CN112926157A - 一种基于神经网络的光栅滤光片结构优化方法 - Google Patents
一种基于神经网络的光栅滤光片结构优化方法 Download PDFInfo
- Publication number
- CN112926157A CN112926157A CN202110267031.3A CN202110267031A CN112926157A CN 112926157 A CN112926157 A CN 112926157A CN 202110267031 A CN202110267031 A CN 202110267031A CN 112926157 A CN112926157 A CN 112926157A
- Authority
- CN
- China
- Prior art keywords
- neural network
- grating
- spectrum
- filter
- reverse
- 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]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于神经网络的光栅滤光片结构优化方法,包括:1)计算不同结构参数下的光栅滤光片所对应的光谱;2)把计算所得经过预处理的光谱,以及每个光谱所对应的光栅滤光片结构参数数据对作为数据集,输入神经网络中,该神经网络包括一个正向神经网络以及一个反向神经网络;3)先对正向神经网络进行学习训练,建立从光栅滤光片结构参数到光谱的映射关系,得到训练好的正向神经网络模型;然后对反向神经网络进行训练学习,建立从光谱到光栅滤光片结构参数的映射关系,得到训练好的反向神经网络;4)将待测试的光栅滤光片结构参数矩阵输入到训练好的正向神经网络中,得到对应预测的光栅滤光片光谱,实现光栅滤光片的光谱预测;同样地,将待测试的光栅滤光片光谱矩阵输入到反向神经网络中,得到预测的结构参数,实现光栅滤光片的按需反向设计。
Description
技术领域
本发明涉及一种优化光栅滤光片结构的方法,具体涉及一种基于神经网络的光栅滤光片结构优化方法。
背景技术
在传感探测、液晶显示和彩色印刷等领域,入射角不敏感的光栅滤光片具有重要的应用前景。尤其近年来,随着微纳米光栅电磁理论研究的深入,研究人员提出了各种基于亚波长光栅结构的颜色滤光片,通过调整光栅尺寸、光栅间隔以及光栅层的厚度等光栅结构参数来实现改变中心光谱位置和光谱带宽等性参数。
在光栅滤光片的生产和设计中,有时需要考虑各个结构参数对滤光片光谱响应的影响,当需要特定的光谱响应时,就需要知道是怎样的滤光片结构可以得到该光谱响应,因此需要应用反向设计的方法来得到这组结构参数,从而可以根据反向设计来的这组结构参数对光栅滤光片进行生产,进而就可以得到特定的光谱响应。因此,如何设计光栅滤光片的结构参数,以使其光谱响应符合预先设定的光谱响应曲线是反向设计过程中需要不断优化解决的问题。
传统的周期结构反向设计是通过机器学习与解析法或数值法相结合的方法,比如遗传算法结合有限元法,通过光谱响应曲线计算得到其对应的结构参数。由于解析法和数值法设计所需的时间较长,近年来随着人工智能和机器学习算法的发展,逐渐出现了使用神经网络对光栅滤光片光谱的预测以及反向设计的方法。Dian jing Liu等人在《AcsPhotonics》期刊发表的《Training deep neural networks for the inverse design ofnanophotonic structures》,通过串联架构结合正向建模网络和反向设计网络,解决了结构参数和光谱响应不一致导致训练拟合差的问题。在采用正向建模网络替代解析法或数值法的方法中,反向网络根据预设光谱响应得出的中间结构参数需要进一步的输入正向建模网络中,在正向建模网络中得出该结构的光谱响应,并与预设的光谱响应误差计算,优化并调整滤光片的结构参数,因此正向建模网络从结构参数到光谱响应的正向预测能力在实现反向设计的过程中尤为重要,是实现反向设计的前提。但是该方法中存在正向建模网络从低维结构参数数据到高维的光谱响应曲线的映射过程会引起网络难以很好地收敛和泛化的问题,导致正向建模网络的预测准确率不高,进而影响最终反向设计的结果。
