CN112115639A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112115639A CN112115639A CN202010913981.4A CN202010913981A CN112115639A CN 112115639 A CN112115639 A CN 112115639A CN 202010913981 A CN202010913981 A CN 202010913981A CN 112115639 A CN112115639 A CN 112115639A
- Authority
- CN
- China
- Prior art keywords
- unit
- electromagnetic
- units
- target
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Aerials With Secondary Devices (AREA)
Abstract
本发明公开了一种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。该方法为:在微波或者光波段,选择单元周期,使单元透射率或反射率大于阈值,并且通过改变单元属性,使波前的相位变化覆盖2π范围;将目标单元及周围单元看作一个子阵,对单元进行3比特量化,并且建立目标单元透射场或反射场的数据集;设计神经网络模型,输入为不同属性的单元,输出为相应的透射或反射场,训练生成满足精度需求的神经网络模型;构建电磁超构表面,利用神经网络建立单元属性与透射场或反射场的关系,计算出待优化目标处的电场值;使用优化算法对电磁超构表面进行优化,调整电磁超构表面的电磁波调控效率。本发明显著提高了电磁超构表面的电磁波调控效率。
Description
技术领域
本发明涉及运动目标的电磁特性数值计算技术,特别是一种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。
背景技术
超表面是超材料的二维表现形式,由于其在亚波长尺度上提供前所未有的光波调控能力而受到广泛的关注。超表面平面透镜是利用入射光与超表面单元产生共振引起相位突变的原理,通过改变表面单元的形状、材料等实现对相位的调控。并且,超表面的亚波长尺寸特点可以打破传统光学器件大体积与笨重带来的局限,实现更多奇思妙想。
由于种种原因,超表面实际相位与设计相位会有偏差,进一步导致所设计的超表面性能变差。所以在设计中常会面临超表面的波束偏转角度与设计角度不符,超表面效率不高,超表面天线指标不够高等问题;对于强耦合的电磁超构表面单元,近场耦合所带来的相位偏差、性能降低更为显著。相位误差会影响超表面总体设计指标,如何在优化过程中考虑单元耦合,又不显著增加优化设计时间是亟待解决的问题。
电磁超构表面的设计通常采用局部周期法,对于超表面中的每个单元,用等效周期结构的解来逼近该单元上方的平面/直线上的场(Lin Z,Liu V,Pestourie R,etal.Topology optimization of freeform large-area metasurfaces[J].Opt Express,2019,27(11):15765-15775)。然而这种方法仅适用于相邻区域之间的耦合差异可以忽略不计的情况。
还有另一种考虑单元之间近场耦合的常用方法,一个任意的非周期超构表面被划分为大小为a的子阵列。每个仿真域的大小大于a,与相邻子阵列有重叠区域,并以完全匹配的层终止。整个超构表面的总电场近似于相应子阵列的近场集合(Lin Z,Johnson SG.Overlapping domains for topology optimization of large-area metasurfaces[J].Optics Express,2019,27(22):32445-32453)。这种方法在优化过程中每次计算优化目标处的电场值的时间消耗较大。
将神经网络运用于超构表面设计,Christian C.Nadel等人设计了一个深度神经网络来加速全介质超表面设计。这个模型可以解决超表面设计的正向问题:给定任意几何形状,预测出相应的s参数;同时在解决反向问题时,建立了所有s参数对应的单元库,指定所需的输出可以在单元库里搜索相应的单元(Nadell C C,Huang B,Malof J M,etal.Deep learning for accelerated all-dielectric metasurface design[J].Opticsexpress,2019,27(20):27523-27535)。这种超表面设计同样忽略了单元近耦合对电磁超构表面效率的影响,并且建立所有频谱对应的单元需要花费大量的计算时间和内存。
