用于超表面透镜设计的机器学习方法、系统、设备及介质技术方案

本发明专利技术涉及一种用于超表面透镜设计的机器学习方法、系统、设备及介质，方法包括：通过构建并训练神经网络获得功能基元的基本属性与其所能产生的光学效应的关系，建立功能基元的性能数据库；利用粒子群优化算法在性能数据库中优选出所需目标功能基元，完成超表面透镜的设计。相比于目前已有的机器学习相关的超表面透镜设计，本发明专利技术提出的机器学习的方法是唯一经过实验验证而确定所设计的超表面透镜性能优异的方法，通过本方法设计的超表面透镜性能高于传统数值方法设计的超表面透镜的性能。能高于传统数值方法设计的超表面透镜的性能。能高于传统数值方法设计的超表面透镜的性能。

【技术实现步骤摘要】
用于超表面透镜设计的机器学习方法、系统、设备及介质


[0001]本专利技术是关于一种用于超表面透镜设计的机器学习方法、系统、设备及介质，涉及纳米光子学领域。

技术介绍

[0002]在光学系统中，透镜是极其重要的元件，在手机相机、显微镜、照相机以及激光加工等方面具有重要的作用。透镜外形、材料的色散严重影响透镜系统的图像质量，需要进行光学误差矫正。传统光学通过多片透镜组合的方式，通过选取不同的透镜材料来实现色差矫正，但是系统的体积和重量不可避免的增大，限制了光学成像系统的小型化与集成化的使用要求。
[0003]超表面是一种由单层功能基元构成的新型的二维超材料，功能基元的高度一般小于工作波长，但是这样一层功能基元可以实现对入射光的强度、偏振、相位等基本属性的操控，最终可在亚波长尺度完成强度分布、偏振转换、自旋/轨道角动量的加载、全息成像等功能。超表面设计主要在于功能基元的性能确定，常规方法是利用数值计算或模拟仿真的方法逐个计算不同几何参数的功能基元得到功能基元性能数据库，但面对数万个乃至更多的功能单元，这种逐个计算的方式会消耗大量的计算资源与时间，严重阻碍了超表面的设计进程。超表面透镜是超表面中的一类重要器件，也是光学成像系统里必不可少的器件，利用超表面将常规透镜平面化，可以在最大程度上压缩光学系统的尺寸。基于传统方法设计超表面透镜同样面临设计周期长，资源消耗大的问题。
[0004]综上，现有超表面透镜设计方面所存在的计算资源消耗大、模拟周期长、效率低下等问题。

