[发明专利]基于深度学习算法的多频带声拓扑绝缘体及其逆向设计方法

说明书

本发明公开基于深度学习算法的多频带声拓扑绝缘体逆向设计方法，包括以下步骤：1）获取绝缘体的原始结构信息数据；2）将步骤1）绝缘体在仿真环境中运行、更新结构信息数据，计算出能带频率值；3）将绝缘体的原始结构信息数据、更新后的结构信息数据以及能带频率值组合成实验数据，采取深度学习算法对实验数据进行训练及预测绝缘体结构参数；4）将获得的最优结构参数组合进行重新建模，获得最优的绝缘体结构。同时提供多频带声拓扑绝缘体。本发明运用深度学习算法，利用训练好的神经网络对任何期望频率下，绝缘体结构模型所对应的结构参数进行反向预测，可以更快地实现期望频率下声拓扑绝缘体的最优化结构设计。

技术领域

本发明属于声学超构材料的拓扑特性等技术领域。

背景技术

近年来，人们对拓扑声学的研究兴趣激增，致力于更为复杂的声学拓扑绝缘体的结构设计，扩大其应用范围。声子拓扑绝缘体的性能优劣主要依赖于声子结构的几何参数设置，在传统设计中，主要通过经验方法反复调整其几何参数，并通过大量仿真试验观察模型是否达到较好的目标性能。此方法所设计出的声子拓扑绝缘体的性能在很大程度上受到限制，如拓扑边缘状态只能在狭窄的频率范围内实现、拓扑角态的质量因子小等问题。

目前，有较多学者提出采用逆设计方法来解决传统设计所导致的绝缘体所存在的技术问题，即利用算法技术根据目标性能需求辅助完成最优材料结构设计。常用的逆设计技术包括基于梯度的方法、进化方法和深度学习方法。在过去几年中，逆设计技术已广泛用于设计新型光子和声子结构，如光子和声子晶体、超材料、元表面和元结构等，并在许多应用场景中证明了其相较于传统经验设计结构的优越性。

近期，研究人员开始将逆设计技术应用到声子拓扑绝缘体的结构设计中，其中具有代表性的深度学习技术可作为全新的设计手段和物理框架与声拓扑材料深度融合，为声子拓扑绝缘体领域的研究与探索提供了新的想法和思路。目前，逆设计方法已被用于声拓扑绝缘体的结构设计，并基于量子自旋霍尔效应和量子谷霍尔效应的声子拓扑绝缘体的逆向设计以拓宽其拓扑边缘状态的可操作带宽。目前虽已有研究者采用逆设计方法实现了对拓扑边缘态带宽的有效拓宽，但并未完全脱离传统拓扑优化方法，仍然需要大量的实例训练，这些训练实例是通过电磁仿真创建的，需要比较大的计算资源，且无法在任意期望频率下完成声拓扑绝缘体设计研究。

发明内容

本发明目的在于提供一种基于深度学习算法的多频带声拓扑绝缘体逆向设计方法，同时提供一种多频带声拓扑绝缘体是本发明的另一发明目的。

基于上述目的，本发明采取以下技术方案：

基于深度学习算法的多频带声拓扑绝缘体逆向设计方法，包括以下步骤：

1)获取绝缘体的原始结构信息数据；

2)将步骤1)绝缘体在仿真环境中运行、更新结构信息数据，计算出能带频率值；

3)将绝缘体的原始结构信息数据、更新后的结构信息数据以及能带频率值组合成实验数据，采取深度学习算法对实验数据进行训练及预测绝缘体结构参数；

4)将获得的最优结构参数组合进行重新建模，获得最优的绝缘体结构。

所述深度学习算法为CSA-LSTM模型算法。

CSA-LSTM模型算法包括以下步骤：

a)数据预处理；

b)确定寻优超参数：初始化LSTM神经网络所需参数和结构，包括一层LSTM隐含层和一层dropout层；同时确定LSTM网络模型中寻优的超参数以及寻优范围，选取需要优化的超参数；

c)采取CSA算法对需要优化的超参数进行寻优，得到最优超参数；

d)将最优超参数自动赋值给LSTM神经网络进行建模，并对绝缘体结构参数数据进行训练及预测。