一种基于神经网络的光栅滤光片结构优化方法技术

本发明专利技术涉及一种基于神经网络的光栅滤光片结构优化方法，包括：1)计算不同结构参数下的光栅滤光片所对应的光谱；2)把计算所得经过预处理的光谱，以及每个光谱所对应的光栅滤光片结构参数数据对作为数据集，输入神经网络中,该神经网络包括一个正向神经网络以及一个反向神经网络；3)先对正向神经网络进行学习训练，建立从光栅滤光片结构参数到光谱的映射关系，得到训练好的正向神经网络模型；然后对反向神经网络进行训练学习，建立从光谱到光栅滤光片结构参数的映射关系，得到训练好的反向神经网络；4)将待测试的光栅滤光片结构参数矩阵输入到训练好的正向神经网络中，得到对应预测的光栅滤光片光谱，实现光栅滤光片的光谱预测；同样地，将待测试的光栅滤光片光谱矩阵输入到反向神经网络中，得到预测的结构参数，实现光栅滤光片的按需反向设计。现光栅滤光片的按需反向设计。现光栅滤光片的按需反向设计。

【技术实现步骤摘要】
一种基于神经网络的光栅滤光片结构优化方法


[0001]本专利技术涉及一种优化光栅滤光片结构的方法，具体涉及一种基于神经网络的光栅滤光片结构优化方法。

技术介绍

[0002]在传感探测、液晶显示和彩色印刷等领域，入射角不敏感的光栅滤光片具有重要的应用前景。尤其近年来，随着微纳米光栅电磁理论研究的深入，研究人员提出了各种基于亚波长光栅结构的颜色滤光片，通过调整光栅尺寸、光栅间隔以及光栅层的厚度等光栅结构参数来实现改变中心光谱位置和光谱带宽等性参数。
[0003]在光栅滤光片的生产和设计中，有时需要考虑各个结构参数对滤光片光谱响应的影响，当需要特定的光谱响应时，就需要知道是怎样的滤光片结构可以得到该光谱响应，因此需要应用反向设计的方法来得到这组结构参数，从而可以根据反向设计来的这组结构参数对光栅滤光片进行生产，进而就可以得到特定的光谱响应。因此，如何设计光栅滤光片的结构参数，以使其光谱响应符合预先设定的光谱响应曲线是反向设计过程中需要不断优化解决的问题。
[0004]传统的周期结构反向设计是通过机器学习与解析法或数值法相结合的方法，比如遗传算法结合有限元法，通过光谱响应曲线计算得到其对应的结构参数。由于解析法和数值法设计所需的时间较长，近年来随着人工智能和机器学习算法的发展，逐渐出现了使用神经网络对光栅滤光片光谱的预测以及反向设计的方法。Dian jing Liu等人在《Acs Photonics》期刊发表的《Training deep neural networks for the inverse design of nanophotonic structures》，通过串联架构结合正向建模网络和反向设计网络，解决了结构参数和光谱响应不一致导致训练拟合差的问题。在采用正向建模网络替代解析法或数值法的方法中，反向网络根据预设光谱响应得出的中间结构参数需要进一步的输入正向建模网络中，在正向建模网络中得出该结构的光谱响应，并与预设的光谱响应误差计算，优化并调整滤光片的结构参数，因此正向建模网络从结构参数到光谱响应的正向预测能力在实现反向设计的过程中尤为重要，是实现反向设计的前提。但是该方法中存在正向建模网络从低维结构参数数据到高维的光谱响应曲线的映射过程会引起网络难以很好地收敛和泛化的问题，导致正向建模网络的预测准确率不高，进而影响最终反向设计的结果。

