CN111985153A - 基于神经网络和遗传算法的硅基光子器件仿真方法和系统 - Google Patents

基于神经网络和遗传算法的硅基光子器件仿真方法和系统 Download PDF

Info

Publication number
CN111985153A
CN111985153A CN202010769336.XA CN202010769336A CN111985153A CN 111985153 A CN111985153 A CN 111985153A CN 202010769336 A CN202010769336 A CN 202010769336A CN 111985153 A CN111985153 A CN 111985153A
Authority
CN
China
Prior art keywords
neural network
genetic algorithm
grids
structure set
initial
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.)
Granted
Application number
CN202010769336.XA
Other languages
English (en)
Other versions
CN111985153B (zh
Inventor
张敏明
黄琼龙
刘德明
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010769336.XA priority Critical patent/CN111985153B/zh
Publication of CN111985153A publication Critical patent/CN111985153A/zh
Application granted granted Critical
Publication of CN111985153B publication Critical patent/CN111985153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Optical Integrated Circuits (AREA)

Abstract

本发明公开了一种基于神经网络和遗传算法的硅基光子器件仿真方法和系统，属于半导体光电子技术领域。方法包括：将器件待优化区域划分为多个网格；随机对各网格折射率进行初始化，生成多种器件结构，并对生成的多种器件结构进行电磁仿真，对应获得不同的输出结果；利用生成的器件结构及其对应的仿真结果训练正向神经网络；采用遗传算法和训练好的正向神经网络迭代更新结构集，得到器件最终结构。本发明具有普适性和超快的设计效率，不需要复杂的迭代仿真过程，同时遗传算法的引入避免了直接训练反向网络会出现的同一性能可能对应多个结构的“一对多”问题，遗传算法的随机性也更有利于发现全局最优解。