发明内容
本发明针对从低维结构参数数据到高维的光谱响应曲线的映射过程会引起网络难以很好地收敛和泛化的问题,提出一种基于神经网络的光栅滤光片结构优化方法。
通过提出使用一个张量模块和一个上采样模块前后串联的网络,解决正向神经网络从低维结构参数到高维的光谱映射的过程引起网络难以很好收敛和泛化的问题,提高正向神经网络的预测能力。
调用训练好的正向神经网络,输入不同光栅滤光片的结构参数,快速、精确地预测出不同结构参数下的光谱;另外,调用与正向神经网络级联的反向神经网络,输入预先设定的光谱,进行结构参数的反向设计,从而实现已知光谱去预测光栅滤光片结构的目的。
一种基于神经网络的光栅滤光片结构优化方法,其特征在于,包括以下步骤:
1)计算不同结构参数下的光栅滤光片所对应的光谱。
所述光栅滤光片为亚波长光栅,上层为光栅结构,下层是衬底。
所述亚波长为结构的特征尺寸与工作波长相当或更小的结构。
所述结构参数包括光栅结构沿x,y方向上的尺寸、周期以及z方向上的厚度。
所述的光谱可以由CST Studio Suite等仿真软件计算得到。
2)把计算所得经过预处理的光谱,以及每个光谱所对应的光栅滤光片结构参数数据对作为训练集,输入神经网络中,该神经网络包括一个正向神经网络以及一个反向神经网络两部分。
步骤2)中所述的预处理包括对光栅滤光片结构参数向量化和对光栅滤光片结构模型的光谱向量化。
所述对光栅滤光片结构参数向量化,将训练集和验证集分别处理成5000×4维矩阵和1000×4维矩阵,其中行数为样本个数,列数为光栅滤光片结构变量数。
所述对光栅滤光片结构模型的光谱向量化,首先将CST计算得到的光谱离散成201维离散值,再将其分别处理为5000×201维矩阵和1000×201维矩阵,其中行数表示样本个数,列数为光谱离散点数。
作为优选,对光栅结构沿x,y方向上的尺寸、z方向上的厚度以及光栅的周期共四个变量进行参数扫描计算,获得6000组结构参数光谱数据对,作为神经网络训练和验证的数据集。其中选取5000组数据用作训练集,剩下的1000组数据作为验证集。
步骤2)中所述的正向神经网络,包括串接的一个张量模块和一个上采样模块。输入为4维的光栅滤光片结构参数,即周期单元内光栅结构沿x,y方向上的尺寸、z方向上的厚度以及光栅的周期共四个变量;输出为对应结构光栅滤光片的光谱经过处理得到201维的光谱矢量。
所述的张量模块由一个张量层和两个全连接层组成。张量模块首先以监督的方式训练,其中完整的1×201维光谱数据点均匀地下采样到1×26维向量。每一个由1×26维向量表示的子谱,被用作张量预训练的真实有效值。对上述张量单元进行训练后,将其输出到1×26子光谱中,并送入上采样模块,转换为从1×26增加到1×201的光谱数据。
所述的上采样模块由三层转置卷积层和三层全连接层组成。通过使用转置卷积的方法实现上采样的过程,将26维度的输入数据转换为201维度的输出数据,解决网络难以很好地收敛和泛化的问题。
步骤2)中所述反向神经网络,由一个卷积神经网络级联训练好的正向神经网络形成,卷积神经网络包含两层卷积层和一层全连接层。将201维离散的光栅滤光片光谱输入到卷积层中;卷积神经网络中间输出量为根据光谱预测的4维结构矢量;整个反向神经网络的输出为预测的4维结构经过训练好的正向神经网络模型得到的201维离散的光栅滤光片光谱。
3)先对正向神经网络进行学习训练,建立从光栅滤光片结构参数到光谱的映射关系,得到训练好的正向神经网络模型;然后对反向神经网络进行训练学习,建立从光谱到光栅滤光片结构参数的映射关系,得到训练好的反向神经网络。
4)将待测试的光栅滤光片结构参数矩阵输入到训练好的正向神经网络中,得到对应的预测光谱,实现光栅滤光片的光谱预测;同样地,将待测试的光栅滤光片光谱矩阵输入到反向神经网络中,得到预测的结构参数,实现光栅滤光片的反向设计。
与现有技术相比,本发明具有以下有益的技术效果:
1、与传统的周期结构反向设计方法相比,采用神经网络替代解析法或数值法的方法,能够节省大量的计算时间。
2、使用一个张量模块和一个上采样模块前后串联的网络,提高正向神经网络从低维结构参数到高维的光谱映射的过程能够使正向神经。网络更好地收敛和泛化
本发明中的神经网络模型的训练为一次性的时间消耗,建立成功就能极大地缩短设计时间并可重复使用,同时新产生的数据可以反馈到模型中,从而进一步提升其功能。
