CN111611683A - 基于深度学习的电磁超表面设计方法及装置 - Google Patents

基于深度学习的电磁超表面设计方法及装置 Download PDF

Info

Publication number
CN111611683A
CN111611683A CN202010260816.3A CN202010260816A CN111611683A CN 111611683 A CN111611683 A CN 111611683A CN 202010260816 A CN202010260816 A CN 202010260816A CN 111611683 A CN111611683 A CN 111611683A
Authority
CN
China
Prior art keywords
deep learning
electromagnetic super
learning model
electromagnetic
super
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010260816.3A
Other languages
English (en)
Inventor
贾月恬
钱超
陈红胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010260816.3A priority Critical patent/CN111611683A/zh
Publication of CN111611683A publication Critical patent/CN111611683A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Shielding Devices Or Components To Electric Or Magnetic Fields (AREA)

Abstract

本申请实施例中提供了一种基于深度学习的电磁超表面设计方法及装置，电磁超表面设计方法根据深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。正向预测中，克服了传统方法依赖于数值模拟迭代解决麦克斯韦方程繁杂耗时的缺点，极大地降低了计算复杂度，缩短了计算时间。逆向设计中，利用训练所得的逆向设计的深度学习模型有效地发现和优化电磁超单元的几何参数，实时得出不同入射波信息下的电磁超表面结构/排列，实现了用户自定义的、随需应变的电磁超表面设计。

