[发明专利]基于神经网络的双模共存光子晶体纳米束腔逆向设计方法

权利要求书

1.一种基于神经网络双模共存纳米束的逆向设计方法，针对双模光子晶体纳米束腔进行设计，其结构参数由纳米束腔的透射谱曲线来反应：其特征在于，采用神经网络算法，通过时域有限差分方法构建训练所需要的数据集进行训练，最后利用训练的模型得到目标透射谱的结构参数：具体步骤为：

(1)首先，通过时域有限差分方法，获取用于训练的数据集；

(2)然后构建出结构为输入、透射谱为输出的正向模型，利用数据集进行训练，达到收敛条件后，得到正向神经网络模型；

(3)构建透射谱为输入，结构参数为输出的逆向模型，并将之前构建好的正向网络拼接在后共同训练，其中正向模型的参数保持不变，达到收敛后，获得逆向模型；

(4)把目标光谱输入到逆向模型中，最终获得双模光子晶体纳米束腔的结构参数。

2.根据权利要求1中所述的双模光子晶体纳米束腔的逆向设计，其特征在于：该方法所适用的双模纳米束腔，其基本结构为在宽700nm、厚220nm的绝缘体上硅薄膜刻蚀左右各6个参数渐变的椭圆孔和槽；其关键的结构参数包括：中心孔的短轴R_xc、长轴R_yc、晶格常数a_c，边缘孔的短轴R_xe，长轴R_ye，晶格常数a_e，和槽宽度w；中心孔到边缘孔的中间孔几何参数采用二次渐变的方式得到，槽宽度保存不变；即此双模式光子晶体纳米束腔需要设计的结构参数为R_xc、R_yc、a_c、R_xe、R_ye、a_e、w七个。

3.根据权利要求1或2所述的双模光子晶体纳米束腔的逆向设计方法，其特征在于：模型所用的训练数据均时域有限差分方法所得，所构建的逆向网络是由基于构建的正向网络的基础上训练得到的；其中正向网络的输入为7个结构参数，包含5个隐藏层，每个隐藏层的神经网络数分别为500、200、100、200、500，输出数据为透射谱在1400nm至1800nm间每20nm一次、共计200个点的均匀采样，每个隐藏层所采用的激活函数为Relu激活函数，采用的优化算法为学习率为0.001，权重衰减为10^-5的Adam优化函数，损失函数为标签值与输出值之间的MSE均方误差函数；通过考察MSE变化曲线判断网络是否收敛好，如果训练后网络性能较差则需要调整数据集和训练周期等超参数。

4.根据权利要求书1、2、3所述的双模光子晶体纳米束腔的逆向设计方法，其特征在于：模型所用的训练数据均来自时域有限差分方法所得，所述的逆向网络是基于正向网络上训练得到，将正向网络拼接于逆向网络后同时训练以克服逆向设计的数据不一致性；其中逆向网络的输入为1400nm至1800nm每20nm均匀采用的200个数据点，以及每个采样点如果是谐振点则取1、不是谐振点则取0的200个谐振特征，共计400个输入；结构参数通过中间层进行输出；针对逆向网络部分，隐藏层为5层，神经元数分别为600、300、100、300、600，每个隐藏层所采用的激活函数为Relu激活函数，采用的优化算法为学习率为0.0005，权重衰减为10^-5的Adam优化函数；在训练过程中采用的损失函数为：

loss＝0.1×loss_design+0.9×loss_spectrum

式中，loss_design为网络输出结构与标签值的均方误差，loss_spectrum为目标光谱与标签值的均方误差；最后通过调整训练周期观察损失函数的收敛性，判断网络是否训练好；如果训练后的网络性能较差，则需要调整训练周期等超参数。

5.根据权利要求书1、2、3、4所述的双模光子晶体纳米束腔的逆向设计方法，其特征在于：通过在逆向模型中输入具有双模特征的目标透射谱，得到对应的结构参数，并把结构参数通过仿真软件进行验证，如果仿真得到的透射谱与目标透射谱之间误差较大，则需要重新调整正向网络与逆向网络的训练周期与超参数等，进一步降低模型的损失函数。