附图说明
图1是本发明一种基于神经网络的光栅滤光片结构优化方法的流程图。
图2是本发明中正向神经网络的训练学习过程。
图3是本发明中正向神经网络实现预测光谱的流程图。
图4是本发明中反向神经网络的训练学习过程。
图5是本发明中反向神经网络实现光栅滤光片结构反向设计的流程图。
图6是本发明中光栅滤光片的透射光谱。
图7是本发明中光栅滤光片的结构模型。
具体实施方式
下面结合说明书附图来详细说明本发明,但本发明并不限于此。
如图1所示,一种基于神经网络的光栅滤光片结构优化方法的流程图为:通过仿真软件对不同结构的光栅滤光片模型进行仿真,得到对应的透射光谱;将不同结构的光栅滤光片的结构参数以及对应的光谱作为神经网络的训练集输入,正向神经网络训练过程中,将预测得到的光谱与实际计算得到的光谱之间的误差作为损失值反向传播到正向神经网络的各个神经元,优化各个神经元的参数;反向神经网络训练过程中,将卷积神经网络的中间输出量作为预测模型,并将其输入到级联的训练好的正向神经网络模型中,得到预测模型的预测光谱,将其与预先设定的输入光谱做比较,两者之间的误差作为损失值并反向传播,来优化网络的模型参数;然后将待测试的光栅滤光片结构参数矩阵输入到训练好的正向神经网络中,得到对应的预测光谱,实现光栅滤光片的光谱预测;同样地,将待测试的光栅滤光片光谱矩阵输入到反向神经网络中,得到预测的结构参数,实现光栅滤光片的按需反向设计。
本实施例中的仿真软件选用CST Studio Suite仿真软件,对光栅结构沿x,y方向上的尺寸、z方向上的厚度以及光栅的周期共四个变量进行参数扫描计算,得到不同结构参数变化下的光栅随频率变化的s参数曲线,进而处理得到不同厚度光栅的透射光谱。最终获得6000组结构参数光谱数据对,作为神经网络训练和验证的数据集。其中选取5000组数据用作训练集,剩下的1000组数据作为验证集。
本实施例中选用的神经网络由一个正向神经网络以及一个反向神经网络两部分组成,透射光谱和光栅滤光片结构参数在神经网络模型中相互关联,并用于特定端口的输入或输出。
正向神经网络包括串接的一个张量模块和一个上采样模块。张量模块由一个张量层和两个全连接层组成。张量模块首先以监督的方式训练,其中完整的1×201维光谱数据点均匀地下采样到1×26维向量。每一个由1×26维向量表示的子谱,被用作张量预训练的真实有效值。对上述张量单元进行训练后,将其输出到1×26子光谱中,并送入上采样模块,转换为从1×26增加到1×201的光谱数据。上采样模块由三层转置卷积层和三层全连接层组成。通过使用转置卷积的方法实现上采样的过程,将26维度的输入数据转换为201维度的输出数据,解决网络难以很好地收敛和泛化的问题。
反向神经网络,由一个卷积神经网络级联训练好的正向神经网络形成,卷积神经网络包含两层卷积层和一层全连接层。将201维离散的光栅滤光片光谱输入到卷积层中;卷积神经网络中间输出量为根据光谱预测的4维结构矢量;整个反向神经网络的输出为预测的4维结构经过训练好的正向神经网络模型得到的201维离散的光栅滤光片光谱。
将CST仿真的不同结构的光栅滤光片参数以及所对应的透射光谱作为训练集输入到神经网络模型中,对初始的神经网络进行学习训练,建立结构参数和透射光谱之间的映射关系,最终得到关于结构参数和透射光谱对应关系的深度学习模型。
神经网络的学习训练过程,以100个数据样本为一组,分批次输入神经网络中。对正向神经网络进行学习训练是指,输入光栅滤光片结构参数,得到预测的光栅滤光片光谱,再将其与CST仿真软件实际计算得到的光栅滤光片光谱进行误差计算,将两者之间的误差值作为损失值反向传播,并通过优化函数调整各个神经元的权重,得到新的预测光栅滤光片光谱,重复上述过程,直到代价函数明显收敛,得到训练好的正向神经网络模型。正向神经网络的训练学习过程如图2所示。
反向神经网络的学习训练过程,对于预先设定的输入光谱,卷积神经网络根据光谱得到预测的待优化结构参数,然后将其输入到级联的训练好的正向神经网络模型中,得到上述待优化结构参数的光谱,将其与预先设定的输入光谱做比较,将两者之间的误差值作为损失值反向传播,并通过优化函数调整各个神经元的权重,得到更合适的预测光栅滤光片结构,重复上述过程,直到代价函数明显收敛,得到训练好的反向神经网络模型。反向神经网络的训练学习过程如图4所示。