Description

基于深度学习的电磁超表面设计方法及装置
技术领域
本申请属于电磁超材料技术领域，具体地，涉及一种基于深度学习的电磁超表面设计方法及装置。
背景技术
电磁超材料指是一些具有人工设计的结构并呈现出天然材料所不具备的超常物理性质的复合材料，电磁超表面是指一种厚度小于波长的人工层状材料，电磁超表面可视为电磁超材料的二维对应。电磁超表面，由亚波长结构按照特定方式排列的二维超材料，具有很多自然材料没有的功能，同时可以表现出很多自然材料没有的超常物理现象，例如负折射、完美透镜以及隐身衣。与传统的笨重的光学器件相比，电磁超表面具有质量轻、体积小、损耗低、易集成等优点，能够实现对电磁波相位、振幅和偏振灵活有效的调控。
电磁波是由同相振荡且互相垂直的电场与磁场在空间中以周期波动的形式进行能量和动量传递的一种波。电磁波谱包括电磁辐射所有可能的频率，电磁波谱频率从低到高分別列为无线电波、微波、红外线、可见光、紫外线、X射线和伽马射线。电磁波谱是无限的，而且是连续的。对于电磁超表面，可以通过设计超表面的亚波长结构来实现对电磁波的操控。
在过去的几十年里，电磁超表面因其特殊的电磁特性而引起人们极大的兴趣。在国内，2014年崔铁军等提出了编码电磁超表面与数字电磁超表面的概念，建立了电磁超表面物理学与数字信息科学之间的联系。例如，对于1位编码，具有180度相位差的编码超材料0和1。2016年杨怡豪等提出了一种三维全极化的电磁超表面隐身衣，并实验恢复了不同极化反射波的幅度和相位。近期还提出了基于可调电磁超表面的自适应控制和基于形状记忆材料的红外温控电磁超表面。
然而，目前的电磁超表面设计依赖于繁杂冗长的电磁数值仿真，且需要大量的人为参与和监督，大大降低了设计效率；另外，目前的电磁超表面设计只注重于单个电磁超单元的设计，而忽略了亚波长结构相互之间的耦合效应，导致实际效果与理论效果的不匹配。一个全面有效的电磁超表面的设计方案应该包含两个主要功能:1.根据给定的超表面结构/排布输出其对应的全光学响应，即正向预测；2.根据所需要的光学响应输出超表面结构/排布，即逆向设计。
在目前的电磁超表面设计方法中，正向预测通过大量的数值迭代解决麦克斯韦方程组，直到整个求解过程收敛为止，此过程耗时费力，事倍功半。逆向设计过程复杂，无法表达成通用数学模型。常见的方法包括遗传算法，水平集方法和拓扑优化。然而，这种随机算法的性能受到其随机搜索性质的严重限制，随着问题和复杂性的增加，目前的电磁超表面设计方法不能满足电磁超表面的设计。
与数值优化方法相比，基于深度学习的数据驱动方法可以表示和泛化复杂的函数或数据，从而发现大量变量之间的未知关系。深度学习允许计算模型一层一层地学习数据并进行多层抽象表示。不仅改善了语音识别、视觉对象识别等传统领域的技术水平，也逐渐渗入到材料科学、化学、粒子物理、量子力学和显微学等许多其他研究领域。
在电磁学领域中，神经网络作为深度学习体系结构中应用最广泛的构件，在解决一些电磁设计和预测问题中得到了广泛的应用，比如用深度神经网络来预测层状纳米球的散射谱。但是，这些神经网络主要是通过叠加几个完全连接层来构建的，由于其浅层结构和较差的表达能力，这些神经网络只能应用于单个的简单的电磁超表面设计，应用效果十分有限，并不适用于整个电磁超表面的宏观设计。
发明内容
本发明提出了一种基于深度学习的智能电磁超表面设计方法及装置，旨在解决现有技术由于设计方法的缺陷造成在电磁超设计中设计的实际效果与理论效果不匹配的问题。
根据本申请实施例的第一个方面，提供了一种基于深度学习的电磁超表面设计方法，包括以下步骤：
构建深度学习模型M1、深度学习模型M2以及训练集；
输入训练集至深度学习模型M1进行训练，输入训练集至深度学习模型M2进行训练；
根据训练后的深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据训练后的深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
可选地，训练集的元素包括入射波信息、电磁超表面结构/排列及其对应的光学响应。
可选地，训练集的样本通过以下方式得到：
采用电磁仿真软件对不同电磁超表面结构/排列进行仿真，得到对应的光学响应结果；
将光学响应结果与电磁超表面结构/排列一一组合，得到深度学习模型的训练样本。
可选地，深度学习模型M1的输入为给定的电磁超表面结构/排列信息以及入射波信息，输出对应的光学响应；深度学习模型M2的输入为自定义的光学响应以及入射波信息，输出对应的电磁超表面结构/排列。
可选地，深度学习模型M1包含多个卷积神经网络层与反卷积神经网络层，具体的：
将电磁超表面结构/排列以及入射波信息量量化构成一个矩阵，作为深度学习模型M1的输入矩阵；
将光学响应量化构成另一个矩阵，作为深度学习模型M1的输出矩阵；