发明内容
本发明的目的在于提供一种快速高效、性能好的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,通过考虑单元耦合并进行优化,从而提高超表面的性能。
实现本发明目的的技术解决方案为:一种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,包括以下步骤:
步骤1、在微波或者光波段,设计单元:选择单元周期,使单元透射率或反射率大于阈值,并且通过改变单元属性,使波前的相位变化覆盖2π范围;
步骤2、在考虑邻近单元影响情况下,将目标单元及周围单元看作一个子阵,对单元进行3比特量化,并且建立目标单元透射场或反射场的数据集;
步骤3、设计神经网络模型,输入为不同属性的单元,输出为相应的透射或反射场,训练生成满足精度需求的神经网络模型;
步骤4、根据电磁波调控需求,构建电磁超构表面,利用神经网络建立单元属性与透射场或反射场的关系,计算出待优化目标处的电场值;
步骤5、使用优化算法对电磁超构表面进行优化,调整电磁超构表面的电磁波调控效率。
进一步地,步骤1中所述的在微波或者光波段,设计单元:选择单元周期,使单元透射率或反射率大于阈值,并且通过改变单元属性,使波前的相位变化覆盖2π范围,具体如下:
步骤1.1、设计单元,单元形状选择圆柱、方柱或者V形;设置单元属性,单元属性包括尺寸、材料;
步骤1.2、对步骤1.1中设置的参数进行仿真对比,选取相位能够覆盖0-2π的单元,以及使这些单元满足透射或反射系数大于0.9的周期,仿真得到单元的相位曲线。
进一步地,步骤2中所述的邻近单元,对于一维阵列,邻近单元定义为目标单元左右两个或两个以上单元,对于二维阵列,邻近单元为目标单元四周八个单元及以上单元。
进一步地,步骤2中所述的在考虑邻近单元影响情况下,将目标单元及周围单元看作一个子阵,对单元进行3比特量化,并且建立目标单元透射场或反射场的数据集,具体如下:
步骤2.1、对单元进行3比特量化,在得到的相位曲线上提取相位差为45度的8个单元;
步骤2.2、在仿真软件中建立目标单元和其邻近单元的模型,使每个单元都遍历3比特单元,全波仿真获得目标单元的反射场或透射场,若仿真的子阵列单元数有n个,n为自然数,则最后得到的目标单元电场的数据集大小为8n。
进一步地,步骤3中所述的设计神经网络模型,输入为不同属性的单元,输出为相应的透射或反射场,训练生成满足精度需求的神经网络模型,具体如下:
根据需要网络实现的功能,设计深度神经网络作为模型的结构,模型由多个全连接层构成;网络的输入为目标单元和邻近单元的属性,属性包括尺寸、材料,输出为目标单元考虑邻近单元对自身耦合影响的透射场或反射场,相位由电场得出,Eim表示电场虚部,Ere表示电场实部;将在步骤2中获得的目标单元电场的数据集划分训练集和测试集,用于网络模型的训练和测试。
进一步地,步骤4中所述的根据电磁波调控需求,构建电磁超构表面,利用神经网络建立单元属性与透射场或反射场的关系,计算出待优化目标处的电场值,具体如下:
步骤4.1、构建电磁超构表面,包括聚焦透镜、发散透镜、偏转光栅、衍射光栅的超表面,根据不同类型超构表面进行阵列排布,并在3比特单元中找到所需的对应单元;
步骤4.2、将构建的电磁超构表面,以目标单元及其邻近单元为一个子阵列进行划分,通过步骤3中生成的网络模型,预测出阵列上每个单元对应的透射或反射场,通过近场推远场公式求出阵列上方任意空间的电场值:
其中,E(x,y)是阵列上方空间中任意目标点的电场值,t(x',y')是超表面上任意一点的透射系数,θ(x',y')为超表面上任意一点处的相位,表示所求目标点与已知电场值点的空间直线距离,x',y',z'和x,y分别为超表面上点的坐标与目标点的坐标,j表示虚部,k表示波数。
进一步地,步骤5中所述的使用优化算法对电磁超构表面进行优化,调整电磁超构表面的电磁波调控效率,具体如下:
优化算法采用包括遗传算法、粒子群优化的进化算法,以超表面所需要优化的性能为优化目标,所需要优化的性能包括聚焦透镜的聚焦效率、反射阵列的反射效率。
进一步地,所述聚焦透镜的聚焦效率,通过以下方式优化:
对阵列透镜焦点处x方向线电场第一艾利光斑内电场值进行求和取平均,作为优化目标,优化目标的值越大,透镜的聚焦效率就越高;
定义聚焦效率为焦点处第一艾利光斑内波的能量与阵列捕获的入射波的总能量的比值。
本发明与现有技术相比,其显著优点为:(1)利用深度学习实现了考虑近耦合的超表面单元电磁响应准确预估,依据阵列所需单元的电磁响应,利用神经网络可以反向快速查找所需的单元,提高了超表面设计效率;(2)考虑单元之间的近耦合,优化过程中能够准确描述超表面阵列的电磁响应,提高超表面的性能;(3)所设计的平面结构具有尺寸小、加工和集成方便的优势。
