基于深度学习的复振幅型超表面设计方法及系统和器件技术方案

本发明专利技术公开了一种基于深度学习的复振幅型超表面设计方法及系统和器件，首先确定超单元的结构以及调控结构自由度；采集不同结构参数的超单元的复振幅响应数据集；并收集随机生成的目标复振幅响应数据集，将两个数据集分别划分为训练集、验证集和测试集；构建深度学习模型；利用正向预测模型根据结构参数预测超单元的复振幅响应，以及利用逆向设计模型根据目标响应预测结构参数；然后利用训练集与验证集进行训练得到逆向设计模型；使用训练好的逆向设计模型进行复振幅型超表面器件的设计，根据目标器件生成目标振幅和相位，在逆向设计模型中生成器件的全模结构。本发明专利技术提供的设计方法降低了设计复振幅型超表面的难度，同时保证超表面的加工可行度。表面的加工可行度。表面的加工可行度。

【技术实现步骤摘要】
基于深度学习的复振幅型超表面设计方法及系统和器件


[0001]本专利技术涉及光学全息
，特别是一种基于深度学习的复振幅型超表面设计方法及系统和器件。

技术介绍

[0002]超表面由一组亚波长结构阵列组成，可以通过调整每个单元结构的几何尺寸和取向来任意控制电磁波的振幅、相位和偏振。传统的超表面设计过程中，设计人员需要对超表面单元结构的光学响应做出物理或者经验的推断，通常伴随一个不断试错优化的过程，这需要设计人员具备丰富的专业知识，并且在选择合适的单元结构的过程中包含了大量的优化与选择，整个过程既耗时又耗力。
[0003]为了解决这个问题，深度学习由于能够挖掘具有不同级别数据的相互表示形式，在近几年来被引入到超表面的设计中。目前基于深度学习的超表面设计常常为纯振幅响应或者纯相位响应，复振幅型超表面(同时调控振幅和相位)能实现更为灵活的电磁调控，需要结合深度学习开展深入研究。目前已有研究将三维单元结构的高度固定，剩下的二维平面作为设计的变量，利用生成对抗性网络设计了双焦透镜与偏振复用透镜，另外也有同样利用生成对抗性网络，将多层超单元作为调控的变量，都实现了振幅与相位的任意调控。
[0004]二维模型的超单元尽管可以实现振幅与相位的任意调控，但是当设计波段从中红外波段拓展到可见光时，二维模型会带来一些极小的疵点，或者相对于单层结构的多层结构超单元，这两者会给加工带来更大的难度，不利于超表面的实用化发展。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于深度学习的复振幅型超表面设计方法及系统和器件，该方法利用深度学习模型确定复振幅性器件的全模结构，降低了设计过程难度，提高了模型设计的精度。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]本专利技术提供的基于深度学习的复振幅型超表面设计方法，包括以下步骤：
[0008]确定超单元的结构以及调控结构自由度；
[0009]采集不同结构参数的超单元的复振幅响应数据集；并收集随机生成的目标复振幅响应数据集，将两个数据集分别划分为训练集、验证集和测试集；
[0010]构建深度学习模型；所述深度学习模型包括正向预测模型和逆向设计模型，所述正向预测模型用于根据结构参数预测超单元的复振幅响应，所述逆向设计模型用于根据目标响应预测结构参数；
[0011]根据收集来的训练集与验证集进行训练，训练分两步进行，利用复振幅响应数据集先训练正向预测模型，训练完成之后加载到整个模型中，并冻结正向模型的训练，此时利用目标复振幅数据集训练整个网络，过程中只有逆向设计模型被训练，训练结束之后，从保存的整个模型中导出逆向设计模型；
[0012]使用训练好的逆向设计模型进行复振幅型超表面器件的设计，根据目标器件生成目标振幅和相位，在逆向设计模型中生成器件的全模结构。
[0013]进一步，所述逆向设计模型训练结束后，还包括以下步骤：
[0014]判断逆向设计模型设计的结构参数的预测响应与真实复振幅响应之间的差异是否满足预设阈值，如果是，则结束逆向设计模型的训练过程，如果否，则继续训练直到满足条件。
[0015]进一步，还包括模型测试过程，所模型测试过程包括以下步骤：
[0016]使用测试数据集验证精度是否满足要求，将复振幅响应数据测试集的结构参数在正向预测模型中生成对应的预测复振幅响应，将此预测值与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则进行下一步的逆向模型训练，如果不满足，则调整正向模型中的超参数，重新对正向模型进行训练，直至精度满足要求为止；
[0017]进一步，所述模型测试过程还包括以下步骤：
[0018]利用目标复振幅数据测试集在逆向设计模型中生成超单元结构参数的预测，根据预测值计算出实际响应，将目标复振幅与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则可以使用模型进行下一步的器件设计，如果存在不满足，则调整逆向模型中的超参数，重新对逆向模型进行训练，直至精度满足要求为止。
[0019]进一步，所述全模结构按照以下步骤进行：
[0020]将目标器件设置为在近场显示纳米印刷图像和在夫琅禾费区显示全息像的复振幅复用器件，设置目标纳米印刷图和目标全息图像，目标振幅根据纳米印刷图确定，利用GS算法计算出目标相位，最后将确定的目标复振幅输入到逆向设计模型中生成预测的全模结构。
[0021]进一步，还包括以下步骤：