Description

基于神经网络和遗传算法的硅基光子器件仿真方法和系统
技术领域
本发明属于半导体光电子技术领域，更具体地，涉及基于神经网络和遗传算法的硅基光子器件仿真方法和系统。
背景技术
随着5G通信、超性能计算、数据中心、物联网等的迅猛发展，人们对超高速率、超低功耗和超大容量的硅基光子芯片的需求越来越高。如何设计制造出超小尺寸超高性能的硅基光子器件成为研究人员研究的热点。
目前针对如何设计制造出超小尺寸超高性能的硅基光子器件，主要是采用逆向设计的思路和方法，目前研究人员比较广泛采用的有两种：一种是基于传统迭代仿真的优化方法，如二进制搜索法、伴随法等，这种方法依靠仿真软件进行迭代仿真，仿真周期长(数周)，消耗计算资源大，同时对设计初值的依赖很严重，容易陷入局部最优解，而且更换设计目标需要重新进行迭代设计；另外一种是基于深度学习神经网络的设计方法，通过训练神经网络来获得目标性能和器件结构的映射关系，从而给定目标性能就能快速获得器件结构，这种方法解决了迭代仿真耗时长的问题，但也产生了新问题，由于光子器件的目标性能和器件结构通常不是一一映射的关系，同一目标性能可能对应多个器件结构，所以性能对应结构的神经网络存在大量“一对多”的情况，导致神经网络训练效果较差，不能很好的达到预期效果。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于神经网络和遗传算法的硅基光子器件仿真方法和系统，其目的在于解决现有神经网络逆向设计方法，因光子器件存在同一性能对应多种结构的“一对多”关系，导致神经网络训练效果差的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于神经网络和遗传算法的硅基光子器件仿真方法，包括：
S1.将器件待优化区域划分为n*n个网格，每个网格折射率可变；
S2.随机对各网格折射率进行初始化，生成多种器件结构，并对生成的多种器件结构进行电磁仿真，对应获得不同的输出结果；
S3.以生成的多种器件结构及其对应的电磁仿真结果分别作为输入和期望输出，迭代训练正向神经网络；
S4.随机对各网格折射率进行初始化，生成M种器件结构，作为初始结构集；
S5.将初始结构集输入训练好的正向神经网络，获得输出结果；采用遗传算法更新初始器件结构集，得到新的结构集，并将新的结构集作为初始结构集；
S6.迭代执行步骤S5直至达到设定次数，选取最靠近目标功能的输出结果，将该结果对应的结构作为器件最终结构。
进一步地，步骤S2具体为：
随机生成N个n*n大小的矩阵构成第一矩阵集，对第一矩阵集进行电磁仿真，对应得到多个a*m大小的矩阵，构成第二矩阵集；其中，第一矩阵集代表多种器件结构，矩阵元素为0或1，0表示网格打孔，1表示网格未打孔，通过打孔与否改变网格折射率；第二矩阵集代表不同器件结构对应的电磁仿真输出；a表示器件输出端口数；m为根据器件目标功能设定的波长数量。
进一步地，正向神经网络由a个残差神经网络并联组成；各个残差神经网络对应器件不同的输出端口；每个残差神经网络由五个残差块和一个全连接层组成；每个残差块由三层全连接单元层组成，每层全连接单元层的神经元个数为n*n；全连接层的神经元个数为m。
进一步地，步骤S5中采用遗传算法更新初始结构集，具体实施过程为：
根据初始结构集对应的输出结果，确定每个结构对应的适应度大小；
按照适应度越大的结构个体被选择的概率越大的方式，选取和初始结构集大小一致的个体数作为中间结构集；
将中间结构集中的结构按照a1概率随机选取另一个结构交叉、a2概率对该结构随机一个位置进行变异、a3概率保持该结构不变进行交叉变异，得到新的结构集；其中，a1、a2、a3为常数，a1+a2+a3＝1。
本发明另一方面提供了一种基于神经网络和遗传算法的硅基光子器件仿真系统，包括：
待优化区域构建模块，用于将器件待优化区域划分为n*n个网格，每个网格折射率可变；
数据集获取模块，用于随机对各网格折射率进行初始化，生成多种器件结构，并对生成的多种器件结构进行电磁仿真，对应获得不同的输出结果；
网络训练模块，用于以生成的多种器件结构及其对应的电磁仿真结果分别作为输入和期望输出，迭代训练正向神经网络；
初始结构集生成模块，用于随机对各网格折射率进行初始化，生成M种器件结构，作为初始结构集；
结构集迭代更新模块，用于将初始结构集输入训练好的正向神经网络，获得输出结果；采用遗传算法更新初始器件结构集，得到新的结构集，并将新的结构集作为初始结构集；
结构确定模块，用于待结构集迭代更新模块执行设定次数，选取最靠近目标功能的输出结果，将该结果对应的结构作为器件最终结构。
进一步地，数据集获取模块的具体实施过程为：