根据输入矩阵以及输出矩阵训练深度学习模型M1，得到电磁超表面结构/排列与对应光学响应的正向映射关系。
可选地，深度学习模型M2包含多个卷积神经网络层与反卷积神经网络层，具体的：
将光学响应以及入射波信息量化构成一个矩阵，作为深度学习模型M2的输入矩阵；
将电磁超表面结构/排列量化构成另一个矩阵，作为深度学习模型M2的输出矩阵；
根据输入矩阵以及输出矩阵训练深度学习模型M2，得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
可选地，光学响应为远场辐射方向图；入射波信息包含入射电磁波的频率、入射角度以及电磁波极化。
根据本申请实施例的第二个方面，提供了一种基于深度学习的电磁超表面设计装置，具体包括：
深度学习模型构建模块：用于构建深度学习模型M1、深度学习模型M2以及训练集；
深度学习模型训练模块：用于输入训练集至深度学习模型M1进行训练，用于输入训练集至深度学习模型M2进行训练；
电磁超表面设计模块：用于根据训练后的深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据训练后的深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
根据本申请实施例的第三个方面，提供了一种电磁超表面，其由电磁超单元拼接而成，电磁超单元包括上介质层、中间介质层以及下介质层，具体的：
上介质层固定在中间介质层的上表面，上介质层具有全极化功能的谐振结构；
中间介质层是非金属层；
下介质层是金属层，下介质层的上表面与中介质层的下表面紧贴且完全吻合。
根据本申请实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序；计算机程序被处理器执行以实现基于深度学习的电磁超表面设计方法。
采用本申请实施例中的基于深度学习的智能电磁超表面设计方法及装置，设计方法中，首先构建深度学习模型M1、深度学习模型M2以及训练集；其次，输入训练集至深度学习模型M1进行训练，输入训练集至深度学习模型M2进行训练；最后，根据深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。通过深度学习模型M1在电磁超表面的正向预测中，克服了传统方法依赖于数值模拟迭代解决麦克斯韦方程繁杂耗时的缺点，极大地降低了计算复杂度，缩短了计算时间。通过深度学习模型M2在电磁超表面的逆向设计中，利用训练所得的逆向设计的深度学习模型有效地发现和优化电磁超单元的几何参数，实时得出不同入射波信息下的电磁超表面结构/排列，实现了用户自定义的、随需应变的电磁超表面设计。解决了现有技术由于设计方法的缺陷造成在电磁超设计中设计的实际效果与理论效果不匹配的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1中示出了根据本申请实施例的基于深度学习的电磁超表面设计方法的步骤流程图；
图2中示出了根据本申请实施例的电磁超表面的电磁超单元的结构示意图；
图3中示出了根据本申请实施例中覆盖电磁超表面后的平板模型的结构示意图；
图4中示出了根据本申请实施例中覆盖电磁超表面后的飞碟模型的结构示意图；
图5示出了根据本申请实施例3的基于深度学习的电磁超表面设计方法的流程图；
图6示出了根据本申请实施例中电磁超表面结构对应的光学响应的远场辐射图；
图7示出了根据本申请实施例的基于深度学习的电磁超表面设计装置的结构示意图。
具体实施方式
在实现本申请的过程中，发明人发现基于电磁超材料超常的物理性质以及获取方法的复杂性，现有的电磁超表面设计方法存在很大的局限性，主要有以下三个方面：
1)常见的电磁超表面正向预测方法依赖于大量的数值迭代解决麦克斯韦方程组，计算繁杂耗时。
2)常见的电磁超表面逆向设计的随机算法，受其随机搜索性质的严重限制，随着问题的规模和复杂性的增加，逆向设计的方法不足以解决电磁超表面的逆向设计问题。
3)已有的应用于电磁设计和预测方法的深度神经网络，由于其浅层结构和有效的表达能力，应用效果有限，只能处理单个的简单电磁超单元的设计，不适用整个电磁超表面的宏观设计。
针对上述问题，本申请实施例中提供的基于深度学习的智能电磁超表面设计方法及装置，通过深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。通过深度学习模型M1在电磁超表面的正向预测中，克服了传统方法依赖于数值模拟迭代解决麦克斯韦方程繁杂耗时的缺点，极大地降低了计算复杂度，缩短了计算时间。通过深度学习模型M2在电磁超表面的逆向设计中，利用训练所得的逆向设计的深度学习模型有效地发现和优化电磁超单元的几何参数，实时得出不同入射波信息下的电磁超表面结构/排列，实现了用户自定义的、随需应变的电磁超表面设计。