附图说明
图1是本发明中超构表面设计单元的结构及其对应的相位曲面示意图,其中(a)是超构表面设计单元的结构示意图,(b)是设计单元对应的相位曲面示意图。
图2是本发明中考虑邻近单元耦合的建模示意图,其中(a)是二维阵列边界条件设置示意图,(b)是二维阵列仿真模型示意图。
图3是本发明中建立的神经网络模型的示意图。
图4是本发明中设计的聚焦超构平面透镜的结构示意图。
图5是本发明中对超构透镜表面考虑单元近耦合的分割子阵列操作示意图。
图6是本发明中对聚焦超透镜进行生成和优化的系统流程图。
具体实施方式
本发明一种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,包括以下步骤:
步骤1、在微波或者光波段,设计单元:选择单元周期,使单元透射率或反射率大于阈值,并且通过改变单元属性,使波前的相位变化覆盖2π范围;
步骤2、在考虑邻近单元影响情况下,将目标单元及周围单元看作一个子阵,对单元进行3比特量化,并且建立目标单元透射场或反射场的数据集;
步骤3、设计神经网络模型,输入为不同属性的单元,输出为相应的透射或反射场,训练生成满足精度需求的神经网络模型;
步骤4、根据电磁波调控需求,构建电磁超构表面,利用神经网络建立单元属性与透射场或反射场的关系,计算出待优化目标处的电场值;
步骤5、使用优化算法对电磁超构表面进行优化,调整电磁超构表面的电磁波调控效率。
进一步地,步骤1中所述的在微波或者光波段,设计单元:选择单元周期,使单元透射率或反射率大于阈值,并且通过改变单元属性,使波前的相位变化覆盖2π范围,具体如下:
步骤1.1、设计单元,单元形状选择圆柱、方柱或者V形;设置单元属性,单元属性包括尺寸、材料;
步骤1.2、对步骤1.1中设置的参数进行仿真对比,选取相位能够覆盖0-2π的单元,以及使这些单元满足透射或反射系数大于0.9的周期,仿真得到单元的相位曲线。
进一步地,步骤2中所述的邻近单元,对于一维阵列,邻近单元定义为目标单元左右两个或两个以上单元,对于二维阵列,邻近单元为目标单元四周八个单元及以上单元。
进一步地,步骤2中所述的在考虑邻近单元影响情况下,将目标单元及周围单元看作一个子阵,对单元进行3比特量化,并且建立目标单元透射场或反射场的数据集,具体如下:
步骤2.1、对单元进行3比特量化,在得到的相位曲线上提取相位差为45度的8个单元;
步骤2.2、在仿真软件中建立目标单元和其邻近单元的模型,使每个单元都遍历3比特单元,全波仿真获得目标单元的反射场或透射场,若仿真的子阵列单元数有n个,n为自然数,则最后得到的目标单元电场的数据集大小为8n。
进一步地,步骤3中所述的设计神经网络模型,输入为不同属性的单元,输出为相应的透射或反射场,训练生成满足精度需求的神经网络模型,具体如下:
根据需要网络实现的功能,设计深度神经网络作为模型的结构,模型由多个全连接层构成;网络的输入为目标单元和邻近单元的属性,属性包括尺寸、材料,输出为目标单元考虑邻近单元对自身耦合影响的透射场或反射场,相位由电场得出,Eim表示电场虚部,Ere表示电场实部;将在步骤2中获得的目标单元电场的数据集划分训练集和测试集,用于网络模型的训练和测试。
进一步地,步骤4中所述的根据电磁波调控需求,构建电磁超构表面,利用神经网络建立单元属性与透射场或反射场的关系,计算出待优化目标处的电场值,具体如下:
步骤4.1、构建电磁超构表面,包括聚焦透镜、发散透镜、偏转光栅、衍射光栅的超表面,根据不同类型超构表面进行阵列排布,并在3比特单元中找到所需的对应单元;
步骤4.2、将构建的电磁超构表面,以目标单元及其邻近单元为一个子阵列进行划分,通过步骤3中生成的网络模型,预测出阵列上每个单元对应的透射或反射场,通过近场推远场公式求出阵列上方任意空间的电场值:
其中,E(x,y)是阵列上方空间中任意目标点的电场值,t(x',y')是超表面上任意一点的透射系数,θ(x',y')为超表面上任意一点处的相位,表示所求目标点与已知电场值点的空间直线距离,x',y',z'和x,y分别为超表面上点的坐标与目标点的坐标,j表示虚部,k表示波数。
进一步地,步骤5中所述的使用优化算法对电磁超构表面进行优化,调整电磁超构表面的电磁波调控效率,具体如下:
优化算法采用包括遗传算法、粒子群优化的进化算法,以超表面所需要优化的性能为优化目标,所需要优化的性能包括聚焦透镜的聚焦效率、反射阵列的反射效率。
进一步地,所述聚焦透镜的聚焦效率,通过以下方式优化:
