【技术实现步骤摘要】
一种纳米光子学器件的设计和/或优化方法
[0001]本专利技术涉及用于纳米光子学器件的设计和优化方法，具体涉及一种利用无监督学习和贝叶斯优化的低维潜空间优化方法，针对纳米光子学器件的设计与优化问题，利用无监督学习算法提取器件结构参数的有效特征到低维潜空间，而后通过贝叶斯优化在潜空间优化目标光学性质，提升纳米光子学器件的工作性能。
技术介绍
[0002]深度神经网络等人工智能算法，由大量的类生物神经元的逻辑计算节点组成，通过调整计算节点的权值和偏置，最小化深度神经网络与给定目标输出数据之间的误差，进而自动从数据学习内在的规律与联系。随着计算机算力的增长与大数据时代的来临，在大量数据的支撑下，催生出了多种网络架构，在生物医学成像、蛋白质结构预测、自动驾驶等领域，展现出了极强的应用价值。无监督学习，一种无标签的深度神经网络架构，适用于输入数据容易获取但是目标输出数据较难获得的应用场景。其典型特征是能够自动地对输入数据进行特征分析，生成低维特征潜空间，并对具有相似特征的数据进行聚类处理。常见的无监督学习算法包括对抗生成网络、自编码器...
【技术保护点】
【技术特征摘要】
1.一种纳米光子学器件的设计和/或优化方法，包括以下步骤：1)根据纳米光子学器件的设计需求，生成纳米结构并获取其光学响应数据，构造初始数据集；2)利用数据集中的纳米结构及其近场分布数据训练自编码器，提取数据特征编码至特征潜空间；3)利用贝叶斯优化在特征潜空间针对目标光学响应性能对结构特征进行采样；4)根据采样特征，利用自编码器的解码器得到器件结构，获得其光学响应数据，扩展数据集；5)根据扩充的数据集训练自编码器，更新特征潜空间，再利用贝叶斯优化完成重采样；6)循环进行步骤4)至5)，迭代更新自编码器与贝叶斯优化模型，直至根据特征解码得到的器件性能满足需求，输出具备最优化光学性质的器件结构参数，由此实现纳米光子学器件设计和/或优化。2.如权利要求1所述的方法，其特征在于，在步骤1)中根据目标光学性质，通过随机或基于物理直觉的方式生成初始数据集中的纳米结构，或者，利用遗传算法或动态二进制搜索算法生成初始数据集中的纳米结构；然后借助数值仿真软件或实验测量表征得到所述纳米结构的光学响应数据。3.如权利要求1所述的方法，其特征在于，步骤1)中所述初始数据集的数据类型为张量数据，其中，对于纳米结构，将其编码为0
‑
1二值化矩阵，其中1代表存在结构，0代表空气；对于近场分布数据，如果仅需要输入单一偏振方向的近场，编码为连续归一的二维矩阵，而如果需要多通道近场分布同时输入，则将近场数据编码为三维张量，增加一个数据存储通道来表示不同偏振方向的近场信息。4.如权利要求1所述的方法，其特征在于，步骤2)利用纳米结构及其近场分布数据对自编码器进行训练的方式是：将输入的纳米结构以及光学近场分布数据参数化得到的张量数据传递给神经网络，并利用梯度下降的方法对神经网络节点储存权值进行调整，使得神经网络输出的数据逼近输入的纳米结构以及光学近场分布数据。5.如权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。