本申请不仅解决了现有技术由于设计方法的缺陷造成在电磁超设计中设计的实际效果与理论效果不匹配的问题。还克服了已有的应用于电磁设计和预测方法的深度神经网络由于表达能力及应用效果有限，造成的只能处理单个简单电磁超单元设计的缺陷。
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例1
图1中示出了根据本申请实施例的一种基于深度学习的电磁超表面设计方法的步骤流程图。
如图1所示，本实施例的基于深度学习的电磁超表面设计方法，具体包括以下步骤：
步骤S101：构建深度学习模型M1、深度学习模型M2以及训练集。
S101中，训练集的元素包括入射波信息、电磁超表面结构/排列及其对应的光学响应。
其中，训练集的样本通过以下方式得到：首先，采用电磁仿真软件对不同电磁超表面结构/排列进行仿真，得到对应的光学响应结果。然后，将光学响应结果与电磁超表面结构/排列一一组合，最后得到深度学习模型的训练样本。
具体的，光学响应为远场辐射方向图。入射波信息包含入射电磁波的频率、入射角度以及电磁波极化。
步骤S102：输入训练集至深度学习模型M1进行训练，输入训练集至深度学习模型M2进行训练。
S102中，关于深度学习模型M1，深度学习模型M1的输入为给定的电磁超表面结构/排列信息以及入射波信息，输出对应的光学响应。
深度学习模型M1包含多个卷积神经网络层与反卷积神经网络层，具体的：
将电磁超表面结构/排列以及入射波信息量量化构成一个矩阵，作为深度学习模型M1的输入矩阵；将光学响应量化构成另一个矩阵，作为深度学习模型M1的输出矩阵；最后，根据输入矩阵以及输出矩阵训练深度学习模型M1，得到电磁超表面结构/排列与对应光学响应的正向映射关系。
S102中，关于深度学习模型M2，深度学习模型M2的输入为自定义的光学响应以及入射波信息，输出对应的电磁超表面结构/排列。
深度学习模型M2包含多个卷积神经网络层与反卷积神经网络层，具体的：
将光学响应以及入射波信息量化构成一个矩阵，作为深度学习模型M2的输入矩阵；将电磁超表面结构/排列量化构成另一个矩阵，作为深度学习模型M2的输出矩阵；最后，根据输入矩阵以及输出矩阵训练深度学习模型M2，得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
具体的，在正向预测中，通过神经网络回归模型得到输出的光学响应。在逆向设计中，通过神经网络分类判断获得输出的电磁超表面结构/排布。
步骤S103：根据训练后的深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据训练后的深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
本申请实施例中提供的基于深度学习的智能电磁超表面设计方法，通过深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。通过深度学习模型M1在电磁超表面的正向预测中，克服了传统方法依赖于数值模拟迭代解决麦克斯韦方程繁杂耗时的缺点，极大地降低了计算复杂度，缩短了计算时间。通过深度学习模型M2在电磁超表面的逆向设计中，利用训练所得的逆向设计的深度学习模型有效地发现和优化电磁超单元的几何参数，实时得出不同入射波信息下的电磁超表面结构/排列，实现了用户自定义的、随需应变的电磁超表面设计。
本申请不仅解决了现有技术由于设计方法的缺陷造成在电磁超设计中设计的实际效果与理论效果不匹配的问题。还克服了已有的应用于电磁设计和预测方法的深度神经网络由于表达能力及应用效果有限，造成的只能处理单个简单电磁超单元设计的缺陷。
实施例2
本实施例提供了一种电磁超表面材料。图2中示出了根据本申请实施例的电磁超表面的电磁超单元的结构示意图。
如图2所示，电磁超单元包括上介质层3、中间介质层2以及下介质层1，具体的：
上层介质1固定在中间介质层2的上表面，上介质层3具有全极化功能的谐振结构；中间层介质是非金属层2；下介质层1是金属层，下介质层1的上表面与中介质层2的下表面紧贴且完全吻合。
其中，金属谐振结构可为圆形、圆环、工字型或者正方形环等金属图案或电介质图案。
其中，电磁超单元即相移谐振单元，其中，相移谐振单元的每条轮廓线尺寸均小于工作电磁波波长。
电磁超材料应用中，相移谐振单元的下介质层1与模型紧贴且完全吻合，电磁超表面根据模型大小与相移谐振单元的尺寸进行结构设计，使得相移谐振单元在模型上的覆盖面积占比最大化，每个相移谐振单元在模型上贴合的空间位置固定不变，仅金属谐振结构的尺寸改变，而相移谐振单元的尺寸参数即为所述电磁超表面的几何参数。
实施例3
本申请提供的基于深度学习的电磁超表面设计方法适用于各种模型，本实施例以简单的平板模型和具有复杂弯曲结构的飞碟模型为例。