随机生成N个n*n大小的矩阵构成第一矩阵集，对第一矩阵集进行电磁仿真，对应得到多个a*m大小的矩阵，构成第二矩阵集；其中，第一矩阵集代表多种器件结构，矩阵元素为0或1，0表示网格打孔，1表示网格未打孔，通过打孔与否改变网格折射率；第二矩阵集代表不同器件结构对应的电磁仿真输出；a表示器件输出端口数；m为根据器件目标功能设定的波长数量。
进一步地，正向神经网络由a个残差神经网络并联组成；各个残差神经网络对应器件不同的输出端口；每个残差神经网络由五个残差块和一个全连接层组成；每个残差块由三层全连接单元层组成，每层全连接单元层的神经元个数为n*n；全连接层的神经元个数为m。
进一步地，采用遗传算法更新初始结构集，具体包括：
根据初始结构集对应的输出结果，确定每个结构对应的适应度大小；
按照适应度越大的结构个体被选择的概率越大的方式，选取和初始结构集大小一致的个体数作为中间结构集；
将中间结构集中的结构按照a1概率随机选取另一个结构交叉、a2概率对该结构随机一个位置进行变异、a3概率保持该结构不变进行交叉变异，得到新的结构集；其中，a1、a2、a3为常数，a1+a2+a3＝1。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果。
(1)本发明将正向神经网络和遗传算法相结合，一方面，采用神经网络代替传统方法中耗时很长的电磁仿真，极大缩短了器件的设计周期，设计效率可以由原来的数周缩短为数十分钟；另一方面，本发明通过引入遗传算法，将反向网络转换为正向网络加搜索的过程，避免了直接使用反向网络会出现的“一对多”问题，使神经网络训练可以很好地完成；此外，搜索过程采用遗传算法，通过对一系列结构进行随机的交叉、变异和进化，完成器件结构的搜索。由于采用多个个体，并且引入随机机制，所以在搜索方向上即有不断向目标方向进化的个体，也有随机跳出目标方向，向随机方向进化的个体，所以这个搜索过程是一个全局的搜索过程，可以跳出局部最优解，更逼近全局最优解。因此，本发明可以快速获得目标结构，逼近全局最优解，同时避免了逆向网络的“一对多”问题，可以获得比较准确的结果。
(2)本发明的正向神经网络结构采用的是多个残差网络并联的结构，每个残差网络分别对应一个输出端口，因为不同端口对于输入的映射关系有很大不同，所以相较于使用单一的神经网络同时拟合多个输出端口的结构，这种并联的结构极大降低了神经网络的拟合难度，可以获得更好地拟合效果。
(3)本发明采用遗传算法作为结构搜索方式进行搜索，由于遗传算法采用种群进化代替个体进化，而且进化方向有一定的随机性，所以可以克服传统算法容易陷入局部最优的问题。具体地，交叉过程的实现方式为将两个器件结构各取其中一部分进行组合，形成新的器件结构；变异过程的实现方式为将一个器件结构随机变化一个位置的折射率。相较传统遗传算法应用于少数几个连续性参数，本发明结构对交叉和变异的操作拥有更好地可解释性，同时更多的可变参数也有利于设计出尺寸更加小、功能更加多样的器件。
附图说明
图1为本发明提供的一种基于神经网络和遗传算法的硅基光子器件仿真方法的流程图；
图2为本发明提供的以20*20功率分支器为例的器件结构图；
图3为本发明提供的正向残差神经网络的结构示意图；
图4为本发明提供的遗传算法的应用流程示意图；
图5为本发明提供的以上下端口透过率1：2为设计目标设计出来的器件透过率曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供了一种基于神经网络和遗传算法的硅基光子器件仿真方法，包括：
S1.将器件待优化区域划分为n*n个网格，每个网格折射率可变；
S2.随机对各网格折射率进行初始化，生成多种器件结构，并对生成的多种器件结构进行电磁仿真，对应获得不同的输出结果；
步骤S2具体为：随机生成多个n*n大小的矩阵构成第一矩阵集，对第一矩阵集进行电磁仿真，对应得到多个a*m大小的矩阵，构成第二矩阵集；其中，第一矩阵集代表多种器件结构，矩阵元素为0或1，0表示网格打孔，1表示网格未打孔，通过打孔与否改变网格折射率；第二矩阵集代表不同器件结构对应的电磁仿真输出；a表示器件输出端口数；m为根据器件目标功能设定的波长数量。
S3.以生成的多种器件结构及其对应的电磁仿真结果分别作为输入和期望输出，迭代训练正向神经网络；其中，正向神经网络由a个残差神经网络并联组成；各个残差神经网络对应器件不同的输出端口；每个残差神经网络由五个残差块和一个全连接层组成；每个残差块由三层全连接单元层组成，每层全连接单元层的神经元个数为n*n；全连接层的神经元个数为m。
S4.随机对各网格折射率进行初始化，生成M种器件结构，作为初始结构集；
