【技术实现步骤摘要】
本专利技术属于物理电子学领域，具体涉及一种神经网络通过操控超表面，间接操控电场的方法研究。
技术介绍
1、随着信息技术的高速发展，器件工作频率和集成度不断提升，电磁环境愈发复杂，对电磁波的高自由度调控提出新的挑战。
2、超表面通过单元结构进行相位调控，实现自然界不存在的宏观电磁特性。然而，传统的设计方法主要基于广义斯涅尔定律，通过复杂的数学计算来确定超表面的相位分布，这种方法虽然有效，但相对固定，缺乏足够的灵活性。在电场调控领域，该方法一方面提供了可靠的理论依据和计算手段，另一方面也限制了设计的创新性和多样性。随着算力的提升和机器学习技术的发展，使神经网络操控成为可能。
3、现有的超表面的神经网络一方面可以实现单元结构的相位预测，另一方面可以实现全息图像的逆设计。尽管可以精准预测单元结构的相位，但是电场调制仍需要依靠物理计算。全息图像的逆设计可以定制固定焦距的图像，但是这种调制是在二维空间中实现。目前，缺乏定制三维电场的方法。
技术实现思路
1、技术问题：本专利技术的目的，在于提供一种基于生成式神经网络的控制空间波场强分布的方法，神经网络利用任意电场设计超表面，进而实现任意电场操控，既可以通过已知电场定制未知电场，也可以直接定制未知电场。
2、技术方案：为了达到上述目的，本专利技术提出的一种基于生成式神经网络的控制空间波场强分布的方法法如下：
3、利用生成式神经网络构建训练网络，该网络利用任意电场设计超表面的相位分布，利用该相位分布构
4、所述的生成式神经网络由生成器和鉴别器组成。
5、所述的生成器由八层卷积层和八层转置卷积层组成，输入数据为1*256*256，输出数据为1*256*256。
6、所述生成式神经网络，其学习率为0.0002，batchsize为256，激活函数包括leakyrelu函数和relu激活函数，损失函数为bcewithlogitsloss。
7、所述生成式神经网络，其训练使用数据集为4841个超表面的相位图像和电场截面图像，超表面的工作频段为0.8thz，数据集图像尺寸为256*256的灰度图。
8、所述数据集中，超表面为基于pb相位的全硅超表面，衬底厚度为600um，单元结构周期为110um。
9、所述的八层卷积层中，第二次卷积开始前，进入leaky relu激活层，第二次卷积后进入批处理归一化层，第三层至第七层卷积层和第二层一致，最后一层卷积层后不进入批处理归一化层。
10、所述八层转置卷积层中，进入第一层转置卷积层前，进入relu激活层，转置卷积层后进入批处理归一化层，最后一层转置卷积层后进入tanh激活函数层。
11、所述鉴别器具有三个卷积层，输入数据为2*256*256，输出数据为1*256*256;
12、所述鉴别器在第一层卷积层后，进入leaky relu激活层，第二次卷积后进入批处理归一化层和relu激活层。
13、所述目标电场是将焦点截面电场进行归一化处理得到电场矩阵，接着将焦距乘以电场矩阵得到目标电场，此时矩阵为修改的目标电场；在灰度图中绘制任意位置的圆，该圆即为焦点，圆的灰度值即为焦距，此时灰度图即为绘制的目标电场。
14、有益效果：本专利技术中提出的生成式神经网络可以根据输入的任意电场生成超表面相位，利用该相位构建的超表面可以调制出输入的电场。
15、本专利技术中，输入的电场数据可以是利用已有电场信息修改，也可以是直接绘制。
16、本专利技术中，神经网络可以操控三维空间中焦点的位置。
本文档来自技高网...【技术保护点】
1.一种基于生成式神经网络的控制空间波场强分布的方法，其特征在于，利用生成式神经网络构建训练网络，该网络利用任意电场设计超表面的相位分布，利用该相位分布构建的超表面调制出目标电场，所述目标电场即为输入神经网络的任意电场。
2.根据权利要求1所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述的生成式神经网络由生成器和鉴别器组成。
3.根据权利要求2所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述的生成器由八层卷积层和八层转置卷积层组成，输入数据为1*256*256，输出数据为1*256*256。
4.根据权利要求1所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述生成式神经网络，其学习率为0.0002，batchsize为256，激活函数包括LeakyReLU函数和ReLU激活函数，损失函数为BCEWithLogitsLoss。
5.根据权利要求1所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述生成式神经网络，其训练使用数据集为4841个超表面的相位图像和电场
6.根据权利要求5所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述数据集中，超表面为基于PB相位的全硅超表面，衬底厚度为600um，单元结构周期为110um。
7.根据权利要求3所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述的八层卷积层中，第二次卷积开始前，进入Leaky ReLU激活层，第二次卷积后进入批处理归一化层，第三层至第七层卷积层和第二层一致，最后一层卷积层后不进入批处理归一化层。
8.根据权利要求3所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述八层转置卷积层中，进入第一转置卷积层前，进入ReLU激活层，转置卷积层后进入批处理归一化层，最后一层转置卷积层后进入Tanh激活函数层。
9.根据权利要求2所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述鉴别器具有三个卷积层，输入数据为2*256*256，输出数据为1*256*256;所述鉴别器在第一层卷积层后，进入Leaky ReLU激活层，第二次卷积后进入批处理归一化层和ReLU激活层。
10.根据权利要求1所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述目标电场是将焦点截面电场进行归一化处理得到电场矩阵，接着将焦距乘以电场矩阵得到目标电场，此时矩阵为修改的目标电场；在灰度图中绘制任意位置的圆，该圆即为焦点，圆的灰度值即为焦距，此时灰度图即为绘制的目标电场。
...【技术特征摘要】
1.一种基于生成式神经网络的控制空间波场强分布的方法，其特征在于，利用生成式神经网络构建训练网络，该网络利用任意电场设计超表面的相位分布，利用该相位分布构建的超表面调制出目标电场，所述目标电场即为输入神经网络的任意电场。
2.根据权利要求1所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述的生成式神经网络由生成器和鉴别器组成。
3.根据权利要求2所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述的生成器由八层卷积层和八层转置卷积层组成，输入数据为1*256*256，输出数据为1*256*256。
4.根据权利要求1所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述生成式神经网络，其学习率为0.0002，batchsize为256，激活函数包括leakyrelu函数和relu激活函数，损失函数为bcewithlogitsloss。
5.根据权利要求1所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述生成式神经网络，其训练使用数据集为4841个超表面的相位图像和电场截面图像，超表面的工作频段为0.8thz，数据集图像尺寸为256*256的灰度图。
6.根据权利要求5所述的基于生成式神经网络的控制空间波场强分布的方法，其特征在于，所述数据集中，...
【专利技术属性】
技术研发人员：柏宁丰，张全盛，郭迪，沈长圣，陈兆福，
申请(专利权)人：东南大学，
类型：发明
国别省市：
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。