图3中示出了根据本申请实施例中覆盖电磁超表面后的平板模型的结构示意图。图4中示出了根据本申请实施例中覆盖电磁超表面后的飞碟模型的结构示意图。
图5示出了根据本申请实施例3的基于深度学习的电磁超表面设计方法的流程图。
以覆盖有电磁超表面的飞碟模型对本发明作进一步详细说明，如图5所示，首先，执行步骤S1，构建训练集，训练集包括的元素为入射波信息、电磁超表面结构/排列及其对应的光学响应。训练样本来源方法为：根据给定入射波信息对电磁仿真软件进行仿真条件设置，再将具有不同电磁超表面结构/排列的飞碟模型放入电磁仿真软件中进行仿真，得到每一组模型对应的光学响应结果，并一一组合作为深度学习模型的训练样本。
图6示出了根据本申请实施例中电磁超表面结构对应的光学响应的远场辐射图。
然后，执行步骤S2和步骤S3，利用已知光学响应输出的电磁超表面飞碟模型对深度学习模型进行训练，进而得出具有不同电磁超表面结构/排列的飞碟模型与对应光学响应的电磁关系。
具体的，在步骤S2中，利用训练所得的正向预测的深度模型M1可实时得出给定电磁超表面结构/排列的光学响应输出；在步骤S3中，利用训练所得的逆向设计的深度学习模型M2可有效地发现和优化电磁超表面结构/排列，实时得出不同入射波信息、不同光学响应需求下的电磁超表面结构/排列，以实现用户自定义的、随需应变的电磁超表面设计。
其中，正向预测的深度学习模型M1包含多个卷积神经网络层与反卷积神经网络层，将电磁超表面结构/排列和入射波信息量化成一个矩阵，作为深度学习模型M1的输入矩阵；将光学响应量化构成另一个矩阵，作为所述深度学习模型M1的输出矩阵；最后，通过训练学习以上两个矩阵，得到电磁超表面结构/排列与对应光学响应的正向映射关系。
其中，逆向设计的深度学习模型M2也包含多个卷积神经网络层与反卷积神经网络层，将光学响应量化构成一个矩阵，作为所述深度学习模型M2的输入矩阵；将电磁超表面结构/排列和入射波信息量化成另一个矩阵，作为深度学习模型M2的输出矩阵；最后，通过训练学习以上两个矩阵，得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
本申请的覆盖在飞碟模型上的电磁超表面由相移谐振单元拼接而成，其整体效果图如图4所示。相移谐振单元的下介质层1与飞碟模型紧贴且完全吻合，根据飞碟模型大小与相移谐振单元的尺寸进行电磁超表面结构设计，使得相移谐振单元在飞碟模型上的覆盖面积占比最大化，每个相移谐振单元在飞碟模型上贴合的空间位置固定不变，仅金属谐振结构的尺寸改变，而相移谐振单元的尺寸参数即为所述电磁超表面的几何参数。
覆盖有电磁超表面的平板模型的设计原理与飞碟模型相似，此处不再赘述。
实施例4
本实施例提供了一种基于深度学习的电磁超表面设计装置，对于本实施例的电磁超表面设计装置中未披露的细节，请参照其它实施例中的基于深度学习的电磁超表面设计方法以及电磁超。
图7示出了根据本申请实施例的基于深度学习的电磁超表面设计装置的结构示意图。基于深度学习的电磁超表面设计装置包括深度学习模型构建模块10、深度学习模型训练模块20以及电磁超表面设计模块30。
如图7所示，具体描述如下：
深度学习模型构建模块10：用于构建深度学习模型M1、深度学习模型M2以及训练集。
深度学习模型训练模块20：用于输入训练集至深度学习模型M1进行训练，用于输入训练集至深度学习模型M2进行训练。
电磁超表面设计模块30：用于根据深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
本申请实施例中的基于深度学习的智能电磁超表面设计装置，通过深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。通过深度学习模型M1在电磁超表面的正向预测中，克服了传统方法依赖于数值模拟迭代解决麦克斯韦方程繁杂耗时的缺点，极大地降低了计算复杂度，缩短了计算时间。通过深度学习模型M2在电磁超表面的逆向设计中，利用训练所得的逆向设计的深度学习模型有效地发现和优化电磁超单元的几何参数，实时得出不同入射波信息下的电磁超表面结构/排列，实现了用户自定义的、随需应变的电磁超表面设计。
本申请不仅解决了现有技术由于设计方法的缺陷造成在电磁超设计中设计的实际效果与理论效果不匹配的问题。还克服了已有的应用于电磁设计和预测方法的深度神经网络由于表达能力及应用效果有限，造成的只能处理单个简单电磁超单元设计的缺陷。
实施例5
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行以实现如上任一内容所提供的基于深度学习的智能电磁超表面设计方法。
