[发明专利]基于神经网络的超表面透镜设计方法、系统及介质

权利要求书

1.一种基于神经网络的超表面透镜的设计方法，其特征在于，包括：

获取超表面透镜的各向异性结构单元基本参数；

基于所述各向异性结构单元基本参数通过预先训练的深度神经网络预测得到偏振转换透射系数，得到加密的偏振转换透射系数库；

利用优化算法从加密的偏振转换透射系数库中筛选得到满足预设误差的目标结构单元，完成超表面透镜的设计。

2.根据权利要求1所述的基于神经网络的超表面透镜的设计方法，其特征在于，还包括建立超表面透镜各向异性结构单元的初始偏振转换透射系数库的步骤，包括：

选取超表面透镜各向异性结构单元；

针对选取的各向异性结构单元，设置左旋圆偏振光或右旋圆偏振光入射，通过电磁场数值模拟方法得到不同基本参数结构单元右旋圆偏振光或左旋圆偏振光出射的偏振转换透射系数，建立初始偏振转换透射系数库。

3.根据权利要求2所述的基于神经网络的超表面透镜的设计方法，其特征在于，结构单元的基本参数包括结构单元的几何尺寸参数及材料参数。

4.根据权利要求2或3所述的基于神经网络的超表面透镜的设计方法，其特征在于，所述初始偏振转换透射系数库包括初始数据库结构单元基本参数和偏振转换透射系数矩阵。

5.根据权利要求4所述的基于神经网络的超表面透镜的设计方法，其特征在于，深度神经网络包含输入层、张量层、隐藏层和输出层，激活函数使用tanh、sigmoid、LeakyReLU或ReLU函数，其中，各向异性结构单元基本参数为输入层，圆偏振光通过结构单元后的偏振转换透射系数为输出层，通过训练得到深度神经网络，训练时深度神经网络的损失函数通过绝对平均误差或者均方根误差进行表示。

6.根据权利要求1所述的基于神经网络的超表面透镜的设计方法，其特征在于，所述优化算法的类型包括粒子群优化算法、遗传算法或梯度下降算法。

7.一种基于神经网络的超表面透镜的设计系统，其特征在于，包括：

参数获取单元，被配置为获取超表面透镜的各向异性结构单元基本参数；

预测单元，被配置为基于所述各向异性结构单元基本参数通过预先训练的深度神经网络预测得到偏振转换透射系数，得到加密的偏振转换透射系数库；

优化单元，被配置为利用优化算法从加密的偏振转换透射系数库中筛选得到满足预设误差的目标结构单元，完成超表面透镜的设计。

8.根据权利要求7所述的基于神经网络的超表面透镜的设计系统，其特征在于，还包括初始偏振转换透射系数库构建单元，被配置为建立超表面透镜各向异性结构单元的初始偏振转换透射系数库，所述初始偏振转换透射系数库包括初始数据库结构单元基本参数和偏振转换透射系数矩阵。

9.一种电子设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至6所述方法中的任一方法的指令。

10.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至6所述方法中的任一方法。