【技术实现步骤摘要】
本专利技术涉及光学器件建模，尤其涉及一种基于稀疏网格空间映射的光学器件建模方法及装置。
技术介绍
1、在光学设备设计和优化过程中，传统的方法通常需要在多个几何维度和不同波长下进行嵌套扫描，这会消耗大量的时间，因为需要进行重复的精细网格模拟。面对复杂的光学结构，传统的物理建模方法不仅计算成本高昂，而且建模效率低下，难以满足快速设计和优化的需求。同时，由于需要大量高精度的模拟数据，这进一步增加了时间和资源的消耗，限制了光学设备的优化和设计进度。
2、此外，传统的建模方法在面对多物理场的耦合问题时，往往难以有效处理，导致模型预测精度不足。随着光学设备设计的复杂性增加，如何高效地构建精确的模型，并减少所需的训练数据和计算成本，成为一个亟待解决的科学问题。
技术实现思路
1、鉴于此，本专利技术实施例提供了一种基于稀疏网格空间映射的光学器件建模方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷，对光学器件建模计算复杂需要消耗大量计算资源且无法满足精度要求的问题。
2、本专利技术的一个方面提供了一种基于稀疏网格空间映射的光学器件建模方法，该方法包括以下步骤：
3、基于不同精度对目标光学器件的几何设计参数、输入端光学参数和输出端光学参数进行仿真构建精细网格数据和稀疏网格数据，所述精细网格数据的仿真精度高于所述稀疏网格数据；
4、利用所述稀疏网格数据对预设的人工神经网络进行训练，建立用于将所述几何设计参数和所述输入端光学参数映射至所述输出端光学参
5、构建空间映射模块以将所述粗略模型的输出映射至所述精细网格数据；
6、将所述粗略模型与所述空间映射模块组合为所述目标光学器件的替代模型，其中，所述粗略模型提供用于快速预测的光学响应，所述空间映射模块用于提供精确预测的光学响应。
7、在一些实施例中，所述方法还包括：对所述精细网格数据进行采样得稀疏网格数据中，采样形式包括随机采样、网格降采样、拉丁超立方采样、正交采样、sobol序列采样、核密度估计采样或区域重要性采样。
8、在一些实施例中，利用所述稀疏网格数据对预设的人工神经网络进行训练，包括如下步骤：
9、对所述稀疏网格数据进行预处理，所述预处理包括对数据进行归一化处理和标准化处理；将所述稀疏网格数据按照设定比例划分为训练集、验证集和测试集；以及通过插值、噪声扰动进行数据扩展增强；
10、采用预处理后的所述稀疏网格数据对所述人工神经网络进行训练，所述人工神经网络包含输入层、隐藏层和输出层，所述输入层的节点数等于输入参数的数量，所述隐藏层至少设置3层，每层神经元数量为输入参数的2~4倍；所述输出层采用全连接层；所述隐藏层和所述输出层设有线性激活函数层；通过构建均方差损失对所述人工神经网络模型进行参数更新，得到所述粗略模型。
11、在一些实施例中，所述人工神经网络进行训练采用全连接神经网络、卷积神经网络或循环神经网络。
12、在一些实施例中，所述方法还包括：
13、使用adam或rmsprop优化器对所述人工神经网络进行参数更新，添加l2正则化或dropout以防止过拟合。
14、在一些实施例中，所述方法还包括：
15、基于与所述目标光学器件类型相同的多个其他几何设计参数的光学器件共同构建精细网格数据，并采样得所述稀疏网格数据。
16、在一些实施例中，所述空间映射模块采用多源线性回归或支持向量机回归建立所述粗略模型的输出与所述精细网格数据之间的映射关系。
17、另一方面，本专利技术还提供一种基于稀疏网格空间映射的光学器件建模装置，包括处理器、存储器及存储在存储器上的计算机程序/指令，所述处理器用于执行所述计算机程序/指令，当所述计算机程序/指令被执行时该装置实现上述方法的步骤。
18、另一方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。
19、另一方面，本专利技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述方法的步骤。
20、本专利技术的有益效果至少是：
21、本专利技术所述基于稀疏网格空间映射的光学器件建模方法及装置，基于不同精度对目标光学器件的几何设计参数、输入端光学参数和输出端光学参数进行仿真构建精细网格数据和稀疏网格数据，训练人工神经网络模型构建粗略网络将所述几何设计参数和所述输入端光学参数映射至所述输出端光学参数，能够快速拟合光学响应，并减小计算量。进一步的通过建立空间映射模块将粗略模型的输出映射至精细网格数据，实现了高精度光学响应的输出，提高了建模的效率。
22、本专利技术的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本专利技术的实践而获知。本专利技术的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
23、本领域技术人员将会理解的是，能够用本专利技术实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本专利技术能够实现的上述和其他目的。
本文档来自技高网...【技术保护点】
1.一种基于稀疏网格空间映射的光学器件建模方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，所述方法还包括：对所述精细网格数据进行采样得稀疏网格数据中，采样形式包括随机采样、网格降采样、拉丁超立方采样、正交采样、Sobol序列采样、核密度估计采样或区域重要性采样。
3.根据权利要求1所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，利用所述稀疏网格数据对预设的人工神经网络进行训练，包括如下步骤：
4.根据权利要求3所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，所述人工神经网络进行训练采用全连接神经网络、卷积神经网络或循环神经网络。
5.根据权利要求4所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，所述空间映射模块采用多源线性回归或
8.一种基于稀疏网格空间映射的光学器件建模装置，包括处理器、存储器及存储在存储器上的计算机程序/指令，其特征在于，所述处理器用于执行所述计算机程序/指令，当所述计算机程序/指令被执行时该装置实现如权利要求1至7中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于稀疏网格空间映射的光学器件建模方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，所述方法还包括：对所述精细网格数据进行采样得稀疏网格数据中，采样形式包括随机采样、网格降采样、拉丁超立方采样、正交采样、sobol序列采样、核密度估计采样或区域重要性采样。
3.根据权利要求1所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，利用所述稀疏网格数据对预设的人工神经网络进行训练，包括如下步骤：
4.根据权利要求3所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，所述人工神经网络进行训练采用全连接神经网络、卷积神经网络或循环神经网络。
5.根据权利要求4所述的基于稀疏网格空间映射的光学器件建模方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的基于稀疏...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。