基于同一发明构思，本申请实施例中还提供了一种计算机程序产品，由于该计算机程序产品解决问题的原理与本申请实施例一所提供的方法相似，因此该计算机程序产品的实施可以参见方法的实施，重复之处不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于深度学习的电磁超表面设计方法，其特征在于，包括以下步骤：
构建深度学习模型M1、深度学习模型M2以及训练集；
输入所述训练集至深度学习模型M1进行训练，输入所述训练集至深度学习模型M2进行训练；
根据训练后的深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据训练后的深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
2.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述训练集的元素包括入射波信息、电磁超表面结构/排列及其对应的光学响应。
3.根据权利要求2所述的基于深度学习的电磁超表面设计方法，其特征在于，所述光学响应为远场辐射方向图；所述入射波信息包含入射电磁波的频率、入射角度以及电磁波极化。
4.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述训练集的样本通过以下方式得到：
采用电磁仿真软件对不同电磁超表面结构/排列进行仿真，得到对应的光学响应结果；
将所述光学响应结果与所述电磁超表面结构/排列一一组合，得到所述深度学习模型的训练样本。
5.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述深度学习模型M1的输入为给定的电磁超表面结构/排列信息以及入射波信息，输出对应的光学响应；所述深度学习模型M2的输入为自定义的光学响应以及入射波信息，输出对应的电磁超表面结构/排列。
6.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述深度学习模型M1包含多个卷积神经网络层与反卷积神经网络层，具体的：
将电磁超表面结构/排列以及入射波信息量量化构成一个矩阵，作为所述深度学习模型M1的输入矩阵；
将光学响应量化构成另一个矩阵，作为所述深度学习模型M1的输出矩阵；
根据所述输入矩阵以及输出矩阵训练所述深度学习模型M1，得到所述电磁超表面结构/排列与对应光学响应的正向映射关系。
7.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述深度学习模型M2包含多个卷积神经网络层与反卷积神经网络层，具体的：
将光学响应以及入射波信息量化构成一个矩阵，作为所述深度学习模型M2的输入矩阵；
将电磁超表面结构/排列量化构成另一个矩阵，作为所述深度学习模型M2的输出矩阵；
根据所述输入矩阵以及输出矩阵训练所述深度学习模型M2，得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
8.一种基于深度学习的电磁超表面设计装置，其特征在于，具体包括：
深度学习模型构建模块：用于构建深度学习模型M1、深度学习模型M2以及训练集；
深度学习模型训练模块：用于输入所述训练集至深度学习模型M1进行训练，用于输入所述训练集至深度学习模型M2进行训练；
电磁超表面设计模块：用于根据训练后的深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据训练后的深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。
9.一种电磁超表面，其特征在于，所述电磁超表面由电磁超单元拼接而成，所述电磁超单元包括上介质层、中间介质层以及下介质层，具体的：
所述上介质层固定在中间介质层的上表面，所述上介质层具有全极化功能的谐振结构；
所述中间介质层是非金属层；
所述下介质层是金属层，所述下介质层的上表面与所述中介质层的下表面紧贴且完全吻合。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的基于深度学习的电磁超表面设计方法。
CN202010260816.3A 2020-04-03 2020-04-03 基于深度学习的电磁超表面设计方法及装置 Pending CN111611683A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010260816.3A CN111611683A (zh) 2020-04-03 2020-04-03 基于深度学习的电磁超表面设计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010260816.3A CN111611683A (zh) 2020-04-03 2020-04-03 基于深度学习的电磁超表面设计方法及装置