对阵列透镜焦点处x方向线电场第一艾利光斑内电场值进行求和取平均,作为优化目标,优化目标的值越大,透镜的聚焦效率就越高;
定义聚焦效率为焦点处第一艾利光斑内波的能量与阵列捕获的入射波的总能量的比值。
本发明电磁超构表面设计方法相比未考虑近耦合的设计方法,显著提高了电磁超构表面的电磁波调控效率,该方法适用于一般准周期排列的天线阵列、光栅等设计。
下面结合附图及具体实施方式对本发明作进一步详细描述,但本发明的保护范围并不仅限于下面实施例,应包括权利要求书中的全部内容。而且本领域技术人员从以下的一个实施例即可实现权利要求中的全部内容。
实施例
本发明是一种单元近耦合条件下的电磁超构表面设计方法,以一维聚焦超构透镜为例,包括以下步骤:
步骤1、设计单元和周期,仿真确定单元的边长变化范围,使相位曲线覆盖0-2π,并且确定使设计的单元透射系数最好的周期,结合图1,具体步骤如下:
步骤1.1、设计单元,结合图1(a),设置单元的边长变化量,设置单元周期扫描范围在0.3-0.5个波长范围内采样;
步骤1.2、对步骤1.1中设置的参数进行仿真对比,选取相位能够覆盖0-2π的单元,以及使这些单元满足透射系数>0.9的周期,仿真得到单元的相位曲线,如图1(b);
步骤2、对单元进行3比特量化,建立考虑邻近单元影响时,目标单元的透射或反射场库,结合图2(a)~(b),具体如下;
步骤2.1、对单元进行3比特量化,在得到的相位曲线上提取相位差为45度的8个单元;
步骤2.2、当考虑周围两个单元对中间单元的影响时,在仿真软件中建立三个单元的模型,使每个单元遍历8个单元尺寸,全波仿真获得中间单元的幅值和相位,最终得到一个8*8*8的数据库;(考虑更多单元的影响时,增加邻近单元的数量)。如果阵列为二维阵列,仿真模型示意如图2(b)所示。
步骤3、设计神经网络模型,训练生成一个输入单元尺寸得到相应透射或反射场的模型,结合图3,具体如下:
根据我们所需要网络实现的功能,设计深度神经网络作为模型的结构,模型由多个全连接层构成。网络的输入为目标单元和邻近单元的尺寸,输出为相应的电场实部虚部和幅值,由电场实部虚部计算出相位,将在步骤2中获得的数据集划分为80%的训练集和20%的测试集,用于网络模型的训练和测试。
步骤4、设计聚焦超透镜,根据近场推远场公式计算出透镜上方的电场值,结合图4,具体如下:
其中,λ为波长,是真空中的波束,f为焦点到聚焦透镜的中心距离,即焦距,r为聚焦超透镜上任意一点与聚焦超透镜中心之间的距离,在直角坐标系下为 为该点对应的补偿相位,为聚焦超透镜各单元的初始相位,也是聚焦超透镜中心的补偿相位;
步骤4.2、根据补偿相位在3比特单元中找到所需相位补偿的对应单元;
步骤4.3、将设计的聚焦超透镜以3个单元为一个子阵列进行划分,通过步骤3中生成的网络模型,预测出阵列上每个单元对应的透射场或反射场,已经考虑耦合,通过近场推远场公式(2)求出阵列上方任意空间的电场值。
其中,E(x,y)是阵列上方空间中任意目标点的电场值,t(x',y')是超表面上任意一点的透射系数,θ(x',y')为超表面上任意一点处的相位,表示所求目标点与已知电场值点的空间直线距离,x',y',z'和x,y分别为超表面上点的坐标与目标点的坐标,j表示虚部,k表示波数。
步骤5、使用进化算法对聚焦超构透镜进行优化,提高聚焦超构透镜的聚焦效率,结合图5、图6,具体如下:
优化算法采用粒子群优化算法,对阵列透镜焦点处x方向线电场第一艾利光斑内电场值进行求和取平均,作为优化目标,优化目标的值越大,透镜的聚焦效率就越高。
定义聚焦效率为焦点处第一艾利光斑内波的能量与阵列捕获的入射波的总能量的比值。
本发明与现有技术相比,其显著优点为:(1)利用深度学习对需求相位对应的单元快速搜索,提高了阵列排布的设计速度,节约了计算时间;(2)考虑单元之间的近耦合,更大程度上提高超表面的性能。(3)平面超构透镜尺寸小,比起传统的光学器件更易加工和集成。
设定工作的波长为550nm,设计的单元结构为氮化镓(GaN)方柱,位于衬底三氧化二铝(Al2O3)介质的上方,如图1(a)所示。为了使设计的聚焦透镜超表面具有更好的聚焦效率,设计能够使单元透射系数大于0.9的周期大小,以及设计能够调控0-2π相位的单元大小,通过边长来改变单元大小。设计边长L变化范围为70-154nm,周期范围变化0.3-0.5λ,通过在FDTD Solutions仿真软件中仿真,得到在200nm周期,高度H=900nm时,透射系数最好,切单元变化满足2π变化,相位曲线如图1(b)。
从相位曲线上插值得到相位变化为45度的8个单元,即3比特量化。以三个单元为一个子阵列,进行仿真得到中间单元的相位和透射系数,以此来考虑周围两个单元对中间单元的耦合影响,如图2(a)所示。仿真得到一个大小为8*8*8(512)的数据集。
