离散编码超表面单元电磁响应预测方法及设备技术

离散编码超表面单元电磁响应预测方法及设备，属于深度学习和电磁超表面技术领域。为了解决现有的对自由度较高超表面正向预测过程中，存在的预测精度不够及无法同时预测相位频谱和幅值频谱的问题。本发明专利技术首先选定基底材料，基于离散编码对离散编码超表面单元进行建模；将超表面单元输入电磁仿真软件得到该超表面单元的电磁响应，分别是水平极化和垂直极化S参数的幅值Am和相位Ph频谱，处理后将之作为对应数据的标签；将数据集输入预测神经网络模型得到预测的离散超表面电磁响应，基于仿真的电磁响应和预测的电磁响应构建损失函数，基于损失函数训练预测神经网络；最后利用训练好的预测神经网络进行离散编码超表面单元电磁响应预测。应预测。应预测。

【技术实现步骤摘要】
离散编码超表面单元电磁响应预测方法及设备


[0001]本专利技术属于深度学习和电磁超表面
，具体涉及一种离散编码超表面单元电磁响应预测方法及设备。

技术介绍

[0002]超表面是二维亚波长散射结构单元组成的二维阵列。其主要作用是控制空间中反射/透射电磁波的相位、振幅和极化。研究者可以通过人为地调制超表面上单元的幅度、相位分布实现各种各样的功能，因而大量新颖的功能性器件如平面隐身衣、惠更斯超表面、双曲超表面、OAM波束激发器、消色差超表面、可重构超表面、全光计算超表面，以及其它多功能超表面等应用被研究者提出并实现。目前，超表面由于在操纵电磁波方面的巨大自由度而受到学者和工程师的广泛关注。
[0003]组成超表面的超表面单元形状可以是特定的结构(如方形，圆环，耶路撒冷十字等等)。它也可以是自由形式的结构。然而，设计一个满足复杂需求的超表面单元并非易事。大多数传统的设计方法包含以下两个费时费力过程。
[0004]1.由经验丰富的专家根据以往的经验或者艰深的电磁理论选定若干可能具有目标性能的超表面单元的基本形状。
[0005]2.通过扫描超表面单元基本几何参数来大规模、迭代地计算元原子的电磁响应，这是非常耗时的。
[0006]为了解决上述问题，近年来虽然一些方法将深度学习引入到超表面的设计中，但其中的大多数都只局限于某些特殊形状或者单频点的超表面。目前还缺乏一个可以应用于超表面设计的通用框架，尤其是高自由度超表面的电磁响应预测或逆向设计仍是一个难点。