S5.将初始结构集输入训练好的正向神经网络，获得输出结果；采用遗传算法更新初始器件结构集，得到新的结构集，并将新的结构集作为初始结构集；具体地，首先根据初始结构集对应的输出结果，确定每个结构对应的适应度大小；然后按照适应度越大的结构个体被选择的概率越大的方式，选取和初始结构集大小一致的个体数作为中间结构集；再将中间结构集中的结构按照a1概率随机选取另一个结构交叉、a2概率对该结构随机一个位置进行变异、a3概率保持该结构不变进行交叉变异，得到新的结构集；其中，a1、a2、a3为常数，a1+a2+a3＝1。
S6.迭代执行步骤S5直至达到设定次数，选取最靠近目标功能的输出结果，将该结果对应的结构作为器件最终结构。
为更详细清楚的说明上述方法，本发明实施例设定硅基纳米光子器件的目标功能为功率分支器，整体结构如图2所示，包括一个输入端口和两个输出端口，输入、输出端口中间为待优化区域，则：
步骤S1具体为：将待优化区域划分为20*20的网格。
步骤S2具体为：定义功率分支器的输入为20*20的“0”“1”矩阵，代表器件的结构，其中，“0”代表网格中间打了空气孔，“1”代表没有打孔；定义功率分支器的输出为器件两端口输出的透过率，目标波长范围为1500nm-1600nm，在该范围内取21个点分别记录上下端口的透过率，表示为一个2*21的矩阵。使用MATLAB随机生成若干个20*20的“0”“1”矩阵，将矩阵对应的器件结构分别带入FDTD进行电磁仿真，得到上下两输出端口对应的透过率，记录为2*21的形式。这样就获得了训练神经网络的数据集。
步骤S3具体为，搭建正向神经网络；本发明实施例正向神经网络采用的是如图3所示的两个残差神经网络并联组成，分别对应器件的上下两个端口，整个网络的输入有400个神经元，代表20*20的器件结构，每个残差神经网络的由五个残差块和一个全连接层组成，每层残差块由三层全连接单元层组成，每层全连接单元层的神元个数为400，最后的全连接层神经元个数为21，代表各端口输出的透过率，这两个残差神经网络的输出加起来组成输出的2*21的输出矩阵。同时神经网络的每两层之间还加了一个ReLu的激活函数层和一个BatchNormalization的批量标准化层，使用的优化器为Adam优化器，损失函数为均方差损失函数。
本发明的正向神经网络结构采用的是多个残差网络并联的结构，每个残差网络分别对应一个输出端口，因为不同端口对于输入的映射关系有很大不同，所以相较于使用单一的神经网络同时拟合多个输出端口的结构，这种并联的结构极大降低了神经网络的拟合难度，可以获得更好地拟合效果。
搭建好神经网络之后，将步骤S2获得的数据集代入神经网络进行训练，训练完成后，训练集和测试集的误差分别为1*e-4和8*e-4水平，达到很好的精度。
神经网络训练完成之后，就可以采用遗传算法结合设计目标进行快速准确的结构设计，具体步骤如图4所示，首先随机生成400个20*20的“0”“1”矩阵，代表器件的初始结构；将这些初始结构带入训练好的正向神经网络得到输出；以上下端口的功率分支比为1:2为例，定义第i个器件结构的适应度公式为：FOMi＝(上端口透过率+下端口透过率)-abs(上端口透过率*2-下端口透过率)，FOMi表示个体的适应度，按照适应度越高的个体被选择的概率更大的原则，选取400次，获得400个结构组成中间数据集，具体到本例中，在每次选取时，原始结构集中第j个体被选择的概率Pj可以用如下公式表示：
Figure BDA0002615941480000081
对选取所得的中间结构集中的元素按照0.5概率随机选取另一个结构交叉、0.01概率对随机一个位置进行变异、0.49概率保持不变进行交叉变异，得到新的结构集；接着对新的结构集重复上述操作，迭代400次数，得到最终的目标结构集；最后从目标结构集中选择最优的一个作为最终的设计方案。整个过程花费时长仅为数十分钟，极大地提高了设计效率。
最终设计效果图如图5所示，通过对所设计结构进行FDTD仿真，发现上端口的平均透过率为0.28，下端口的平均透过率为0.56，总透过率为0.84，透过率比值和插损都满足要求，设计精度较高且设计速度很快。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于神经网络和遗传算法的硅基光子器件仿真方法，其特征在于，包括：
S1.将器件待优化区域划分为n*n个网格，每个网格折射率可变；
S2.随机对各网格折射率进行初始化，生成多种器件结构，并对生成的多种器件结构进行电磁仿真，对应获得不同的输出结果；
S3.以生成的多种器件结构及其对应的电磁仿真结果分别作为输入和期望输出，迭代训练正向神经网络；
S4.随机对各网格折射率进行初始化，生成M种器件结构，作为初始结构集；
S5.将初始结构集输入训练好的正向神经网络，获得输出结果；采用遗传算法更新初始器件结构集，得到新的结构集，并将新的结构集作为初始结构集；
