System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于强化学习的圆二色性超表面及设计、制备方法技术_技高网
当前位置: 首页 > 专利查询>苏州大学专利>正文

一种基于强化学习的圆二色性超表面及设计、制备方法技术

技术编号:41086222 阅读:7 留言:0更新日期:2024-04-25 13:48
本发明专利技术涉及一种基于强化学习的圆二色性超表面及设计、制备方法。将神经网络与遗传算法相结合,针对像素式二维平面拓扑单连通结构采用强化学习算法,能快速针对红外波段范围内的宽带特定透射圆二色性光谱逆向设计,反演得到二维超表面的微纳结构单元,有效提高设计的效率。本发明专利技术采用二维平面拓扑单连通结构,可在最大范围内拓展设计的自由度,并规避设计中出现的杂点。本发明专利技术技术方案提供的设计方法,其带宽和设计自由度均有较大提升,适应于包括宽带窄带的多种目标设计,且设计速度较快,基于电脑配置可在一到数分钟内完成结构的迭代优化,得到目标条件下最优的微纳结构单元,在横向二维平面内周期性延拓,得到圆二色性超表面。

【技术实现步骤摘要】

本专利技术涉及一种基于混合神经网络的圆二色性超表面的逆向设计及制备方法,尤其涉及针对具有不同圆二色性光谱的超表面图案的逆向设计方法,属于偏振光学超材料领域。


技术介绍

1、手性超表面是一种具有特殊光学性质的纳米结构材料。它通常由一个二维微纳结构(超原子)阵列组成。这些单元被设计成能够以精确的方式控制入射光的相位和振幅,并且对不同的偏振态具有不同的响应。手性超表面的一条重要指标是圆二色性(cd),即对右旋圆偏振光(rcp)和左旋圆偏振光(lcp)的透射率差(以下统一定义为cd = trcp-tlcp)。手性超表面的圆二色性性能可以通过调节单元的几何参数、材料属性和外部激励来实现,并且这些独特的性质使手性超表面在各种应用包括极化检测、生物医学分子识别、传感,、光通信、全息图像和成像等领域具有广泛的应用潜力。它可以用于制备高效的光偏振控制器、光学元件、光学散射器和光学传感器等。此外,由于其紧凑的结构和可设计性,圆二色性超表面还为光学器件的迷你化和集成化提供了新的可能性。

2、现有的手性超表面设计往往需要针对超原子单元挑选合适的有潜力的几何形状,这涉及对潜在超原子结构形状进行漫长的试错过程,并且往往依赖于人的设计经验;然后对参数逐一进行优化,这两个步骤都依赖复杂耗时的数值计算。可以看出,所有这些先前研究的性能通常受到经验驱动的预分配的元子结构的限制,这些结构通常仅限于固定数量的几何参数,并且缺乏精确调节的自由度,导致手性光学响应与目标手性之间的不匹配。

3、近年来,使用神经网络(nn)进行光子器件设计已经取得了一定的成果(参见文献:the inverse design of structural color using machine learning[j]. nanoscale,2019, 11(45): 21748–21758; a bidirectional deep neural network for accuratesilicon color design[j]. advanced materials, 2019, 31(51): 1905467),其中包括正向的基于结构预测多种偏振光谱和反向的基于光谱逆向生成目标结构。其中,正向预测的神经网络已经展现出相当精准的预测能力;然而,由于高维非线性电磁过程和潜在的一对多映射问题,训练的逆向神经网络可能无法准确地在物理空间中重现一系列光谱特性,导致逆向设计的结构实际的光谱特性和所预期需求的差距过大,尤其是针对于圆二色性这种表现于两种圆偏振透射率共同作用的高维物理性质。为了提高反向神经网络的效果,研究人员还尝试将神经网络和多种传统优化算法融合将神经网络作为传统优化算法的求解器的强化学习算法,并应用于例如太赫兹反射式圆二色性超表面的逆向设计(参见文献:probabilistic representation and inverse design of metamaterials based on adeep generative model with semi‐supervised learning strategy[j]. advancedmaterials, 2019, 31(35): 1901111),但是只能预测具有简单的单共振峰的结构,和偏振转换超表面单元的设计(参见文献:compounding meta‐atoms into metamolecules withhybrid artificial intelligence techniques[j]. advanced materials, 2020, 32(6): 1904790),但是该设计仅适用于800nm的单一波长。总体上说,针对圆二色性设计所特化的神经网络依然很少且效果不佳。


技术实现思路

1、本专利技术针对现有技术存在的不足,提供一种将神经网络作为一种快速与遗传算法相结合,针对像素式二维平面拓扑单连通结构的强化学习算法,能快速针对红外波段范围内的宽带特定透射圆二色性光谱逆向设计从而反演得到二维超表面的微纳结构单元,有效提高了设计的效率。