神经网络的优化函数为Adam算法优化梯度下降法,损失函数为均方差函数,激活函数为LeakReLU函数。
在测试过程中,使用训练好的正向神经网络去实现光栅滤光片的光谱预测以及使用训练好的反向神经网络去实现光栅滤光片的按需反向设计。
测试阶段,正向神经网络实现预测光谱的流程如图3所示。在使用正向神经网络实现结构到光谱的预测过程时,将待测试的光栅滤光片结构参数矩阵输入到训练好的正向神经网络中,可以得到该滤光片对应的预测光谱,实现光栅滤光片的光谱预测。正向神经网络实现的光栅滤光片光谱预测结果如图6所示。
反向神经网络实现光栅滤光片结构反向设计的流程如图5所示。在使用反向神经网络实现光栅滤光片的反向设计过程时,将预先设定的光栅滤光片光谱矩阵输入到反向神经网络中,得到根据光谱预测得到的光栅滤光片结构参数,实现光栅滤光片的按需反向设计,然后可通过CST等仿真软件根据结构参数对该光栅滤光片进行建模处理。
经过反向神经网络得出的反向设计结构参数经过CST建模如图7所示,上层为光栅结构,材料设置为金属铝,采用drude模型,光栅尺寸为225nm×450nm,周期为300nm,厚度为200nm,下层结构为折射率为2.0的介质,厚度为500nm。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于神经网络的光栅滤光片结构优化方法,其特征在于:计算不同结构参数下的光栅滤光片所对应的光谱。
所述结构参数是指在光栅滤光片周期性单元结构中,选择光栅结构沿x,y方向上的尺寸、z方向上的厚度以及光栅的周期作为结构参数。
所述光栅滤光片为亚波长光栅结构,上层为光栅结构,下层是衬底,亚波长为结构的特征尺寸与工作波长相当或更小的结构。
所述光谱可以由CST Studio Suite等仿真软件计算得到。
2.一种基于神经网络的光栅滤光片结构优化方法,其特征在于:把计算所得经过预处理的光谱,以及每个光谱所对应的光栅滤光片结构参数数据对作为数据集,输入神经网络中,该神经网络包括一个正向神经网络以及一个反向神经网络。
所述的预处理包括对光栅滤光片结构参数向量化和对光栅滤光片结构模型的光谱向量化。对光栅滤光片结构参数向量化是指将训练集和验证集分别处理成5000×4维矩阵和1000×4维矩阵,其中行数为样本个数,列数为光栅滤光片结构变量数。对光栅滤光片结构模型的光谱向量化首先将CST计算得到的光谱离散成201维离散值,再将其分别处理为5000×201维矩阵和1000×201维矩阵,其中行数表示样本个数,列数为光谱离散点数。
所述正向神经网络包括一个张量模块和一个上采样模块。张量模块由一个张量层和两个全连接层组成。上采样模块由三层转置卷积层和三层全连接层组成。通过使用转置卷积的方法实现上采样的过程,将低维度的输入数据转换为高维度的输出数据。张量模块首先以监督的方式训练,其中完整的1×201维光谱数据点均匀地下采样到1×26维向量。每一个由1×26维向量表示的子谱,被用作张量预训练的真实有效值。对上述张量单元进行训练后,将其输出到1×26子光谱中,并送入上采样模块,转换为从1×26增加到1×201的光谱数据。正向神经网络输入光栅滤光片的结构参数,预测得到该光栅滤光片的光谱,实现光栅滤光片的光谱预测。
所述的反向神经网络由一个卷积神经网络级联训练好的正向神经网络形成,卷积神经网络包含两层卷积层和一层全连接层。将201维离散的光栅滤光片光谱输入到卷积层中;卷积神经网络中间输出量为根据光谱预测的4维结构矢量;整个反向神经网络的输出为预测的4维结构经过训练好的正向神经网络模型得到的201维离散的光栅滤光片光谱。反向神经网络输入预先设定的光谱,预测得到与目标光谱相对应的结构参数,实现光栅滤光片的反向设计。
3.一种基于神经网络的光栅滤光片结构优化方法,其特征在于:先对正向神经网络进行学习训练,建立从光栅滤光片结构参数到光谱的映射关系,得到训练好的正向神经网络模型;然后对反向神经网络进行训练学习,建立从光谱到光栅滤光片结构参数的映射关系,得到训练好的反向神经网络。
