一种基于对比学习的圆环形超材料反设计系统技术方案

本发明专利技术公开了一种基于对比学习的圆环形超材料反设计系统，该系统旨在解决超材料设计进度慢、需求数据量大、需要大量对超材料设计的经验等问题，使用对比学习方法来加快其超材料的设计过程，包括：构造超材料，获取超材料仿真数据；对超材料仿真数据进行降维处理以及归一化处理；划分数据集为训练集与测试集；用训练集分别构建反射曲线编码器、圆环形结构编码器、相似度计算矩阵；对搭建好的对比学习架构，利用5折交叉验证，区分其具体性能；利用测试集修改模型参数，获得最优反设计结果；将模型导出，用做超材料反设计系统；该方法无需参数化扫描以及先验知识即可对超材料进行准确设计，加速了超材料的设计过程。加速了超材料的设计过程。加速了超材料的设计过程。

【技术实现步骤摘要】
一种基于对比学习的圆环形超材料反设计系统


[0001]本专利技术属于深度学习算法智能应用领域，尤其涉及一种基于对比学习的圆环形超材料反设计系统。

技术介绍

[0002]目前，超材料设计主要借助于HFSS、CST、COMSOL等仿真平台下的时域有限差分、有限元、有限积分法、矩量法等计算电磁学方法对麦克斯韦方程组进行直接的数值求解尽管拥有不同的使用场景和功能需求，超材料的研究还是比较依赖物理的直接启发，即研宄人员根据实际的应用场景和功能需求，制定特定的振幅、带宽、相位、极化等电磁特性指标，凭借其自身的设计经验或者对物理特性的理解，不断搜寻、设计和迭代优化出一个相对最优设计方案。
[0003]深度学习是机器学习的一个分支，是一种以人工神经网路为架构，对数据进行表征学习的算法。目前，深度学习广泛受到了学术界与商业界的重视。随着研究人员对深度学习算法研究的逐渐深入，深度学习开始向各行各业涌入，如人机交互、图像分割与识别、无人驾驶、文本与语音翻译、广告推荐、数据挖掘、金融分析、医学诊断、物流运输、科学探索、电子游戏、艺术创作等众多工程应用领域。近年来，深度学习在科学研究领域也取得了大量重要成果，如利用神经网络预测蛋白质结构、利用深度学习帮助发现数学猜想与定理等。

技术实现思路

[0004]本专利技术的目的是提供一种基于对比学习的圆环形超材料反设计系统，该系统解决了超材料设计进度缓慢、过程繁杂、设计需要大量经验的问题，满足了圆环形超材料大部分功能的设计需求。
[0005]为了达到上述技术效果，本专利技术的技术方案如下：
[0006]一种基于对比学习的圆环形超材料反设计系统，包括以下步骤：
[0007]S1:利用仿真软件对圆环形超材料进行仿真；
[0008]S2:对原始数据进行预处理；
[0009]S3:将数据划分为训练集与测试集；
[0010]S4:搭建对比学习神经网络架构；
[0011]S5:根据模型训练结果，对模型进行测试，调整模型架构，使其获得相对最佳的反设计结果；
[0012]S6:将训练好的模型用来反向设计超材料。
[0013]进一步地，所述步骤S1的具体过程是：
[0014]步骤S1.1:选取仿真材料，将超材料表面图案材料与背板材料都选择为铜，基底材料选择为FR
‑
4标准材料；
[0015]步骤S1.2:选取仿真频率，将仿真的频率选取为2到30GHz的宽带频率；
[0016]步骤S1.3:材料尺寸设置，将基底材料厚度设置为1.5mm，长宽都为9mm；金属背板
的厚度设置为0.018mm，长宽都为9mm；表面图案材料厚度设置为0.018mm；
[0017]步骤S1.4:构造超材料表面图案，将从0到8mm每隔0.25mm为一个圆环，每个圆环被选取的概率相同，随机选取任意个圆环，组成一组同心圆超材料表面图案。
[0018]进一步地，所述步骤S2的具体过程是：
[0019]步骤S2.1:提取数据，将提取仿真曲线中的反射曲线作为原始数据；
[0020]步骤S2.2:数据归一化，将数据中的极大值与极小值提取出来，对数据进行线性归一化，使得数据被缩放至0到1区间，其变换公式为：
[0021][0022]其中，max为样本最大值，min为样本最小值。
[0023]步骤S2.3:数据降维，将等间距的点从完整数据中删除，使得所有不定长数据降维至相同维度。
[0024]进一步地，所述步骤S3的具体过程是：
[0025]步骤S3.1:划分数据集，将数据集按照9:1的比例划分为训练集和测试集；
[0026]步骤S3.2:划分训练集，将训练集按照5折交叉验证的比例进一步划分交叉训练验证集。
[0027]进一步地，所述步骤S4的具体过程是：
[0028]步骤S4.1:反射曲线编码器搭建，主要由6部分组成，第一部分用来将数据维度由1维扩展为64维；第二部分用来将数据维度由64维扩展为256维；第三部分为64维到256维的残差连接；第四部分用来将数据维度由256维扩展为1024维；第五部分为256到1024维的残差连接；第六部分维线性映射单元，用来将数据维度展开并重新映射为1024维的向量；
[0029]步骤S4.2:圆环形结构编码器搭建，主要由1部分组成，直接将圆环形结构一维数据映射为1024维的向量；
[0030]步骤S4.3:相似度计算矩阵搭建，是将两个1024维向量相乘，得到相似度矩阵。
[0031]进一步地，所述步骤S5的具体过程是：
[0032]步骤S5.1:将数据划分为512批量大小的数据包，对所有数据分批进行训练；
[0033]步骤S5.2:利用5折交叉验证，对5折验证结果取平均值，利用该平均值指导调整模型的架构。
[0034]进一步地，所述步骤S6的具体过程是：
[0035]步骤S6.1:将训练好的模型导出为“.pkl”文件，利用该文件可以对给定超材料反射曲线数据进行反向设计。
[0036]进一步地，所述步骤S7的具体过程是：
[0037]步骤S7.1:生成0到8mm全空间超材料图案表示矩阵；
[0038]步骤S7.2:将预期性能曲线与全空间超材料图案表示矩阵输入到训练好的模型中，得到反向设计超材料结构。
[0039]与现有技术相比，本专利技术的有益效果是：
[0040]本专利技术方法无需参数化扫描以及先验知识即可对超材料进行准确设计，加速了超材料的设计过程。
附图说明
[0041]附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。
[0042]图1是本专利技术涉及到的其中一种超材料图案及其数字表征方式。
[0043]图2是本专利技术的方案流程图。
[0044]图3是本专利技术的训练时神经网络架构图。
[0045]具体实施方法
[0046]附图仅用于示例性说明，不能理解为对本专利的限制，不能理解为对本专利的限制；
[0047]为了更好说明本实施例，附图某些步骤会有简略，并不代表实际详尽步骤；
[0048]对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0049]下面结合附图对本专利技术的技术方案做进一步说明。
[0050]第一部分：超材料仿真数据的获取。
[0051]单一超材料结构如图1所示，其整体由三层组成，总体厚度为1.536mm。最底层为纯铜的方形金属背板，其边长s为9mm；中间层为介质层，其材料为FR
‑
4，其边长s也为9mm，其厚度h为1.5mm；最上层为图案层，其图案由随机生成的16位序列构成，每一位都表示在0.25mm半径内有无铜所制成的圆环，圆环的最大半径c为8mm，该层厚度与底层背板厚度相同。
[0052]利用python脚本随机生成16位序列，利用该序列构造本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对比学习的圆环形超材料反设计系统，其特征在于，具体包括如下步骤：S1:利用仿真软件对圆环形超材料进行仿真；S2:对原始数据进行预处理；S3:将数据划分为训练集与测试集；S4:搭建对比学习神经网络架构；S5:根据模型训练结果，对模型进行测试，调整模型架构，使其获得相对最佳的反设计结果；S6:将训练好的模型用来反向设计超材料；S7:生成0到8mm全空间圆环表示数据，进行超材料反向设计。2.如权利要求1所述的一种基于对比学习的圆环形超材料反设计系统，其特征在于，步骤S1具体包括超材料的材料选取、频率选取、尺寸设置、以及超材料表面图案的构造方法：S1.1:所述材料选取，是将超材料表面图案材料与背板材料都选择为铜，基底材料选择为FR
‑
4标准材料；S1.2:所述频率选取，是将仿真的频率选取为2到30GHz的宽带频率；S1.3:所述尺寸设置，是将基底材料厚度设置为1.5mm，长宽都为9mm；金属背板的厚度设置为0.018mm，长宽都为9mm；表面图案材料厚度设置为0.018mm；S1.4:所述超材料表面图案构造方法，是将从0到8mm每隔0.25mm为一个圆环，每个圆环被选取的概率相同，随机选取任意个圆环，组成一组同心圆超材料表面图案。3.如权利要求1所述的一种基于对比学习的圆环形超材料反设计系统，其特征在于，步骤S2具体包括数据提取、数据归一化、数据降维：S2.1:所述数据提取，是将提取仿真曲线中的反射曲线作为原始数据；S2.2:所述数据归一化，是将数据中的极大值与极小值提取出来，对数据进行线性归一化，使得数据被缩放至0到1区间，其变换公式为：其中，max为样本最大值，min为样本最小值；S2.3所述数据降维，是将等间距的点从完整数据中删除，使得所有不定长数据降维至相同维度。4.如权利要求1所述的一种基于对比学习的圆环形超材料反设计...

【专利技术属性】
技术研发人员：史金辉，邓政伟，余沆，任广越，王法天，李玉祥，吕博，李汶佳，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：