S6.迭代执行步骤S5直至达到设定次数，选取最靠近目标功能的输出结果，将该结果对应的结构作为器件最终结构。
2.根据权利要求1所述的一种基于神经网络和遗传算法的硅基光子器件仿真方法，其特征在于，步骤S2具体为：
随机生成N个n*n大小的矩阵构成第一矩阵集，对第一矩阵集进行电磁仿真，对应得到多个a*m大小的矩阵，构成第二矩阵集；其中，第一矩阵集代表多种器件结构，矩阵元素为0或1，0表示网格打孔，1表示网格未打孔，通过打孔与否改变网格折射率；第二矩阵集代表不同器件结构对应的电磁仿真输出；a表示器件输出端口数；m为根据器件目标功能设定的波长数量。
3.根据权利要求2所述的一种基于神经网络和遗传算法的硅基光子器件仿真方法，其特征在于，正向神经网络由a个残差神经网络并联组成；各个残差神经网络对应器件不同的输出端口；每个残差神经网络由五个残差块和一个全连接层组成；每个残差块由三层全连接单元层组成，每层全连接单元层的神经元个数为n*n；全连接层的神经元个数为m。
4.根据权利要求1所述的一种基于神经网络和遗传算法的硅基光子器件仿真方法，其特征在于，步骤S5中采用遗传算法更新初始结构集，具体包括：
根据初始结构集对应的输出结果，确定每个结构对应的适应度大小；
按照适应度越大的结构个体被选择的概率越大的方式，选取和初始结构集大小一致的个体数作为中间结构集；
将中间结构集中的结构按照a1概率随机选取另一个结构交叉、a2概率对该结构随机一个位置进行变异、a3概率保持该结构不变进行交叉变异，得到新的结构集；其中，a1、a2、a3为常数，a1+a2+a3＝1。
5.一种基于神经网络和遗传算法的硅基光子器件仿真系统，其特征在于，包括：
待优化区域构建模块，用于将器件待优化区域划分为n*n个网格，每个网格折射率可变；
数据集获取模块，用于随机对各网格折射率进行初始化，生成多种器件结构，并对生成的多种器件结构进行电磁仿真，对应获得不同的输出结果；
网络训练模块，用于以生成的多种器件结构及其对应的电磁仿真结果分别作为输入和期望输出，迭代训练正向神经网络；
初始结构集生成模块，用于随机对各网格折射率进行初始化，生成M种器件结构，作为初始结构集；
结构集迭代更新模块，用于将初始结构集输入训练好的正向神经网络，获得输出结果；采用遗传算法更新初始器件结构集，得到新的结构集，并将新的结构集作为初始结构集；
结构确定模块，用于待结构集迭代更新模块执行设定次数，选取最靠近目标功能的输出结果，将该结果对应的结构作为器件最终结构。
6.根据权利要求5所述的一种基于神经网络和遗传算法的硅基光子器件仿真系统，其特征在于，数据集获取模块的具体实施过程为：
随机生成N个n*n大小的矩阵构成第一矩阵集，对第一矩阵集进行电磁仿真，对应得到多个a*m大小的矩阵，构成第二矩阵集；其中，第一矩阵集代表多种器件结构，矩阵元素为0或1，0表示网格打孔，1表示网格未打孔，通过打孔与否改变网格折射率；第二矩阵集代表不同器件结构对应的电磁仿真输出；a表示器件输出端口数；m为根据器件目标功能设定的波长数量。
7.根据权利要求6所述的一种基于神经网络和遗传算法的硅基光子器件仿真系统，其特征在于，正向神经网络由a个残差神经网络并联组成；各个残差神经网络对应器件不同的输出端口；每个残差神经网络由五个残差块和一个全连接层组成；每个残差块由三层全连接单元层组成，每层全连接单元层的神经元个数为n*n；全连接层的神经元个数为m。
8.根据权利要求5所述的一种基于神经网络和遗传算法的硅基光子器件仿真系统，其特征在于，采用遗传算法更新初始结构集，具体实施过程为：
根据初始结构集对应的输出结果，确定每个结构对应的适应度大小；
按照适应度越大的结构个体被选择的概率越大的方式，选取和初始结构集大小一致的个体数作为中间结构集；
将中间结构集中的结构按照a1概率随机选取另一个结构交叉、a2概率对该结构随机一个位置进行变异、a3概率保持该结构不变进行交叉变异，得到新的结构集；其中，a1、a2、a3为常数，a1+a2+a3＝1。
CN202010769336.XA 2020-08-03 2020-08-03 基于神经网络和遗传算法的硅基光子器件仿真方法和系统 Active CN111985153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010769336.XA CN111985153B (zh) 2020-08-03 2020-08-03 基于神经网络和遗传算法的硅基光子器件仿真方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010769336.XA CN111985153B (zh) 2020-08-03 2020-08-03 基于神经网络和遗传算法的硅基光子器件仿真方法和系统