技术实现思路

[0005]本专利技术针对从低维结构参数数据到高维的光谱响应曲线的映射过程会引起网络难以很好地收敛和泛化的问题，提出一种基于神经网络的光栅滤光片结构优化方法。
[0006]通过提出使用一个张量模块和一个上采样模块前后串联的网络，解决正向神经网络从低维结构参数到高维的光谱映射的过程引起网络难以很好收敛和泛化的问题，提高正向神经网络的预测能力。
[0007]调用训练好的正向神经网络，输入不同光栅滤光片的结构参数，快速、精确地预测
出不同结构参数下的光谱；另外，调用与正向神经网络级联的反向神经网络，输入预先设定的光谱，进行结构参数的反向设计，从而实现已知光谱去预测光栅滤光片结构的目的。
[0008]一种基于神经网络的光栅滤光片结构优化方法，其特征在于，包括以下步骤：
[0009]1)计算不同结构参数下的光栅滤光片所对应的光谱。
[0010]所述光栅滤光片为亚波长光栅，上层为光栅结构，下层是衬底。
[0011]所述亚波长为结构的特征尺寸与工作波长相当或更小的结构。
[0012]所述结构参数包括光栅结构沿x,y方向上的尺寸、周期以及z方向上的厚度。
[0013]所述的光谱可以由CST Studio Suite等仿真软件计算得到。
[0014]2)把计算所得经过预处理的光谱，以及每个光谱所对应的光栅滤光片结构参数数据对作为训练集，输入神经网络中，该神经网络包括一个正向神经网络以及一个反向神经网络两部分。
[0015]步骤2)中所述的预处理包括对光栅滤光片结构参数向量化和对光栅滤光片结构模型的光谱向量化。
[0016]所述对光栅滤光片结构参数向量化，将训练集和验证集分别处理成5000
×
4维矩阵和1000
×
4维矩阵，其中行数为样本个数，列数为光栅滤光片结构变量数。
[0017]所述对光栅滤光片结构模型的光谱向量化，首先将CST计算得到的光谱离散成201维离散值，再将其分别处理为5000
×
201维矩阵和1000
×
201维矩阵，其中行数表示样本个数，列数为光谱离散点数。
[0018]作为优选，对光栅结构沿x,y方向上的尺寸、z方向上的厚度以及光栅的周期共四个变量进行参数扫描计算，获得6000组结构参数光谱数据对，作为神经网络训练和验证的数据集。其中选取5000组数据用作训练集，剩下的1000组数据作为验证集。
[0019]步骤2)中所述的正向神经网络，包括串接的一个张量模块和一个上采样模块。输入为4维的光栅滤光片结构参数，即周期单元内光栅结构沿x,y方向上的尺寸、z方向上的厚度以及光栅的周期共四个变量；输出为对应结构光栅滤光片的光谱经过处理得到201维的光谱矢量。
[0020]所述的张量模块由一个张量层和两个全连接层组成。张量模块首先以监督的方式训练，其中完整的1
×
201维光谱数据点均匀地下采样到1
×
26维向量。每一个由1
×
26维向量表示的子谱，被用作张量预训练的真实有效值。对上述张量单元进行训练后，将其输出到1
×
26子光谱中，并送入上采样模块，转换为从1
×
26增加到1
×
201的光谱数据。
[0021]所述的上采样模块由三层转置卷积层和三层全连接层组成。通过使用转置卷积的方法实现上采样的过程，将26维度的输入数据转换为201维度的输出数据，解决网络难以很好地收敛和泛化的问题。
[0022]步骤2)中所述反向神经网络，由一个卷积神经网络级联训练好的正向神经网络形成，卷积神经网络包含两层卷积层和一层全连接层。将201维离散的光栅滤光片光谱输入到卷积层中；卷积神经网络中间输出量为根据光谱预测的4维结构矢量；整个反向神经网络的输出为预测的4维结构经过训练好的正向神经网络模型得到的201维离散的光栅滤光片光谱。
[0023]3)先对正向神经网络进行学习训练，建立从光栅滤光片结构参数到光谱的映射关系，得到训练好的正向神经网络模型；然后对反向神经网络进行训练学习，建立从光谱到光
栅滤光片结构参数的映射关系，得到训练好的反向神经网络。
[0024]4)将待测试的光栅滤光片结构参数矩阵输入到训练好的正向神经网络中，得到对应的预测光谱，实现光栅滤光片的光谱预测；同样地，将待测试的光栅滤光片光谱矩阵输入到反向神经网络中，得到预测的结构参数，实现光栅滤光片的反向设计。
[0025]与现有技术相比，本专利技术具有以下有益的技术效果：
[0026本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的光栅滤光片结构优化方法，其特征在于：计算不同结构参数下的光栅滤光片所对应的光谱。所述结构参数是指在光栅滤光片周期性单元结构中，选择光栅结构沿x,y方向上的尺寸、z方向上的厚度以及光栅的周期作为结构参数。所述光栅滤光片为亚波长光栅结构，上层为光栅结构，下层是衬底，亚波长为结构的特征尺寸与工作波长相当或更小的结构。所述光谱可以由CST Studio Suite等仿真软件计算得到。2.一种基于神经网络的光栅滤光片结构优化方法，其特征在于：把计算所得经过预处理的光谱，以及每个光谱所对应的光栅滤光片结构参数数据对作为数据集，输入神经网络中,该神经网络包括一个正向神经网络以及一个反向神经网络。所述的预处理包括对光栅滤光片结构参数向量化和对光栅滤光片结构模型的光谱向量化。对光栅滤光片结构参数向量化是指将训练集和验证集分别处理成5000
×
4维矩阵和1000
×
4维矩阵，其中行数为样本个数，列数为光栅滤光片结构变量数。对光栅滤光片结构模型的光谱向量化首先将CST计算得到的光谱离散成201维离散值，再将其分别处理为5000
×
201维矩阵和1000
×
201维矩阵，其中行数表示样本个数，列数为光谱离散点数。所述正向神经网络包括一个张量模块和一个上采样模块。张量模块由一个张量层和两个全连接层组成。上采样模块由三层转置卷积层和三层全连接层组成。通过使用转置卷积的方法实现上采样的过程，将低维度的输入数据转换为高维度的输出数据。张量模块首先以监督的方式训练，其中完整的1
×
...

【专利技术属性】
技术研发人员：陈旺磊，李旸晖，李润坤，牛浩，潘苑茹，王乐，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：