技术实现思路

[0007]本专利技术是为了解决现有的对自由度较高超表面正向预测过程中，存在的预测精度不够及无法同时预测相位频谱和模值频谱的问题。
[0008]离散编码超表面单元电磁响应预测方法，利用训练好的预测神经网络进行离散编码结构超表面单元电磁的响应预测，所述预测神经网络的训练过程包括以下步骤：
[0009]步骤一、选定基底材料，确定需要进行离散编码的超表面随机排列的金属方形贴片区域的范围，对超表面单元进行建模，并将随机排列的金属方形贴片区域抽象为数值矩阵；
[0010]将超表面单元输入电磁仿真软件得到超表面的电磁响应，分别是水平极化和垂直极化S参数的模值Am和相位Ph频谱，将模值和相位值做如下处理：
[0011]将模值取对数值，即lg(Am)，记为a；
[0012]将相位值分别取正弦和余弦值，即sin(Ph)和cos(Ph)，记为b和c；
[0013]将a,b,c作为数据集中数据的标签；
[0014]步骤二、搭建预测神经网络模型；预测神经网络模型输入为超表面离散编码对应的数值矩阵，输出超表面电磁响应A、B、C；A代表S参数的模值的对数值，B和C分别代表S参数的相位值的正弦和余弦值，A＝lg(Am
pre
)，B＝cos(Ph
pre
)，C＝sin(Ph
pre
)；其中Am
pre
为预测神经网络预测的S参数模值，Ph
pre
为预测神经网络预测的S参数相位值；
[0015]步骤三、基于仿真的电磁响应a、b、c和预测的电磁响应A、B、C构建损失函数；
[0016]步骤四、利用数据集训练预测神经网络得到训练好的预测神经网络。
[0017]进一步地，所述超表面单元厚度方向上分成多层结构，超表面单元的第一层是由若干随机排列的金属方形贴片构成的，中间层是介质层，底层是整片平整金属。
[0018]进一步地，对超表面单元进行建模的过程中，将建立的超表面模型的第一层抽象为M*M*3的数值矩阵，得到输入数据集；其中M为矩阵维数对应超表面结构的宽度和长度；每个矩阵元素包含三个值，第一个值为编码值且只能取0或者1，其中0表示该位置没有金属方块，1表示该处有金属方块，第二个值和第三个值表示相应矩阵元素的横纵坐标。
[0019]进一步地，建模得到的超表面单元是正方形结构，边长为波长的1/3。
[0020]进一步地，所述预测神经网络模型包括基于1*1卷积层的单像素信息聚合模块、基于残差连接的多层Resblock模块、基于self
‑
attention的transformer模块，以及全连接层；聚合模块、多层Resblock模块、transformer模块和全连接层依次顺序连接。
[0021]进一步地，所述基于self
‑
attention的transformer模块为由转置操作和self
‑
attention结构组成transformer模块，即在每次输入self
‑
attention前都需要对输入进行转置操作。
[0022]进一步地，所述的损失函数如下：
[0023]Loss＝Loss
Am
+Loss
Ph
[0024]Loss
AM
＝|A
‑
a|
[0025]Loss
Ph
＝|B
‑
b|+|C
‑
c|。
[0026]一种计算机存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的离散编码超表面单元电磁响应预测方法。
[0027]一种离散编码超表面单元电磁响应预测设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的离散编码超表面单元电磁响应预测方法。
[0028]本专利技术具有以下有益效果：
[0029]本专利技术可以预测较高自由度超表面结构的电磁响应，不仅能够同时预测相位频谱和模值频谱，而且具有较高的预测精度，输入数据集仅4万时，预测神经网络的预测的相位平均误差只有4度左右。
附图说明
[0030]图1为高自由度超表面正向预测流程图；
[0031]图2为网络框架以及超表面结构和电磁输出；
[0032]图3为由预测神经网络给出的超表面单元的阵列结构图；
[0033]图4为图3所示超表面结构的双频异常反射图。
具体实施方式
[0034]具体实施方式一：结合图1说明本实施方式，
[0035]具体实施方式为离散编码超表面单元电磁响应预测方法，包括以下步骤：
[0036]步骤一、选定基底材料，确定需要进行离散编码的超表面随机排列的金属方形贴片区域的范围，对超表面单元进行建模，并将随机排列的金属方形贴片区域抽象为数值矩阵；通过电磁仿真软件获取离散编码结构超表面的仿真数据作为预测神经网络数据集的标签；
[0037]本实施方式中建模后的超表面单元是正方形结构，边长约为波长的1/3。超表面单元厚度方向上(纵向看去)分成多层结构，如图2右上方的结构所示，超表面单元的第一层是由若干随机排列的金属方形贴片构成的，中间层是介质层，底层是整片平整金属。
[0038]所述的数据集样本通过以下方式得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.离散编码超表面单元电磁响应预测方法，其特征在于，利用训练好的预测神经网络进行离散编码结构超表面单元电磁的响应预测，所述预测神经网络的训练过程包括以下步骤：步骤一、选定基底材料，确定需要进行离散编码的超表面随机排列的金属方形贴片区域的范围，对超表面单元进行建模，并将随机排列的金属方形贴片区域抽象为数值矩阵；将超表面单元输入电磁仿真软件得到超表面的电磁响应，分别是水平极化和垂直极化S参数的模值Am和相位Ph频谱，将模值和相位值做如下处理：将模值取对数值，即lg(Am)，记为a；将相位值分别取正弦和余弦值，即sin(Ph)和cos(Ph)，记为b和c；将a,b,c作为数据集中数据的标签；步骤二、搭建预测神经网络模型；预测神经网络模型输入为超表面离散编码对应的数值矩阵，输出超表面电磁响应A、B、C；A代表S参数的模值的对数值，B和C分别代表S参数的相位值的正弦和余弦值，A＝lg(Am
pre
)，B＝cos(Ph
pre
)，C＝sin(Ph
pre
)；其中Am
pre
为预测神经网络预测的S参数模值，Ph
pre
为预测神经网络预测的S参数相位值；步骤三、基于仿真的电磁响应a、b、c和预测的电磁响应A、B、C构建损失函数；步骤四、利用数据集训练预测神经网络得到训练好的预测神经网络。2.根据权利要求1所述的离散编码超表面单元电磁响应预测方法，其特征在于，所述超表面单元厚度方向上分成多层结构，超表面单元的第一层是由若干随机排列的金属方形贴片构成的，中间层是介质层，底层是整片平整金属。3.根据权利要求2所述的离散编码超表面单元电磁响应预测方法，其特征在于，对超表面单元进行建模的过程中，将建立的超表面模型的第一层抽象为M*M*3的数值矩阵，得到输入数据集；其中M为矩阵维数对应超表面结构的宽度和长度；每个矩阵元素包含三个值，第一个值为编码值且只能取0或者1，其中0表示该位置没有金属方块，1...

【专利技术属性】
技术研发人员：李勇，张雨，杨国辉，王越，王春晖，遆晓光，杨亚非，崔天祥，张狂，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：