根据我们所需要网络实现的功能,设计深度神经网络作为模型的结构,模型由多个全连接层构成,如图3所示。网络的输入为目标单元和邻近单元的尺寸,输出为相应的电场实部虚部和幅值,由电场实部虚部计算出相位,将获得的数据集划分为80%的训练集和20%的测试集,用于网络模型的训练和测试。训练得到二范数误差为0.07的网络模型,测试结果良好,相位误差在10度以内,并且大多数据误差只有2-3度。
设计聚焦超构透镜,设定焦径比为1.0,单元个数为100的一维平面超透镜,根据相位补偿公式(1)可以得到如图4所示的聚焦超构透镜。以3个单元一组作为生成的模型的输入,以一个单元为单位实行平移,如图5所示,从而得到所有单元对应的幅值和相位,即可通过近场推远场公式(2)得到空间任意点的电场值。
使用粒子群算法对设计的聚焦超构透镜进行优化排布,整个算法的系统框架如图6所示,选取焦点处第一艾利光斑范围内的电场均值作为适应度函数,对阵列的单元进行优化。
本发明在考虑单元耦合的情况下进行电磁超构表面的设计和优化,结合深度学习与优化算法,整个系统可以快速地生成满足设计需求的阵列,减小了单元耦合所造成的效率损失,同时超表面的小尺寸提高了光学器件的集成度。
Claims (8)
1.一种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,其特征在于,包括以下步骤:
步骤1、在微波或者光波段,设计单元:选择单元周期,使单元透射率或反射率大于阈值,并且通过改变单元属性,使波前的相位变化覆盖2π范围;
步骤2、在考虑邻近单元影响情况下,将目标单元及周围单元看作一个子阵,对单元进行3比特量化,并且建立目标单元透射场或反射场的数据集;
步骤3、设计神经网络模型,输入为不同属性的单元,输出为相应的透射或反射场,训练生成满足精度需求的神经网络模型;
步骤4、根据电磁波调控需求,构建电磁超构表面,利用神经网络建立单元属性与透射场或反射场的关系,计算出待优化目标处的电场值;
步骤5、使用优化算法对电磁超构表面进行优化,调整电磁超构表面的电磁波调控效率。
2.根据权利要求1所述的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,其特征在于,步骤1中所述的在微波或者光波段,设计单元:选择单元周期,使单元透射率或反射率大于阈值,并且通过改变单元属性,使波前的相位变化覆盖2π范围,具体如下:
步骤1.1、设计单元,单元形状选择圆柱、方柱或者V形;设置单元属性,单元属性包括尺寸、材料;
步骤1.2、对步骤1.1中设置的参数进行仿真对比,选取相位能够覆盖0-2π的单元,以及使这些单元满足透射或反射系数大于0.9的周期,仿真得到单元的相位曲线。
3.根据权利要求1或2所述的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,其特征在于,步骤2中所述的邻近单元,对于一维阵列,邻近单元定义为目标单元左右两个或两个以上单元,对于二维阵列,邻近单元为目标单元四周八个单元及以上单元。
4.根据权利要求3所述的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,其特征在于,步骤2中所述的在考虑邻近单元影响情况下,将目标单元及周围单元看作一个子阵,对单元进行3比特量化,并且建立目标单元透射场或反射场的数据集,具体如下:
步骤2.1、对单元进行3比特量化,在得到的相位曲线上提取相位差为45度的8个单元;
步骤2.2、在仿真软件中建立目标单元和其邻近单元的模型,使每个单元都遍历3比特单元,全波仿真获得目标单元的反射场或透射场,若仿真的子阵列单元数有n个,n为自然数,则最后得到的目标单元电场的数据集大小为8n。
6.根据权利要求5所述的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,其特征在于,步骤4中所述的根据电磁波调控需求,构建电磁超构表面,利用神经网络建立单元属性与透射场或反射场的关系,计算出待优化目标处的电场值,具体如下:
步骤4.1、构建电磁超构表面,包括聚焦透镜、发散透镜、偏转光栅、衍射光栅的超表面,根据不同类型超构表面进行阵列排布,并在3比特单元中找到所需的对应单元;
步骤4.2、将构建的电磁超构表面,以目标单元及其邻近单元为一个子阵列进行划分,通过步骤3中生成的网络模型,预测出阵列上每个单元对应的透射或反射场,通过近场推远场公式(1)求出阵列上方任意空间的电场值:
7.根据权利要求6所述的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,其特征在于,步骤5中所述的使用优化算法对电磁超构表面进行优化,调整电磁超构表面的电磁波调控效率,具体如下:
优化算法采用包括遗传算法、粒子群优化的进化算法,以超表面所需要优化的性能为优化目标,所需要优化的性能包括聚焦透镜的聚焦效率、反射阵列的反射效率。
8.根据权利要求7所述的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,其特征在于,所述聚焦透镜的聚焦效率,通过以下方式优化:
对阵列透镜焦点处x方向线电场第一艾利光斑内电场值进行求和取平均,作为优化目标,优化目标的值越大,透镜的聚焦效率就越高;
定义聚焦效率为焦点处第一艾利光斑内波的能量与阵列捕获的入射波的总能量的比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913981.4A CN112115639B (zh) | 2020-09-03 | 2020-09-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913981.4A CN112115639B (zh) | 2020-09-03 | 2020-09-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112115639A true CN112115639A (zh) | 2020-12-22 |
CN112115639B CN112115639B (zh) | 2021-06-22 |
Family
ID=73804691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010913981.4A Active CN112115639B (zh) | 2020-09-03 | 2020-09-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112115639B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111551A (zh) * | 2021-03-31 | 2021-07-13 | 同济大学 | 一种兰姆波调控设备及其设计方法 |
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 |
CN114722690A (zh) * | 2022-06-09 | 2022-07-08 | 华中科技大学 | 基于变可信度神经网络的声学超表面声场快速预测方法 |
CN114791669A (zh) * | 2022-04-28 | 2022-07-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 大尺寸消色差超表面透镜及其设计方法、制造方法 |
CN116449490A (zh) * | 2023-06-19 | 2023-07-18 | 南昌大学 | 三维光量子芯片模组的制备方法及三维光量子芯片模组 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763708A (zh) * | 2018-05-21 | 2018-11-06 | 东南大学 | 基于深度学习设计多波束多极化人工电磁表面的方法 |
CN109962688A (zh) * | 2019-04-04 | 2019-07-02 | 北京邮电大学 | 基于深度学习神经网络的全介质超材料滤波器传输特性的快速预测与反向结构设计方法 |
CN110083934A (zh) * | 2019-04-26 | 2019-08-02 | 中国人民解放军空军工程大学 | 一种基于支持向量机算法的电磁超表面设计方法 |
CN110376731A (zh) * | 2019-07-13 | 2019-10-25 | 南京理工大学 | 基于多层超构表面的宽带消色差超构透镜组的构建方法 |
WO2020014490A1 (en) * | 2018-07-11 | 2020-01-16 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for generative models for design |
CN111241700A (zh) * | 2020-01-19 | 2020-06-05 | 中国科学院光电技术研究所 | 一种微波宽带超表面吸收器的智能设计方法 |
CN111611683A (zh) * | 2020-04-03 | 2020-09-01 | 浙江大学 | 基于深度学习的电磁超表面设计方法及装置 |