Publications (2)

Publication Number Publication Date
CN111985153A true CN111985153A (zh) 2020-11-24
CN111985153B CN111985153B (zh) 2022-04-22

Family

ID=73445103

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010769336.XA Active CN111985153B (zh) 2020-08-03 2020-08-03 基于神经网络和遗传算法的硅基光子器件仿真方法和系统

Country Status (1)

Country Link
CN (1) CN111985153B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034847A (zh) * 2023-10-09 2023-11-10 深圳市锐骏半导体股份有限公司 功率器件终端的仿真方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971162A (zh) * 2014-04-04 2014-08-06 华南理工大学 一种基于遗传算法改进bp神经网络的方法
CN109379138A (zh) * 2018-08-24 2019-02-22 中国电子科技集团公司第二十九研究所 基于光子神经网络的高线性微波光子链路实现方法及结构
CN110162831A (zh) * 2019-04-10 2019-08-23 华中科技大学 一种数字型集成光子器件仿真方法和系统
US20190294021A1 (en) * 2018-03-20 2019-09-26 International Business Machines Corporation Integrated Optical Transmission Element
US20190370652A1 (en) * 2018-06-05 2019-12-05 Lightelligence, Inc. Optoelectronic computing systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971162A (zh) * 2014-04-04 2014-08-06 华南理工大学 一种基于遗传算法改进bp神经网络的方法
US20190294021A1 (en) * 2018-03-20 2019-09-26 International Business Machines Corporation Integrated Optical Transmission Element
US20190370652A1 (en) * 2018-06-05 2019-12-05 Lightelligence, Inc. Optoelectronic computing systems
CN109379138A (zh) * 2018-08-24 2019-02-22 中国电子科技集团公司第二十九研究所 基于光子神经网络的高线性微波光子链路实现方法及结构
CN110162831A (zh) * 2019-04-10 2019-08-23 华中科技大学 一种数字型集成光子器件仿真方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KAIYUAN WANG等: "Inverse design of digital nanophotonic devices using the adjoint method", 《PHOTONICS RESEARCH》 *
XINSHU REN等: "Digitized Adjoint Method for Inverse Design of Digital Nanophotonic Devices", 《HTTPS://ARXIV.ORG/ABS/1902.00654》 *
李世瑜等: "基于神经网络的光子器件逆设计研究进展", 《光通信研究》 *
肖光宗等: "基于人工神经网络和遗传算法的激光器参数全局优化方法", 《中国激光》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117034847A (zh) * 2023-10-09 2023-11-10 深圳市锐骏半导体股份有限公司 功率器件终端的仿真方法、装置、设备及介质
CN117034847B (zh) * 2023-10-09 2024-02-20 深圳市锐骏半导体股份有限公司 功率器件终端的仿真方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111985153B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
Jiang et al. Efficient network architecture search via multiobjective particle swarm optimization based on decomposition
CN109978283B (zh) 一种基于分支进化神经网络的光伏发电功率预测方法
CN111898316A (zh) 一种超表面结构设计模型的构建方法及其应用
Chafekar et al. Multiobjective GA optimization using reduced models
CN115952424A (zh) 一种基于多视图结构的图卷积神经网络聚类方法
CN111985153B (zh) 基于神经网络和遗传算法的硅基光子器件仿真方法和系统
CN115481727A (zh) 一种基于进化计算的意图识别神经网络生成与优化方法
CN115169235A (zh) 一种基于改进生成对抗网络的超表面单元结构逆设计方法
CN116596056A (zh) 基于混合变异策略遗传算法的深度光学神经网络训练方法及系统
Li et al. Surrogate-assisted multi-objective evolutionary optimization with a multi-offspring method and two infill criteria
Liu et al. Automatic search of architecture and hyperparameters of graph convolutional networks for node classification
Zahoor et al. Evolutionary computation technique for solving Riccati differential equation of arbitrary order
CN113656480B (zh) 一种异构数据源的数据集成方法和系统
CN115544869A (zh) 一种高功率微波源多目标优化方法、系统、设备及介质
Hu et al. Apenas: An asynchronous parallel evolution based multi-objective neural architecture search
CN110059806B (zh) 一种基于幂律函数的多阶段加权网络社团结构检测方法
Niu et al. Neural architecture search based on particle swarm optimization
CN113066172A (zh) 一种基于云模型和神经网络的三维模型分类方法
CN111639797A (zh) 基于Gumbel-softmax技术的组合优化方法
CN112488248A (zh) 一种基于卷积神经网络的代理模型的构建方法
Li et al. Surrogate-Assisted Evolution of Convolutional Neural Networks by Collaboratively Optimizing the Basic Blocks and Topologies
CN116132310B (zh) 一种大规模软件定义网络性能预测方法
CN118364342B (zh) 一种火控计算机电源模块故障诊断方法
CN113506593B (zh) 一种面向大规模基因调控网络的智能推断方法
CN117148568A (zh) 一种基于深度学习的平面超振荡透镜优化设计方法

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
GR01 Patent grant
GR01 Patent grant