能够有效保持光学像和纳米光子结构的物理对应，大大提高了对光学特征、模式识别的分析效率和准确性。
[0012]本专利技术所提出的人工神经网络自学习系统是首个利用深度神经网络架构和贝叶斯优化算法搭建的纳米光子学器件设计系统，不仅能够实现光子学器件的光谱学分析，更重要的是，还能将器件设计的光学性质数据类型进行拓展，大大提高对光学参数的表征能力。并且，本专利技术着眼于纳米尺度下结构参数敏感性的问题，使用贝叶斯算法进行自学习，
对绝大多数的纳米光学体系均适用，同时避本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络自学习系统，用于纳米光子学器件的分析和/或设计，所述自学习系统的神经网络包括下采样层、全连接层和上采样层，其中下采样层位于全连接层和上采样层之上，上采样层和全连接层并列；输入至该神经网络中的纳米光子学结构数据首先被分割为二值矩阵表示的像素图案，并输入到所述下采样层中进行图案特征分析；然后经过扁平化操作输入全连接层，全连接层输出向量形式的光学性质；最后由上采样层对图像化的光学性质进行分析。2.如权利要求1所述的神经网络自学习系统，其特征在于，所述下采样层按照卷积网络的从浅到深堆栈，每一轮卷积分析包含两次卷积操作以及一次池化操作。3.如权利要求2所述的神经网络自学习系统，其特征在于，利用二值矩阵将纳米光子学结构数据进行像素化，得到(P，P)矩阵输入下采样层的卷积神经网络，所述下采样层的卷积神经网络的每个卷积层的卷积核的数量设置为2
5+1
、2
5+2
、
…
、2
5+N
，卷积核大小设置为(K，K)，其中，K取值为2-5的整数；N为整数，代表对应卷积神经网络的池化操作进行的次数；P为2
N
的整数倍。4.如权利要求2所述的神经网络自学习系统，其特征在于，所述下采样层中的池化操作以2为步长对输入像素进行扫描，仅保留每(2，2)像素区域范围内的最大值。5.如权利要求1所述的神经网络自学习系统，其特征在于，所述扁平化操作是将矩阵形式的下采样层输出重新排列为向量形式，然后再按照互相组合的方式加入权重输入全连接层，输出向量形式的光学性质。6.如权利要求1所述的神经网络自学习系统，其特征在于，所述全连接层包括输出层和中间层，共3-5层全连接神经元累加；根据最终输出光谱数据的数据点个数S，输出层的神经元个数设置为S，各中间层的神经元个数分别为2
M+L
、2
M+L-1
、
…
、2
M
，其中M为满足2
M
>S的最小整数；L为整数，其数值为全连接层的层数减去2。7.如权利要求1所述的神经网络自学习系统，其特征在于，所述上采样层包含若干个扩展...

【专利技术属性】
技术研发人员：方哲宇，李瑜，姜美玲，
申请(专利权)人：北京大学，
类型：发明
国别省市：