[发明专利]一种超表面结构设计模型的构建方法及其应用

说明书

本发明属于超表面设计领域，具体涉及一种超表面结构设计模型的构建方法，包括：获取训练样本集，并采用训练样本集，训练级联残差神经网络；每个训练样本包括超表面结构参数及其对应的透射谱表征信息；级联残差神经网络包括依次级联的超表面结构设计网络和透射特性预测网络；在训练过程中，先训练透射特性预测网络，后基于训练后的透射特性预测网络，训练超表面结构设计网络，训练后的超表面结构设计网络作为超表面结构设计模型。本发明提出构建一种超表面结构设计模型，实现超表面透射谱的快速高精度预测，从而降低了超表面设计门槛和设计成本，在保证性能和优化稳定性的前提下，大大提升优化效率、降低计算功耗。

技术领域

本发明属于超表面设计领域，更具体地，涉及一种超表面结构设计模型的构建方法及其应用。

背景技术

超表面可以看作是由亚波长单元组成的二维层状材料，其厚度要比工作的波长小得多。通过对超表面结构参数进行设计，它能够对出射波前、光色散特性、偏振甚至频率的完美操控，工程师主要通过寻找超表面结构与透射谱之间的对应关系来按需求设计超表面。

然而超表面设计需要大量的专业背景知识、耗时且复杂的物理数学计算与相当的设计经验。如果采用正向设计超表面，需要对超表面结构与其传输特征进行直接检索，因为参数空间的庞大，正向设计是极度费时的。相较于此，基于优化算法的反向设计更善于这种设计和优化问题。其思想主要是：指定目标结果和需要的特性，使用优化算法，获得超表面结构。然而，超表面结构参数的优化需要仿真软件进行复杂且耗时的数值模拟计算也要消耗很长时间，而且优化算法的编写也是非常困难的。

发明内容

本发明提供了一种超表面结构设计模型的构建方法及其应用，用以解决现有超表面结构设计成本高的技术问题。

本发明解决上述技术问题的技术方案如下：一种超表面结构设计模型的构建方法，包括：

获取训练样本集，并采用所述训练样本集，训练级联残差神经网络；

其中，每个训练样本包括超表面结构参数及其对应的透射谱表征信息；所述级联残差神经网络包括依次级联的超表面结构设计网络和透射特性预测网络；在所述训练过程中，先训练所述透射特性预测网络，后基于训练后的所述透射特性预测网络，训练所述超表面结构设计网络，将训练后的所述超表面结构设计网络作为超表面结构设计模型。

本发明的有益效果是：本发明提出构建一种基于级联残差神经网络的超表面结构设计模型，级联残差神经网络可以唯一确定超表面结构参数与透射谱的非线性关系，保证了设计可靠性，其次由于残差神经网络性能不会因网络深度增加而退化，保证了在超表面结构设计方面的广泛应用，另外，先训练透射特性预测网络，后基于训练后的透射特性预测网络训练所超表面结构设计网络，保证训练精度，同时使得输入超表面结构参数输出超表面透射谱以及输入需求的超表面透射谱输出超表面结构参数，方便按需设计。本发明构建的超表面结构设计模型，能够实现由智能化技术来进行超表面结构设计，从而有望降低超表面设计门槛和设计成本。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述训练所述透射特性预测网络，具体为：

采用所述训练样本集，以所述超表面结构参数为输入，以所述透射谱表征信息为输出，训练所述透射特性预测网络，得到透射特性预测模型。

进一步，所述训练所述超表面结构设计网络，具体为：

采用所述训练样本集，以所述透射谱表征信息为输入，训练超表面结构设计网络；

其中，在每次迭代训练时，所述超表面结构设计网络根据其输入信息预测出对应的超表面结构参数并将其输入至所述透射特性预测模型；对比该透射特性预测模型所对应预测并输出的透射谱表征信息与该次迭代向所述超表面结构设计网络所输入的透射谱表征信息，以优化所述超表面结构设计网络参数。