Publications (1)

Publication Number Publication Date
CN111611683A true CN111611683A (zh) 2020-09-01

Family

ID=72205433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010260816.3A Pending CN111611683A (zh) 2020-04-03 2020-04-03 基于深度学习的电磁超表面设计方法及装置

Country Status (1)

Country Link
CN (1) CN111611683A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115639A (zh) * 2020-09-03 2020-12-22 南京理工大学 基于深度学习的单元近耦合条件下电磁超构表面构建方法
CN112214719A (zh) * 2020-10-27 2021-01-12 南开大学 一种利用级联深度神经网络的介质超表面逆向设计算法
CN113191007A (zh) * 2021-05-11 2021-07-30 华中科技大学 一种多样化超材料逆向拓扑优化设计方法和系统
CN113205179A (zh) * 2021-05-08 2021-08-03 湖南太观科技有限公司 一种用于介质激光加速的深度学习架构
CN113270157A (zh) * 2021-05-20 2021-08-17 兰州大学 一种基于机器学习的力学超材料设计与优化方法
CN113705031A (zh) * 2021-06-15 2021-11-26 西安电子科技大学 基于深度学习的纳米天线阵列电磁性能预测方法
CN113782977A (zh) * 2021-09-15 2021-12-10 西安电子科技大学 基于超表面的多波束反射阵天线及其制造方法
CN113822424A (zh) * 2021-07-27 2021-12-21 湖南大学 一种基于超构表面的全光衍射神经网络系统
CN116913436A (zh) * 2023-08-10 2023-10-20 华东交通大学 一种基于ldm-pnn和粒子群算法的超原子逆向设计方法
CN117556716A (zh) * 2024-01-12 2024-02-13 鹏城实验室 电磁玻璃的设计方法、装置、设备及存储介质
CN117610317A (zh) * 2024-01-19 2024-02-27 湖北工业大学 基于深度学习的多bit超表面相位排布优化方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115639A (zh) * 2020-09-03 2020-12-22 南京理工大学 基于深度学习的单元近耦合条件下电磁超构表面构建方法
CN112115639B (zh) * 2020-09-03 2021-06-22 南京理工大学 基于深度学习的单元近耦合条件下电磁超构表面构建方法
CN112214719A (zh) * 2020-10-27 2021-01-12 南开大学 一种利用级联深度神经网络的介质超表面逆向设计算法
CN113205179A (zh) * 2021-05-08 2021-08-03 湖南太观科技有限公司 一种用于介质激光加速的深度学习架构
CN113191007A (zh) * 2021-05-11 2021-07-30 华中科技大学 一种多样化超材料逆向拓扑优化设计方法和系统
CN113270157A (zh) * 2021-05-20 2021-08-17 兰州大学 一种基于机器学习的力学超材料设计与优化方法
CN113705031A (zh) * 2021-06-15 2021-11-26 西安电子科技大学 基于深度学习的纳米天线阵列电磁性能预测方法
CN113822424A (zh) * 2021-07-27 2021-12-21 湖南大学 一种基于超构表面的全光衍射神经网络系统
CN113822424B (zh) * 2021-07-27 2023-10-20 湖南大学 一种基于超构表面的全光衍射神经网络系统
CN113782977A (zh) * 2021-09-15 2021-12-10 西安电子科技大学 基于超表面的多波束反射阵天线及其制造方法
CN116913436A (zh) * 2023-08-10 2023-10-20 华东交通大学 一种基于ldm-pnn和粒子群算法的超原子逆向设计方法
CN116913436B (zh) * 2023-08-10 2024-04-05 华东交通大学 一种基于ldm-pnn和粒子群算法的超原子逆向设计方法
CN117556716A (zh) * 2024-01-12 2024-02-13 鹏城实验室 电磁玻璃的设计方法、装置、设备及存储介质
CN117556716B (zh) * 2024-01-12 2024-05-10 鹏城实验室 电磁玻璃的设计方法、装置、设备及存储介质
CN117610317A (zh) * 2024-01-19 2024-02-27 湖北工业大学 基于深度学习的多bit超表面相位排布优化方法
CN117610317B (zh) * 2024-01-19 2024-04-12 湖北工业大学 基于深度学习的多bit超表面相位排布优化方法

Similar Documents

Publication Publication Date Title
CN111611683A (zh) 基于深度学习的电磁超表面设计方法及装置
Cui et al. A modified efficient KNN method for antenna optimization and design
Chen et al. Metamaterials: from fundamental physics to intelligent design
CN110110398B (zh) 一种基于卷积自编码器的超表面自动设计方法
Hodge et al. RF metasurface array design using deep convolutional generative adversarial networks
Tan et al. Solving multivariable equations with tandem metamaterial kernels
Deng et al. Hybrid inverse design of photonic structures by combining optimization methods with neural networks
An et al. A freeform dielectric metasurface modeling approach based on deep neural networks
CN110309916B (zh) 多级空频域调制非线性全光学深度学习系统及方法
Sun et al. Machine learning approach for on-demand rapid constructing metasurface
An et al. A novel modeling approach for all-dielectric metasurfaces using deep neural networks
Huang et al. Deep learning enabled nanophotonics
CN108763708A (zh) 基于深度学习设计多波束多极化人工电磁表面的方法
On et al. Optimal design of microwave absorber using novel variational autoencoder from a latent space search strategy
CN111582468B (zh) 光电混合智能数据生成计算系统及方法
Du et al. Metagrating-based acoustic wavelength division multiplexing enabled by deterministic and probabilistic deep learning models
Hodge et al. Deep inverse design of reconfigurable metasurfaces for future communications
Gao et al. Inverse design in flat optics
Wang et al. On-demand inverse design of acoustic metamaterials using probabilistic generation network
Fu et al. Highly-efficient design method for coding metasurfaces based on deep learning
Farhat et al. Understanding the functionality of an array of invisibility cloaks
Wang et al. Space-Time-Coding Digital Metasurface Element Design Based on State Recognition and Mapping Methods with CNN-LSTM-DNN
CN117195732A (zh) 一种基于深度学习的超表面的智能设计方法
Chen et al. Joint sparse neural network compression via multi-application multi-objective optimization
Fowler et al. Deep Learning for Metasurfaces and Metasurfaces for Deep Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination