光子晶体设计方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例适用于光子晶体设计技术领域，提供了一种光子晶体设计方法、装置、计算机设备及存储介质，所述光子晶体设计方法包括：确定待生成的光子晶体的结构；根据该结构，生成数据集；采用该数据集训练深度神经网络模型；构建强化学习模型，该强化学习模型包括智能体；采用该智能体和该深度神经网络模型，输出多个预测结构，任一所述预测结构包含对应的带隙结构。应用上述光子晶体设计方法，可以提高生成符合设计要求的光子晶体的效率，可以在储存了大量搜索有效的光子晶体结构的储存空间中搜索需要采取的光子晶体结构，保证了光子晶体设计的高效性、准确性。准确性。准确性。

【技术实现步骤摘要】
光子晶体设计方法、装置、计算机设备及存储介质


[0001]本申请实施例属于光子晶体设计
，特别是涉及一种光子晶体设计方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着近年来光子晶体和光子技术的发展，突破了半导体晶体的电子技术中发热量大、能耗高、带宽窄和量子隧穿等瓶颈，在对光子晶体结构进行设计时，往往需要耗费大量时间进行多次数值仿真，整个过程依赖于迭代的方法。
[0003]由于在传统的光子晶体结构的设计过程中，通常采用直接逆向设计的思路，但是由于不同结构的一维光子晶体可能表现出相同的物理性质，当采用直接逆向设计的思路时，将导致输出的一维光子晶体结构是众多参数的平均值，因此无法满足设计要求。

技术实现思路

[0004]有鉴于此，本申请实施例提供了一种光子晶体设计方法、装置、计算机设备及存储介质，用以提高获取具有期望带隙结构的光子晶体的效率。
[0005]本申请实施例的第一方面提供了一种光子晶体设计方法，包括：
[0006]确定待生成的光子晶体的结构；
[0007]根据所述结构，生成数据集，所述数据集中的任一数据符合所述结构的结构要求；
[0008]采用所述数据集训练深度神经网络模型；
[0009]构建强化学习模型，所述强化学习模型包括智能体；
[0010]采用所述智能体和所述深度神经网络模型，输出多个预测结构，任一所述预测结构包含对应的带隙结构。
[0011]本申请实施例的第二方面提供了一种光子晶体设计装置，包括：
[0012]确定模块，用于确定待生成的光子晶体的结构；
[0013]数据集生成模块，用于根据所述结构，生成数据集，所述数据集中的任一数据符合所述结构的结构要求；
[0014]训练模块，用于采用所述数据集训练深度神经网络模型；
[0015]模型构建模块，用于构建强化学习模型，所述强化学习模型包括智能体；
[0016]输出模块，用于采用所述智能体和所述深度神经网络模型，输出多个预测结构，任一所述预测结构包含对应的带隙结构。
[0017]本申请实施例的第三方面提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的光子晶体设计方法。
[0018]本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的光子晶体设计方法。
[0019]与现有技术相比，本申请实施例具有以下优点：
[0020]本申请实施例，利用深度神经网络和强化学习模型结合的方式，基于光子晶体的结构，获取符合设计要求的光子晶体的多个预测结构，可以提高生成符合设计要求的光子晶体的效率，可以在储存了大量搜索有效的光子晶体结构的储存空间中搜索需要采取的光子晶体结构，保证了光子晶体设计的高效性、准确性。
附图说明
[0021]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本申请实施例提供的一种光子晶体设计方法的流程示意图；
[0023]图2是本申请实施例提供的一种输出多个预测结构的流程示意图；
[0024]图3是本申请实施例提供的一种计算多个带隙结构的流程示意图；
[0025]图4是本申请实施例提供的一种计算多个带隙结构的奖励值的流程示意图；
[0026]图5是本申请实施例提供的一种输出多个预测结构的流程示意图；
[0027]图6是本申请实施例提供的一种训练神经网络模型的流程示意图；
[0028]图7是本申请实施例提供的一种强化学习模型的结构示意图；
[0029]图8是本申请实施例提供的一种训练深度学习模型的流程示意图；
[0030]图9是本申请实施例提供的一种光子晶体设计装置的示意图；
[0031]图10是本申请实施例提供的一种计算机设备的示意图。
具体实施方式
[0032]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0033]需要说明的是，本申请实施例的实施方式部分使用的术语仅用于对本申请的具体实施例进行解释，而非旨在限定本申请。在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联障碍物的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请实施例的描述中，除非另有说明，“多个”是指两个或多于两个，“至少一个”、“一个或多个”是指一个、两个或两个以上。
[0034]以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”特征可以明示或者隐含地包括一个或者更多个该特征。
[0035]在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其它一些实施例中”、“在
另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其它方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其它方式另外特别强调。
[0036]下面通过具体实施例来说明本申请的技术方案。
[0037]如图1所示，为本申请实施例提供的一种光子晶体设计方法的流程示意图，
[0038]所述方法可以包括以下步骤S101
‑
S105：
[0039]S101、确定待生成的光子晶体的结构。
[0040]在本申请实施例中，该光子晶体可以是由多层不同材料的晶体组成的，确定该待生成的光子晶体的结构，可以是确定组成该待生成的光子晶体的晶体层数。
[0041]在具体实现中，可以确定该待生成的光子晶体的结构为abcd结构，该abcd结构代表该光子晶体是由4层不同材料和厚度的物质组成的，需要说明的是，具体的层数可以按照设计人员的要求制定。
[0042]S102、根据所述结构，生成数据集。
[0043]在本申请实施例中，基于该光子晶体的结构，生成数据集，该数据集中的任一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光子晶体设计方法，其特征在于，包括：确定待生成的光子晶体的结构；根据所述结构，生成数据集，所述数据集中的任一数据符合所述结构的结构要求；采用所述数据集训练深度神经网络模型；构建强化学习模型，所述强化学习模型包括智能体；采用所述智能体和所述深度神经网络模型，输出多个预测结构，任一所述预测结构包含对应的带隙结构。2.根据权利要求1所述的方法，其特征在于，所述数据集中包括所述光子晶体对应的物理参数；各个所述光子晶体由多层不同的材料构成；所述物理参数包括各个所述光子晶体中各层晶体的介电常数、和/或磁导率、和/或厚度。3.根据权利要求1所述的方法，其特征在于，采用所述智能体和所述深度神经网络模型，输出多个预测结构，包括：基于所述光子晶体预设的第一物理参数，调用所述深度神经网络模型计算得到第一带隙结构；根据所述第一带隙结构，调用所述智能体对所述第一物理参数进行调整，得到第二物理参数；基于所述第二物理参数，调用所述深度神经网络模型计算得到多个带隙结构；分别计算所述多个带隙结构的奖励值；根据所述奖励值，输出多个预测结构。4.根据权利要求3所述的方法，其特征在于，所述基于所述第二物理参数，调用所述深度神经网络模型计算得到多个带隙结构，包括：基于所述第二物理参数，调用所述深度神经网络模型计算得到一个新的带隙结构；根据每次得到的所述新的带隙结构，调用所述智能体对所述新的带隙结构对应的物理参数进行调整，得到新的物理参数；基于所述新的物理参数，调用所述深度神经网络模型计算得到多个带隙结构。5.根据权利要求3所述的方法，其特征在于，所述分别计算所述多个带隙结构的奖励值，包括：确定期望带隙结构，所述期望带隙结构包括目标上端点值和目标下端点值；计算每个所述带隙结构的上端点值和所述目标上端点值的上端点差值；计算每个所述带隙结构的下端点值和所述目标下端点值的下端点差值；基于所述上端点差值和所述下端点差值计算得到每个所述带隙结构的奖励值，所述奖励值用于评价所述期望带隙结构和每个所述带隙结构之间的接近程度。6.根据权利要求3
‑
5任一项所述...

【专利技术属性】
技术研发人员：梁子贤，吴晓峰，
申请(专利权)人：深圳大学，
类型：发明
国别省市：