[0022]采用有限差分时域法对全模结构进行全模仿真，在x方向、y方向和z方向上使用完美匹配层边界条件，采用左旋圆偏光入射，得到仿真结果并提取右旋圆偏光进行显示。
[0023]本专利技术提供的基于深度学习的复振幅型超表面设计系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器包括：
[0024]参数设置单元，用于确定超单元的结构以及调控结构自由度；
[0025]数据采集单元，用于采集不同结构参数的超单元的复振幅响应数据集；并收集随机生成的目标复振幅响应数据集，将两个数据集分别划分为训练集、验证集和测试集；
[0026]模型构建单元，用于构建深度学习模型；所述深度学习模型包括正向预测模型和逆向设计模型，所述正向预测模型用于根据结构参数预测超单元的复振幅响应，所述逆向设计模型用于根据目标响应预测结构参数；
[0027]模型训练单元，根据收集来的训练集与验证集进行训练，训练分两步进行，利用复振幅响应数据集先训练正向预测模型，训练完成之后加载到整个模型中，并冻结正向模型的训练，此时利用目标复振幅数据集训练整个网络，过程中只有逆向设计模型被训练，训练结束之后，从保存的整个模型中导出逆向设计模型；
[0028]器件全模生成单元，使用训练好的逆向设计模型进行复振幅型超表面器件的设计，根据目标器件生成目标振幅和相位，在逆向设计模型中生成器件的全模结构。
[0029]进一步，所述模型训练单元设置有训练控制单元和模型测试单元，所述训练控制
单元按照以下步骤进行：
[0030]判断逆向设计模型设计的结构参数的预测响应与真实复振幅响应之间的差异是否满足预设阈值，如果是，则结束逆向设计模型的训练过程，如果否，则继续训练直到满足条件。
[0031]所述模型测试单元按照以下步骤进行：
[0032]使用测试数据集验证精度是否满足要求，将复振幅响应数据测试集的结构参数在正向预测模型中生成对应的预测复振幅响应，将此预测值与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则进行下一步的逆向模型训练，如果不满足，则调整正向模型中的超参数，重新对正向模型进行训练，直至精度满足要求为止；
[0033]利用目标复振幅数据测试集在逆向设计模型中生成超单元结构参数的预测，根据预测值计算出实际响应，将目标复振幅与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则可以使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的复振幅型超表面设计方法，其特征在于：包括以下步骤：确定超单元的结构以及调控结构自由度；采集不同结构参数的超单元的复振幅响应数据集；并收集随机生成的目标复振幅响应数据集，将两个数据集分别划分为训练集、验证集和测试集；构建深度学习模型；所述深度学习模型包括正向预测模型和逆向设计模型，所述正向预测模型用于根据结构参数预测超单元的复振幅响应，所述逆向设计模型用于根据目标响应预测结构参数；根据收集来的训练集与验证集进行训练，训练分两步进行，利用复振幅响应数据集先训练正向预测模型，训练完成之后加载到整个模型中，并冻结正向模型的训练，此时利用目标复振幅数据集训练整个网络，过程中只有逆向设计模型被训练，训练结束之后，从保存的整个模型中导出逆向设计模型；使用训练好的逆向设计模型进行复振幅型超表面器件的设计，根据目标器件生成目标振幅和相位，在逆向设计模型中生成器件的全模结构。2.如权利要求1所述的，其特征在于：所述逆向设计模型训练结束后，还包括以下步骤：判断逆向设计模型设计的结构参数的预测响应与真实复振幅响应之间的差异是否满足预设阈值，如果是，则结束逆向设计模型的训练过程，如果否，则继续训练直到满足条件。3.如权利要求1所述的，其特征在于：还包括模型测试过程，所模型测试过程包括以下步骤：使用测试数据集验证精度是否满足要求，将复振幅响应数据测试集的结构参数在正向预测模型中生成对应的预测复振幅响应，将此预测值与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则进行下一步的逆向模型训练，如果不满足，则调整正向模型中的超参数，重新对正向模型进行训练，直至精度满足要求为止。4.如权利要求3所述的，其特征在于：所述模型测试过程还包括以下步骤：利用目标复振幅数据测试集在逆向设计模型中生成超单元结构参数的预测，根据预测值计算出实际响应，将目标复振幅与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则使用模型进行下一步的器件设计，如果存在不满足，则调整逆向模型中的超参数，重新对逆向模型进行训练，直至精度满足要求为止。5.如权利要求1所述的，其特征在于：所述全模结构按照以下步骤进行：将目标器件设置为在近场显示纳米印刷图像和在夫琅禾费区显示全息像的复振幅复用器件，设置目标纳米印刷图和目标全息图像，目标振幅根据纳米印刷图确定，利用GS算法计算出目标相位，最后将确定的目标复振幅输入到逆向设计模型中生成预测的全模结构。6.如权利要求1所述的，其特征在于：还包括以下步骤：采用有限差分时域法对全模结构进行...

【专利技术属性】
技术研发人员：张晓虎，杨阳，林晓钢，高潮，郭永彩，
申请(专利权)人：重庆大学，
类型：发明
国别省市：