[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

说明书

本发明涉及一种基于神经网络的超表面透镜的设计方法、系统及介质，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。本发明提出的基于神经网络的设计方法，不限制所使用的材料、各向异性结构、设计自由度高、设计耗时短、超表面透镜器件效率高。

技术领域

本发明是关于一种基于神经网络的超表面透镜设计方法、系统及介质，涉及纳米光子学领域。

背景技术

对于大多数现代光学系统而言(例如显微镜、摄相机、照相机、手机镜头等)，控制光学透镜的色散对其性能至关重要。传统的几何光学方法通过改变材料的成分以及使用多个透镜组合的形式来实现对透镜色散的控制，但是这个过程既耗时又困难，并且设计得到的透镜体积庞大，不同透镜之间也需要进行精密的对准，限制了在小型化、集成化系统中的应用。

与传统折射光学透镜形成鲜明对比的是由亚波长纳米天线组成的光学超表面透镜。光学超表面透镜可以在极薄的厚度下实现对入射光的聚焦。通过在超表面透镜上引入特定的相位和色散，可以实现对入射光的消色差聚焦。不同亚波长纳米天线的相位和色散主要由其几何尺寸参数以及结构排列方式来决定，使用相同的材料即可实现消色差聚焦。同时介质基超表面透镜的聚焦效率较高，其单波长的聚焦效率约为90％，不同介质柱具有均匀的高度，可以使用半导体加工技术进行批量生产，这使得它们有望成为传统折射透镜的替代品。

消色差超表面透镜的设计通常需要通过电磁场仿真得到不同几何参数的结构单元光学性能，然后从仿真的结构中进行筛选。对于简单的图案可以较快的完成设计，但当图案为各向异性结构时，由于其具有较多可变的几何参数，此时对每个尺寸参数进行模拟仿真需要消耗大量的计算资源，这对于消色差超表面透镜的设计造成了一定的阻碍。神经网络作为一种人工智能算法，通过前期消耗较少的计算资源进行训练，可以从输入数据中挖掘结构的几何参数、材料参数等与结构光学响应谱的联系，一旦神经网络训练完成，即可在极短的时间内预测其它未知输入几何参数、材料参数下的光学响应谱。使用神经网络预测不同尺寸参数与中心频率处的相位和群时延可以实现消色差超表面透镜的设计，但是由于设计时忽视了不同频率下透射相位的实际偏移以及透射振幅的大小，设计得到的消色差超表面透镜整体效率较低。

综上所述，目前消色差超表面透镜的设计存在结构较为简单，光学响应覆盖范围小、效率较低、模拟周期长等问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，针对上述问题，本发明的目的是提供一种能够解决现有超表面透镜设计周期长、光学响应覆盖范围小、效率较低的问题，实现超表面透镜快速与高效设计的基于神经网络的超表面透镜的设计方法、系统及介质。

为了实现上述发明目的，本发明采用的技术方案为：

第一方面，本发明提供的一种基于神经网络的超表面透镜的设计方法，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。

进一步地，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。