技术实现思路

[0005]针对上述问题，本专利技术的目的是提供一种能够降低时间与硬件资源成本加快实现超表面透镜产业化的用于超表面透镜设计的机器学习方法、系统、设备及介质。
[0006]为实现上述目的，本专利技术采取以下技术方案：
[0007]第一方面，本专利技术提供的用于超表面透镜设计的机器学习方法，包括：
[0008]通过构建并训练神经网络获得功能基元的基本属性与其所能产生的光学效应的关系，建立功能基元的性能数据库；
[0009]利用粒子群优化算法在性能数据库中优选出所需的目标功能基元，完成超表面透镜的设计。
[0010]进一步地，建立功能基元的性能数据库，包括：
[0011]基于功能基元的基本属性划定功能基元的范围；
[0012]针对目标范围内的功能基元，通过获得不同功能基元所具有的目标性能，建立初始数据库；
[0013]构建神经网络，利用初始数据库对神经网络进行训练，经多次迭代后获得具有设
定精度的稳定神经网络；
[0014]通过神经网络建立目标范围内的功能基元与其对应性能的最终数据库。
[0015]进一步地，功能基元的基本属性包括尺寸、对称性、材料的介电常数和/或损耗，功能基元的目标功能包括强度、相位和/或群时延。
[0016]进一步地，初始数据库为电子设备可读取的数据形式，包括初始数据库矩阵，矩阵每一行包括神经网络输入层参数以及输出层参数。
[0017]进一步地，构建的神经网络为全连接神经网络，隐藏层层数为1～10层，每层隐藏层神经元数目为1～100个，隐藏层的激活函数使用sigmoid、tanh或ReLU。
[0018]进一步地，稳定神经网络的设定精度通过均方根误差进行表示：
[0019][0020]其中，为神经网络的预测值，y
i
为实际值，n为训练的样本数目，MSE的数值大小反映了神经网络的性能。
[0021]进一步地，利用粒子群优化算法在性能数据库中优选出所需目标功能基元，完成超表面透镜的设计，包括：
[0022]筛选过程初始化设定数量的粒子，每个粒子代表一种超表面透镜的设计方案，通过计算适应度来对粒子的运动进行更新，使得粒子向着群体最优值和个体最优值的位置运动，经过若干次迭代过程获得最优的超表面透镜设计方案。
[0023]第二方面，本专利技术提供的用于超表面透镜设计的机器学习系统，该系统包括：
[0024]数据库单元，被配置为通过构建并训练神经网络获得功能基元的基本属性与其所能产生的光学效应的关系，建立功能基元的性能数据库；
[0025]优化单元，被配置为利用粒子群优化算法在性能数据库中优选出所需目标功能基元，完成超表面透镜的设计。
[0026]第三方面，本专利技术提供的电子设备，所述电子设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述的方法。
[0027]第四方面，本专利技术提供的计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述的方法。
[0028]本专利技术由于采取以上技术方案，其具有以下特点：
[0029]1、本专利技术提出的机器学习方法有利于实现高性能的超表面透镜的快速设计，降低时间与硬件资源成本，加快实现超表面透镜的产业化。
[0030]2、相比于目前已有的机器学习相关的超表面透镜设计，本专利技术提出的机器学习的方法是唯一经过实验验证而确定所设计的超表面透镜性能优异的方法，通过本方法设计的超表面透镜性能高于传统数值方法设计的超表面透镜的性能。
[0031]3、本专利技术所提出的机器学习设计方法，具有如下优势：材料不限、普遍适用性强、设计周期短等；
[0032]综上，本专利技术提供的快速、高效的超表面透镜设计方法，可以广泛应用于透镜设计中，对产业发展具有极其重要意义。
附图说明
[0033]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
[0034]图1为本专利技术一实施例选取的3种纳米结构单元示意图，其中，U＝320nm，H＝400nm。
[0035]图2为本专利技术一实施例十字结构a1＝150nm，a2＝50nm介质柱的宽带相位和透射率仿真结果。
[0036]图3为本专利技术一实施例中全连接神经网络示意图。
[0037]图4(a)为本专利技术一实施例中通过电磁场仿真得到的参考波长(545nm)相位和群时延库。
[0038]图4(b)为本专利技术一实施例中通过神经网络预测得到的参考波长(545nm)相位和群时延库。
[0039]图5为本专利技术一实施例的设计版图。
[0040]图6为本专利技术一实施例的电子设备结构图。
具体实施方式
[0041]应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于超表面透镜设计的机器学习方法，其特征在于，包括：通过构建并训练神经网络获得功能基元的基本属性与其所能产生的光学效应的关系，建立功能基元的性能数据库；利用粒子群优化算法在性能数据库中优选出所需的目标功能基元，完成超表面透镜的设计。2.根据权利要求1所述的用于超表面透镜设计的机器学习方法，其特征在于，建立功能基元的性能数据库，包括：基于功能基元的基本属性划定功能基元的范围；针对目标范围内的功能基元，通过获得不同功能基元所具有的目标性能，建立初始数据库；构建神经网络，利用初始数据库对神经网络进行训练，经多次迭代后获得具有设定精度的稳定神经网络；通过神经网络建立目标范围内的功能基元与其对应性能的最终数据库。3.根据权利要求2所述的用于超表面透镜设计的机器学习方法，其特征在于，功能基元的基本属性包括尺寸、对称性、材料的介电常数和/或损耗，功能基元的目标功能包括强度、相位和/或群时延。4.根据权利要求2所述的用于超表面透镜设计的机器学习方法，其特征在于，初始数据库为电子设备可读取的数据形式，包括初始数据库矩阵，矩阵每一行包括神经网络输入层参数以及输出层参数。5.根据权利要求2所述的用于超表面透镜设计的机器学习方法，其特征在于，构建的神经网络为全连接神经网络，隐藏层层数为1～10层，每层隐藏层神经元数目为1～100个，隐藏层的激活函数使用sigmoid、tanh或ReLU。6.根据...

【专利技术属性】
技术研发人员：孙竞博，王斐镂，周济，
申请(专利权)人：清华大学，
类型：发明
国别省市：