一种基于深度学习的多功能编码超表面设计方法技术

本发明专利技术属于电磁超表面技术领域，具体为一种基于深度学习的多功能编码超表面设计方法。为解决现有技术中网络深度不够，导致难以应对超表面与其电磁响应之间的复杂对应关系，以及适用场景受限的问题，本方法基于条件式生成对抗网络框架，提出了一种联合式训练的条件生成对抗模型，将神经网络预测模型加入到超表面逆设计网络中，加强了对生成模块网络模型的限制，增加了网络模型的深度，使网络对于复杂超表面的设计具有更强的泛化性能，大幅提高了超表面设计效率。表面设计效率。表面设计效率。

【技术实现步骤摘要】
一种基于深度学习的多功能编码超表面设计方法


[0001]本专利技术属于电磁超表面
，具体为一种基于深度学习的多功能编码超表面设计方法。

技术介绍

[0002]超表面是具有不同几何形状的二维亚波长结构，通过适当地设计单元结构，可以灵活有效调控电磁波振幅、相位、极化等特性，目前已被设计用于多种功能器件，例如极化转换器、完美吸收器以及振幅和相位调制器等。
[0003]长期以来，电磁超表面设计依赖于大量的数值仿真运算，且需要研究人员根据专业知识不断试错推理，耗时长，设计效率低。因此，如何快速、准确地对超表面进行分析设计是超表面研究领域需要解决的一大问题。
[0004]为了解决这一问题，基于数据驱动的深度学习方法被引入到超表面设计中。引入深度学习后，复杂的仿真建模工作和大量的参数扫描工作将不再是求解电磁特性问题的唯一途径。只需让神经网络学习不同超表面结构参数和其对应电磁响应之间的关系，即可对任意超表面的电磁特性进行模拟，为研究人员节约大量的时间和精力。
[0005]目前基于深度学习的超表面单元结构设计仍存在一些问题：
[0006]1.大部分网络主要是通过组合几个全连接神经网络层来构建的，由于网络深度不够，模型的学习和泛化能力受到了很大限制，只能处理简单的、少量的超表面结构参数。因此，需要寻找一种更深层次的神经网络来学习超表面与其电磁响应之间的复杂对应关系。
[0007]2.目前的网络只能处理一些典型的几何结构，如金属棒、平面层、圆柱体和电介质球体等，并且网络只能输出记忆的结果，不能通过学习设计机制来合成新的解，适用场景具有很大限制。