-
2020
- 2020-09-03 CN CN202010913981.4A patent/CN112115639B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763708A (zh) * | 2018-05-21 | 2018-11-06 | 东南大学 | 基于深度学习设计多波束多极化人工电磁表面的方法 |
WO2020014490A1 (en) * | 2018-07-11 | 2020-01-16 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for generative models for design |
CN109962688A (zh) * | 2019-04-04 | 2019-07-02 | 北京邮电大学 | 基于深度学习神经网络的全介质超材料滤波器传输特性的快速预测与反向结构设计方法 |
CN110083934A (zh) * | 2019-04-26 | 2019-08-02 | 中国人民解放军空军工程大学 | 一种基于支持向量机算法的电磁超表面设计方法 |
CN110376731A (zh) * | 2019-07-13 | 2019-10-25 | 南京理工大学 | 基于多层超构表面的宽带消色差超构透镜组的构建方法 |
CN111241700A (zh) * | 2020-01-19 | 2020-06-05 | 中国科学院光电技术研究所 | 一种微波宽带超表面吸收器的智能设计方法 |
CN111611683A (zh) * | 2020-04-03 | 2020-09-01 | 浙江大学 | 基于深度学习的电磁超表面设计方法及装置 |
Non-Patent Citations (2)
Title |
---|
CHRISTIAN C. NADELL: "Deep learning for accelerated all-dielectric metasurface design", 《OPTICS EXPRESS》 * |
ZIN LIN 等: "Overlapping domains for topology optimization of large-area metasurfaces", 《PHYSICS.OPTICS》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111551A (zh) * | 2021-03-31 | 2021-07-13 | 同济大学 | 一种兰姆波调控设备及其设计方法 |
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 |
CN114791669A (zh) * | 2022-04-28 | 2022-07-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 大尺寸消色差超表面透镜及其设计方法、制造方法 |
CN114722690A (zh) * | 2022-06-09 | 2022-07-08 | 华中科技大学 | 基于变可信度神经网络的声学超表面声场快速预测方法 |
CN114722690B (zh) * | 2022-06-09 | 2022-09-02 | 华中科技大学 | 基于变可信度神经网络的声学超表面声场快速预测方法 |
CN116449490A (zh) * | 2023-06-19 | 2023-07-18 | 南昌大学 | 三维光量子芯片模组的制备方法及三维光量子芯片模组 |
CN116449490B (zh) * | 2023-06-19 | 2023-09-05 | 南昌大学 | 三维光量子芯片模组的制备方法及三维光量子芯片模组 |
Also Published As
Publication number | Publication date |
---|---|
CN112115639B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112115639B (zh) | 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 | |
Jafar-Zanjani et al. | Adaptive genetic algorithm for optical metasurfaces design | |
Inampudi et al. | Neural network based design of metagratings | |
