[发明专利]一种基于深度学习来设计红外相变材料的方法

说明书

本发明公开了一种基于深度学习来设计红外相变材料的方法，包括以下步骤：步骤a、确定内层材料和外层材料的种类，以及确定内层和外层的层数及其厚度范围；步骤b、利用米氏散射的传递矩阵算法分别制作不同材料组合对应的数据集，每组材料组合的每层厚度随机分布；步骤c、确定DNN网络超参数，基于GPU对数据集进行DNN网络训练；步骤d、根据分类结果中光谱的响应特征，确定合适的材料进行下一步设计；步骤e、训练优化合适材料对应的子网络，根据子网络设计结构参数；步骤f、得到材料和结构的具体参数。本发明提供的一种基于深度学习来设计红外相变材料的方法，能够随时根据需要的光谱响应来快速设计好一种结构，克服遗传算法迭代计算过程冗长缺陷。

技术领域

本发明涉及一种基于深度学习来设计红外相变材料的方法，属于微纳光学结构设计技术领域。

背景技术

光子学中，从结构到光谱的正向计算可以用麦克斯韦方程组很好的计算和理解，但解决逆问题往往是一个复杂的问题，因为设计时通常涉及到高维空间的映射，很难一次性就能统筹多个设计参数。传统的微纳光学结构的设计通常是对纳米结构、材料、周围介质以及作用波段利用有限元软件进行仿真建模，通过变化一个参数来横向比较其光谱响应是否能达到理想的效果。

现有技术中，遗传算法常作为逆向设计的优化算法。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时，相对一些常规的优化算法，仍可以体现出速度优势来。

使用遗传算法去解决一套体系的逆设计问题，每优化一种结构，就要确定一种目标函数，而且需要大量的计算能力和时间，这个时间随着参数的复杂度呈指数增长。通俗的来讲，如果要优化出一个在2000nm波段实现超散射的多层Ag-GeTe核壳结构，首先得把每层的厚度视为一个单独的设计，或者被视为个体，所有组的但素涉及构成一个种群，通过对种群的每个个体的适应性进行评价，可以得到该个体成为下一代父项的可能性。每设计一种结构，根据结构的复杂性，多层球的层数越多，设计时间会相应越来越长，如果两层结构在10分钟的话，四层结构就会在30分钟左右，存在迭代计算过程冗长的缺陷。

发明内容

本发明要解决的技术问题是，克服现有技术的缺陷，提供一种能够随时根据需要的光谱响应来快速设计好一种结构，克服遗传算法迭代计算过程冗长缺陷的基于深度学习来设计红外相变材料的方法。

为解决上述技术问题，本发明采用的技术方案为：

一种基于深度学习来设计红外相变材料的方法，包括以下步骤：

步骤a、确定内层材料和外层材料的种类，以及确定内层和外层的层数及其厚度范围。在微纳材料的设计中，加入了材料的选择环节，可以避免因为材料局限性的问题而不能继续进行设计的窘境，增加了材料的选择可以为设计提供给更多的可能性。

步骤b、利用米氏散射的传递矩阵算法分别制作不同材料组合对应的数据集，每组材料组合的每层厚度随机分布；

步骤c、确定DNN网络超参数，基于GPU对数据集进行DNN网络训练。用深度学习的DNN网络可以更快的进行设计而不必像其他优化算法一样经过漫长的设计时间，提高了设计的效率。

步骤d、根据分类结果中光谱的响应特征，确定合适的材料进行下一步设计；

步骤e、训练优化合适材料对应的子网络，根据子网络设计结构参数；

步骤f、得到材料和结构的具体参数。

步骤a中，内外层材料结构选择2层、4层或者6层的结构，每层厚度定义在30～200nm。

步骤b中，选择外层相变材料低温和高温下的两种介电常数作为数据集数据。