2、实现本专利技术目的的技术方案是提供一种基于强化学习的圆二色性超表面的设计方法,采用逆向设计,包括如下步骤:

3、(1)待设计超表面单元结构为像素式拓扑平面二维结构,结构高度为200~500nm,设计波长范围为1300~1700 nm的近红外波段;

4、(2)构建随机生成的像素式拓扑平面二维结构的超表面和设计的波长范围内透射光谱之间的电磁仿真模型,生成包含大量样本的数据集;所述的数据集包括:

5、随机生成的表征不同微纳结构形状的像素式图案;

6、各对应微纳结构形状的超表面在设计波长范围内的目标圆二色性光谱数据;

7、(3)采用步骤(2)构建的数据集对神经网络进行训练,得到分别针对左旋圆偏振光和右旋圆偏振光的2个神经网络;

8、(4)以步骤(3)训练得到的神经网络为处理结构-光谱响应关系的快速计算单元,采用遗传算法,构建从目标圆二色性光谱到所需超表面单元结构之间的逆向设计流程;

9、(5)设定目标圆二色性光谱,采用步骤(4)的逆向设计流程,得到目标条件下最优的微纳结构单元;

10、(6)将步骤(5)中设计得到的微纳结构单元在横向二维平面内周期性延拓,得到圆二色性超表面。

11、本专利技术所述的超表面单元结构在单个周期内包含n×n个像素,具有旋转对称性;在设计中单元结构以二元矩阵像素式图案表征,存储为n×n矩阵;n ∈ 18~100。

12、本专利技术所述的目标圆二色性光谱由左旋圆偏振光谱和右旋圆偏振光谱构成,分别存储为m×1的向量,m ∈ 101~1001。

13、本专利技术技术方案还包括按上述设计方法得到的一种基于强化学习的圆二色性超表面。

14、本专利技术技术方案所述的一种基于强化学习的圆二色性超表面其制备方法包括如下步骤:

15、(1)使用等离子增强化学气相沉积在清洗后的二氧化硅基底上沉积非晶硅;

16、(2)将基于强化学习设计得到的圆二色性超表面的图案,采用电子束光刻工艺对样品进行曝光,再经显影、定影处理,得到圆二色性超表面的图案的光刻胶掩膜;

17、(3)采用sf6和chf3气体进行电感耦合等离子体刻蚀,得到一种基于强化学习设计的圆二色性超表面。

18、本专利技术技术方案的优化目标选择为二维平面拓扑单连通结构,从而最大范围内拓展设计的自由度,并规避设计出现中的杂点(过多的杂点会形成类似马赛克的图案。由于现有制备工艺,对于红外以及可见光波段超表面微纳器件完全无法实际利用,因此在设计中需要规避)。

19、与现有的技术相比,本专利技术的有益效果在于:传统依赖于优化算法的设计方法受限复杂耗时的数值计算,使得它们无法快速设计,或无法使用较大的种群数量,难以达到最优设计结果。相比于其他现有的利用反向神经网络进行逆向设计的技术相比,本专利技术的带宽和设计自由度均有较大本文档来自技高网...

【技术保护点】

1.一种基于强化学习的圆二色性超表面的设计方法,采用逆向设计,其特征在于包括如下步骤:

2. 根据权利要求1所述的一种基于强化学习的圆二色性超表面的设计方法,其特征在于:所述的超表面单元结构在单个周期内包含N×N个像素,具有旋转对称性;在设计中单元结构以二元矩阵像素式图案表征,存储为N×N矩阵;N ∈ 18~100。

3. 根据权利要求1所述的一种基于强化学习的圆二色性超表面的设计方法,其特征在于:所述的目标圆二色性光谱由左旋圆偏振光谱和右旋圆偏振光谱构成,分别存储为M×1的向量,M ∈ 101~1001。

4.按权利要求1设计方法得到的一种基于强化学习的圆二色性超表面。

5.如权利要求4所述的一种基于强化学习的圆二色性超表面的制备方法,其特征在于包括如下步骤:

【技术特征摘要】

1.一种基于强化学习的圆二色性超表面的设计方法,采用逆向设计,其特征在于包括如下步骤:

2. 根据权利要求1所述的一种基于强化学习的圆二色性超表面的设计方法,其特征在于:所述的超表面单元结构在单个周期内包含n×n个像素,具有旋转对称性;在设计中单元结构以二元矩阵像素式图案表征,存储为n×n矩阵;n ∈ 18~100。

3. 根据权利要...

【专利技术属性】
技术研发人员:王晨乾王钦华
申请(专利权)人:苏州大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1