Noureen et al. | A unique physics-inspired deep-learning-based platform introducing a generalized tool for rapid optical-response prediction and parametric-optimization for all-dielectric metasurfaces | |
Elsawy et al. | Multiobjective statistical learning optimization of RGB metalens | |
An et al. | A novel modeling approach for all-dielectric metasurfaces using deep neural networks | |
CN111258058A (zh) | 柔性遥感卫星光学镜片及其制作方法 | |
An et al. | A freeform dielectric metasurface modeling approach based on deep neural networks | |
Galindo et al. | Numerical solutions for an infinite phased array of rectangular waveguides with thick walls | |
CN111898316A (zh) | 一种超表面结构设计模型的构建方法及其应用 | |
On et al. | Optimal design of microwave absorber using novel variational autoencoder from a latent space search strategy | |
CN112578490A (zh) | 一种3d打印的低折射率大角度偏折稀疏光栅 | |
Gahlmann et al. | Deep neural networks for the prediction of the optical properties and the free-form inverse design of metamaterials | |
Lawrie et al. | A quantum graph approach to metamaterial design | |
WO2021026152A1 (en) | Computation with optical metamaterials | |
Chen et al. | Algorithm-driven paradigms for freeform optical engineering | |
Deng et al. | Inverse design in photonic crystals | |
CN113341562B (zh) | 一种基于非局域衍射调控的高数值孔径超透镜的设计方法 | |
Gradziel et al. | Modelling of the optical performance of millimeter-wave instruments in MODAL | |
Ma et al. | Deep-learning-assisted reconfigurable metasurface antenna for real-time holographic beam steering | |
Ataloglou et al. | Realizing antenna arrays with Huygens’ metasurface pairs based on a moment-method-like design | |
Rohani et al. | Gaussian beam-based hybrid method for quasi-optical systems | |
CN112199892B (zh) | 一种按需快速构建超表面的机器学习方法 | |
Park et al. | Physics-informed reinforcement learning for sample-efficient optimization of freeform nanophotonic devices | |
CN117668954B (zh) | 一种超表面带通滤波器谐振结构的设计方法及系统 |
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 |