技术实现思路

[0008]针对上述问题本专利技术提供了一种基于深度学习的多功能编码超表面设计方法。
[0009]为了达到上述目的，本专利技术采用了下列技术方案：
[0010]一种基于深度学习的多功能编码超表面设计方法，包括以下步骤：
[0011]步骤1，根据超表面需要实现吸收和线极化转换的功能，随机生成若干个超表面编码图案，构建对应的超表面结构单元，将其送入电磁仿真软件，模拟得到对应的电磁响应，构建神经网络预测数据集和超表面逆设计数据集；
[0012]步骤2，构建并训练神经网络预测模型，其模型的输入为可实现吸收功能和线极化转换功能的超表面编码图案，输出为对应的电磁响应，即吸收率和极化转换率；
[0013]步骤3，构建并训练超表面逆设计网络模型，超表面逆设计网络模型采用条件式生成对抗网络，包括生成模块和判别模块；
[0014]步骤4，基于训练完成的神经网络预测模型，对超表面编码图案预测对应的电磁响应；基于训练完成的超表面逆设计网络模型，通过输入目标电磁响应，得到相应的超表面设
计方案。
[0015]进一步，所述步骤1中超表面结构单元从上至下包括顶层超表面编码图案层、第一介质层、中间二氧化钒层、第二介质层和底层金属底板，所述顶层超表面编码图案层划分成16
×
16大小的矩阵，所述第一介质层和第二介质层的材质采用Neltec NY9802，介电常数为2.08(1+0.0006i)。
[0016]进一步，所述步骤1中构建神经网络预测数据集和超表面逆设计数据集，具体步骤为：
[0017]步骤1.1，将得到的电磁响应以步长5为间隔采样得到201维的向量表示，对应的功能属性标注为功能标签，将顶层超表面编码图案层的矩阵制作成16
×
16分辨率大小的二值化图片，图片色彩通道为单通道，顶层超表面编码图案层的矩阵中，“1”对应该区域填充有金属，“0”对应该区域空白；
[0018]步骤1.2，神经网络预测数据集输入为16
×
16分辨率大小的单通道超表面编码图案和对应功能属性的功能标签，输出为201维的电磁响应；
[0019]超表面逆向设计数据集输入为201维的电磁响应、对应分类的功能标签2和50维随机高斯噪声，组成252维的向量，对应标签为16
×
16分辨率的超表面编码图案。
[0020]进一步，所述步骤2中构建并训练神经网络预测模型，具体步骤为：
[0021]步骤2.1，神经网络预测模型采用ResNet50网络结构，将ResNet50网络结构中ReLU激活函数全部替换为LeakyReLU激活函数；
[0022]步骤2.2，将神经网络预测数据集输入到神经网络预测模型中进行训练，训练完成后固定该网络的模型参数。
[0023]进一步，采用均方误差MSE作为损失函数对所述步骤2中神经网络预测模型的参数进行迭代更新，公式如下：
[0024][0025]其中，y
i
为真实值，为预测值，n为数据维度。
[0026]进一步，所述步骤2中吸收率的计算公式为：
[0027]A＝1
‑
|r
yx
|2‑
|r
yy
|2ꢀꢀꢀ
(2)
[0028]所述极化转换率的计算公式为：
[0029]PCR＝|r
xy
|2/(|r
xy
|2+|r
yy
|2)
ꢀꢀꢀ
(3)
[0030]其中，为电磁波经由材料反射得到的共面极化反射系数，为交叉极化反射系数，r和i表示入射波和反射波。
[0031]进一步，所述步骤3中构建并训练超表面逆设计网络模型，具体步骤为：
[0032]步骤3.1，生成模块的网络结构采用Unet++结构，生成模块的输入为201维的电磁响应、对应功能属性的功能标签和50维随机高斯噪声组成252维的向量；
[0033]步骤3.2，判别模块的网络结构采用基于PatchGAN的全卷积网络结构，由卷积层组成，输入是生成模块生成的超表面编码图案和数据集中的超表面编码图案两个部分，输出经过网络最后一层Sigmoid激活函数得到一个一维数值；
[0034]步骤3.3，将输入生成模块的252维数据R经过一层全连接层扩展到256维，然后压缩成维度是(1,16,16)的矩阵，接下来输入到Unet++结构中，经过多层结构计算，生成模块最后生成超表面编码图案G(R)，利用平均绝对误差MAE计算生成图案和训练数据集图案p的损失值l
MAE
，公式如下：
[0035][0036]其中，p
i
为真实值，为预测值，k为数据维度；
[0037]步骤3.4，将生成的超表面编码图案和训练数据集图案输入判别模块，得到判别误差：
[0038][0039]其中，D(G(R
(i)
))表示判别模块判别生成模块生成的数据为“真”的概率；D(P
(i)
)表示判别模块判别数据集中的数据为“真”的概率；
[0040]步骤3.5，将生成的超表面编码图案输入神经网络预测模型，得到对应的电磁响应，利用均方误差MSE计算与真实电磁响应的损失值l
M本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多功能编码超表面设计方法，其特征在于，包括以下步骤：步骤1，根据超表面需要实现吸收和线极化转换的功能，随机生成若干个超表面编码图案，构建对应的超表面结构单元，将其送入电磁仿真软件，模拟得到对应的电磁响应，构建神经网络预测数据集和超表面逆设计数据集；步骤2，构建并训练神经网络预测模型，其模型的输入为可实现吸收功能和线极化转换功能的超表面编码图案，输出为对应的电磁响应，即吸收率和极化转换率；步骤3，构建并训练超表面逆设计网络模型，超表面逆设计网络模型采用条件式生成对抗网络，包括生成模块和判别模块；步骤4，基于训练完成的神经网络预测模型，对超表面编码图案预测对应的电磁响应；基于训练完成的超表面逆设计网络模型，通过输入目标电磁响应，得到相应的超表面设计方案。2.根据权利要求1所述的一种基于深度学习的多功能编码超表面设计方法，其特征在于，所述步骤1中超表面结构单元从上至下包括顶层超表面编码图案层、第一介质层、中间二氧化钒层、第二介质层和底层金属底板，所述顶层超表面编码图案层划分成16
×
16大小的矩阵，所述第一介质层和第二介质层的材质采用NeltecNY9802，介电常数为2.08(1+0.0006i)。3.根据权利要求1所述的一种基于深度学习的多功能编码超表面设计方法，其特征在于，所述步骤1中构建神经网络预测数据集和超表面逆设计数据集，具体步骤为：步骤1.1，将得到的电磁响应以步长5为间隔采样得到201维的向量表示，对应的功能属性标注为功能标签，将顶层超表面编码图案层的矩阵制作成16
×
16分辨率大小的二值化图片，图片色彩通道为单通道，顶层超表面编码图案层的矩阵中，“1”对应该区域填充有金属，“0”对应该区域空白；步骤1.2，神经网络预测数据集输入为16
×
16分辨率大小的单通道超表面编码图案和对应功能属性的功能标签，输出为201维的电磁响应；超表面逆向设计数据集输入为201维的电磁响应、对应分类的功能标签2和50维随机高斯噪声，组成252维的向量，对应标签为16
×
16分辨率的超表面编码图案。4.根据权利要求1所述的一种基于深度学习的多功能编码超表面设计方法，其特征在于，所述步骤2中构建并训练神经网络预测模型，具体步骤为：步骤2.1，神经网络预测模型采用ResNet50网络结构，将ResNet50网络结构中ReLU激活函数全部替换为LeakyReLU激活函数；步骤2.2，将神经网络预测数据集输入到神经网络预测模型中进行训练，训练完成后固定该网络的模型参数。5.根据权利要求1所述的一种基于深度学习的多功能编码超表面设计方法，其特征在于，采用均方误差MSE作为损失函数对所述步骤2中神经网络预测模型的参数进行迭代更新，公式如下：其中，y
i
为真实值，为预测值，n为数据维度。
6.根据权利要求1所述的一种基于深度学习的多功能编码超表面设计方法，其特征在于，所述步骤2...

【专利技术属性】
技术研发人员：杨荣草，夏华鵾，谭小辉，
申请(专利权)人：山西大学，
类型：发明
国别省市：