【技术实现步骤摘要】
本专利技术涉及超表面领域，尤其涉及一种人工智能辅助的超表面光神经网络结构的设计方法及装置。
技术介绍
1、超表面是一种亚波长结构的人造介质，可以在平方毫米级的尺寸上做出数以亿级的基元，继而利用这些基元对入射光的强度和相位分布进行更为有效的编码。不同场景需求下需要的光的编码方式不同，所以需要根据场景需求设计出符合需求的超表面。
2、在实现本专利技术过程中，专利技术人发现现有技术在设计超表面光神经网络结构的过程中存在这样的问题：
3、一方面，不同的基元以及不同的基元排布，超表面对入射光的编码方式不同，可以基于已知的基元的工艺参数判断超透镜对光的调制效果，但很难根据需要的调制效果确定基元的工艺参数；
4、另一方面，现有的基于fdtd物理模拟调整超表面的工艺参数耗时耗力，因为超表面上的基元的数量过多，工艺参数的数量级是随着超表面尺寸的增大而指数级地增长，尤其是超表面光神经网络具有很多层超表面时，参数量更大，由于要模拟的数量很大，导致模拟效率低，得到的结果的精确度不够好。
技术实现思路
1、为解决上述的现有技术问题中的至少其一，本专利技术的目的在于提供一种能够根据需求确定超表面的工艺参数、且能处理大量数据的人工智能辅助的超表面光神经网络结构的设计方法及装置。
2、为实现上述专利技术目的，本专利技术一实施方式提供一种人工智能辅助的超表面光神经网络结构的设计方法，所述超表面光神经网络硬件构型为空间多层超表面结构，所述设计方法包括如下步骤：
<...【技术保护点】
1.一种人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述超表面光神经网络硬件构型为空间多层超表面结构，所述设计方法包括如下步骤：
2.根据权利要求1所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤获取训练数据集包括：
3.根据权利要求2所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤确定工艺参数空间包括：
4.根据权利要求3所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述工艺参数包括几何参数，所述几何参数包括每个块状子结构中基元的形状、周期、以及与所述形状对应的尺寸参数和旋转角度参数。
5.根据权利要求3所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤将所述工艺参数空间内的参数向量化表示，得到向量数据集包括：
6.根据权利要求2所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤将所述工艺参数空间内的参数向量化表示，得到向量数据集包括：
7.根据权利要求2所述的人工智能辅助的超表面光神
8.根据权利要求1所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述多任务学习模型包括一个因子分解机层和两个卷积神经网络层，且每个卷积神经网络层的输出分别乘一个可训练系数，所述因子分解机层用于学习特征间两两组合的线性表示，所述卷积神经网络层用于学习特征间的高阶特征表示。
9.根据权利要求8所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤通过所述训练数据集训练多任务学习模型包括：
10.根据权利要求1所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤获取待设计振幅和待设计相位包括：
11.根据权利要求10所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述超表面光神经网络模型是使用端到端的方式，通过神经网络的层级结构和训练算法，直接学习和优化振幅和相位与特定任务的映射关系，进而训练得到的模型。
12.根据权利要求1所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，还包括步骤：
13.一种人工智能辅助的超表面光神经网络结构的设计装置，其特征在于，所述超表面光神经网络硬件构型为空间多层超表面结构，所述设计装置包括：
14.一种电子设备，其特征在于，包括：
15.一种可读存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理模块执行时可实现权利要求1至12中任意一项所述的人工智能辅助的超表面光神经网络结构的设计方法中的步骤。
...【技术特征摘要】
1.一种人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述超表面光神经网络硬件构型为空间多层超表面结构，所述设计方法包括如下步骤：
2.根据权利要求1所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤获取训练数据集包括：
3.根据权利要求2所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤确定工艺参数空间包括：
4.根据权利要求3所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述工艺参数包括几何参数，所述几何参数包括每个块状子结构中基元的形状、周期、以及与所述形状对应的尺寸参数和旋转角度参数。
5.根据权利要求3所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤将所述工艺参数空间内的参数向量化表示，得到向量数据集包括：
6.根据权利要求2所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤将所述工艺参数空间内的参数向量化表示，得到向量数据集包括：
7.根据权利要求2所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述步骤对所述向量数据集通过采样的方式生成样本集合包括：
8.根据权利要求1所述的人工智能辅助的超表面光神经网络结构的设计方法，其特征在于，所述多任务学习模型包括一个因...
【专利技术属性】
技术研发人员：宋凯，孙磊，
申请(专利权)人：苏州山河光电科技有限公司，
类型：发明
国别省市：
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。