一种基于深度学习网络模型的大口径超构透镜及其设计方法技术

本发明专利技术提供了一种基于深度学习网络模型的大口径超构透镜及其设计方法，包括：S1，利用传统设计方法设计一个小口径的超构透镜M1，该超构透镜为初始模型；S2，采用传统优化方法，优化所述初始模型单元结构的几何尺寸；S3，训练深度学习网络模型：以初始模型为输入，将优化后的超构透镜为输出；S4，利用传统设计方法设计一个大口径超构透镜M2，通过训练好的深度学习网络模型对超构透镜M2进行优化。通过修正超构表面单元结构的尺寸进而减小由于非周期局域电磁耦合带来的器件效率损失。在此基础上，采用深度学习网络模型解决了大口径超构透镜的设计效率受限的问题，此方法与器件功能无关，为单元结构排列复杂器件的设计效率提升提供了一种非常有效的解决方案。供了一种非常有效的解决方案。供了一种非常有效的解决方案。

【技术实现步骤摘要】
一种基于深度学习网络模型的大口径超构透镜及其设计方法


[0001]本专利技术涉及超构表面的
，具体涉及一种基于深度学习网络模型的大口径超构透镜及其设计方法。

技术介绍

[0002]目前超构表面的优化设计主要采用参数扫描、人工择优的传统设计范式，即首先根据周期性边界条件得到单元结构的电磁响应，然后再按照一定规律排列单元结构，最终完成超构表面器件的设计。这种设计方法面临耗时长、性能难以最优化等问题。不仅如此，由传统“试错法”或逆向智能设计法所生成的初始结构，忽略了微纳结构间的电磁耦合效应和边界条件带来的影响，由此构造的超构表面器件往往无法获得较高的器件性能，即效率通常比较低。基于伴随优化的边界优化方法，是一种基于全模结构的优化方法，通过正向和伴随两次计算便可获得目标函数在整个参数优化空间的梯度信息。此方法在设计小口径超构透镜时不仅节约了计算资源，同时算法有效地融入了微纳结构间相互作用的物理信息，可有效提升高数值孔径超构透镜的聚焦效率。上述基于全模结构仿真的优化方法，虽然缓解了微纳结构间的电磁耦合效应和边界条件带来的影响。但是，对于更大口径的超本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网络模型的大口径超构透镜的设计方法，其特征在于，包括：S1，设计一个小口径的超构透镜M1，该超构透镜M1为初始模型；S2，采用优化方法优化所述初始模型的单元结构的几何尺寸；S3，训练深度学习网络模型，其中，所述深度学习网络模型以所述初始模型作为输入，将优化后的超构透镜作为输出；S4，设计一个大口径超构透镜M2，通过训练好的所述深度学习网络模型对该超构透镜M2进行优化。2.根据权利要求1所述的一种基于深度学习网络模型的大口径超构透镜的设计方法，其特征在于，所述S1中，设计所述超构透镜M1包括：根据数值孔径NA和超构透镜口径D，求出焦距f：根据f求得每个离散坐标(x，y)的相位分布：式中，为离散坐标(x，y)下的相位，λ为入射波长，x为横坐标，y为纵坐标，x0为器件中心横坐标，y0为器件中心纵坐标；通过将I阶单元结构与以上求得的离散化相位进行匹配，其中，I≥2，得到满足目标数值孔径NA、口径D、焦距f的超构透镜M1。3.根据权利要求1所述的一种基于深度学习网络模型的大口径超构透镜的设计方法，其特征在于，所述S2中，所述优化方法为基于伴随仿真的边界优化算法，遗传算法或粒子群优化算法中的任一种；优化的目标是超构透镜聚焦效率的最大化。4.根据权利要求1所述的一种基于深度学习网络模型的大口径超构透镜的设计方法，其特征在于，所述S3具体包括：对初始模型的单元结构进行采样，将采样后的超级单元B1作为训练深度学习网络模型的输入样本；对S2中优化后的初始模型的单元结构进行采样，并将采样后的超级单元B2作为训练深度学习网络模型的输出样本。5.根据权利要求4所述的一种基于深度学习网络模型的大口径超构透镜的设计方法，其特征在于，超级单元B1为单元结构以(2n+1)
×
(2n+1)进行采样后的单元结构组，其中n为正整数，相邻两个超级单元B1的步进长度为1个单元结构；超级单元B2为每个超级单元B1中(n+1,n+1)位置优化得到的单元结构。6.根据权利要求5所述的一种基于深度学习网络模型的大口径超构透镜的设计方法，其特征在于，对超级单元B1进行分类，根据超级单元B1的几何尺寸变化关系分为光滑区域样本和非光滑区域样本，其中，所述超级单元B1中单元结构宽度或长度递增、递减或变化过程中相邻单元结构尺寸不变的为光滑区域样本，反之，为非光滑区域样本。7.根据权利要求1所述的一种基于深度学习网络模型的大口径超构透镜的设计方法，其特征在于，所述S3中的深度学习网络模型为全连接网络、自编码神经网络...

【专利技术属性】
技术研发人员：罗先刚，哈颖丽，罗宇，蒲明博，张飞，郭迎辉，徐明峰，赵泽宇，
申请(专利权)人：中国科学院光电技术研究所，
类型：发明
国别省市：