基于深度学习算法的多频带声拓扑绝缘体及其逆向设计方法技术

本发明专利技术公开基于深度学习算法的多频带声拓扑绝缘体逆向设计方法，包括以下步骤：1）获取绝缘体的原始结构信息数据；2）将步骤1）绝缘体在仿真环境中运行、更新结构信息数据，计算出能带频率值；3）将绝缘体的原始结构信息数据、更新后的结构信息数据以及能带频率值组合成实验数据，采取深度学习算法对实验数据进行训练及预测绝缘体结构参数；4）将获得的最优结构参数组合进行重新建模，获得最优的绝缘体结构。同时提供多频带声拓扑绝缘体。本发明专利技术运用深度学习算法，利用训练好的神经网络对任何期望频率下，绝缘体结构模型所对应的结构参数进行反向预测，可以更快地实现期望频率下声拓扑绝缘体的最优化结构设计。绝缘体的最优化结构设计。绝缘体的最优化结构设计。

【技术实现步骤摘要】
基于深度学习算法的多频带声拓扑绝缘体及其逆向设计方法


[0001]本专利技术属于声学超构材料的拓扑特性等


技术介绍

[0002]近年来，人们对拓扑声学的研究兴趣激增，致力于更为复杂的声学拓扑绝缘体的结构设计，扩大其应用范围。声子拓扑绝缘体的性能优劣主要依赖于声子结构的几何参数设置，在传统设计中，主要通过经验方法反复调整其几何参数，并通过大量仿真试验观察模型是否达到较好的目标性能。此方法所设计出的声子拓扑绝缘体的性能在很大程度上受到限制，如拓扑边缘状态只能在狭窄的频率范围内实现、拓扑角态的质量因子小等问题。
[0003]目前，有较多学者提出采用逆设计方法来解决传统设计所导致的绝缘体所存在的技术问题，即利用算法技术根据目标性能需求辅助完成最优材料结构设计。常用的逆设计技术包括基于梯度的方法、进化方法和深度学习方法。在过去几年中，逆设计技术已广泛用于设计新型光子和声子结构，如光子和声子晶体、超材料、元表面和元结构等，并在许多应用场景中证明了其相较于传统经验设计结构的优越性。
[0004]近期，研究人员开始将逆设计技术应用到声本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习算法的多频带声拓扑绝缘体逆向设计方法，其特征在于，包括以下步骤：1）获取绝缘体的原始结构信息数据；2）将步骤1）绝缘体在仿真环境中运行、更新结构信息数据，计算出能带频率值；3）将绝缘体的原始结构信息数据、更新后的结构信息数据以及能带频率值组合成实验数据，采取深度学习算法对实验数据进行训练。2.如权利要求1所述的基于深度学习算法的多频带声拓扑绝缘体逆向设计方法，其特征在于，所述深度学习算法为CSA
‑
LSTM 模型算法。3.如权利要求2所述的基于深度学习算法的多频带声拓扑绝缘体逆向设计方法，其特征在于，CSA
‑
LSTM 模型算法包括以下步骤：a）数据预处理；b）确定寻优超参数：初始化LSTM神经网络所需参数和结构，包括一层LSTM隐含层和一层dropout层；同时确定 LSTM 网络模型中寻优的超参数以及寻优范围，选取需要优化的超...

【专利技术属性】
技术研发人员：蔡成欣，李欣欣，贺广臣，秦瑶，廉飞宇，肖乐，张冰，李银飞，
申请(专利权)人：河南工业大学，
类型：发明
国别省市：