4.一种基于神经网络的光栅滤光片结构优化方法,其特征在于:将待测试的光栅滤光片结构参数矩阵输入到训练好的正向神经网络中,得到对应预测的光栅滤光片光谱,实现光栅滤光片的光谱预测;同样地,将待测试的光栅滤光片光谱矩阵输入到反向神经网络中,得到预测的结构参数,实现光栅滤光片的按需反向设计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267031.3A CN112926157B (zh) | 2021-03-10 | 2021-03-10 | 一种基于神经网络的光栅滤光片结构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110267031.3A CN112926157B (zh) | 2021-03-10 | 2021-03-10 | 一种基于神经网络的光栅滤光片结构优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926157A true CN112926157A (zh) | 2021-06-08 |
CN112926157B CN112926157B (zh) | 2023-06-27 |
Family
ID=76172771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110267031.3A Active CN112926157B (zh) | 2021-03-10 | 2021-03-10 | 一种基于神经网络的光栅滤光片结构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926157B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536661A (zh) * | 2021-06-15 | 2021-10-22 | 西安电子科技大学 | 基于神经网络的tfet器件结构优化和性能预测方法 |
CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
CN113793656A (zh) * | 2021-11-10 | 2021-12-14 | 山东大学 | 微纳米颗粒体系结构色的正向预测和反向设计方法及系统 |
CN114963979A (zh) * | 2022-05-06 | 2022-08-30 | 武汉大学 | 基于深度学习的3d nand存储器层叠结构关键尺寸测量方法 |
CN116862819A (zh) * | 2023-05-29 | 2023-10-10 | 武汉工程大学 | 基于液晶可调谐滤波器的近红外高光谱成像方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180045953A1 (en) * | 2016-04-29 | 2018-02-15 | The Board Of Trustees Of The Leland Stanford Junior University | Device components formed of geometric structures |
CN109724917A (zh) * | 2018-12-26 | 2019-05-07 | 西安电子科技大学 | 基于神经网络及宽带滤波调制的分光方法 |
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 |
CN111551252A (zh) * | 2020-04-24 | 2020-08-18 | 浙江大学 | 一种基于神经网络的光谱响应设计方法 |
CN111639465A (zh) * | 2020-06-04 | 2020-09-08 | 南京工程学院 | 一种基于深度学习的AlGaAs光电阴极结构设计方法 |
CN111695294A (zh) * | 2020-06-01 | 2020-09-22 | 中国人民解放军火箭军工程大学 | 基于bp神经网络的光栅入射参数反演模型的构建方法 |
-
2021
- 2021-03-10 CN CN202110267031.3A patent/CN112926157B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180045953A1 (en) * | 2016-04-29 | 2018-02-15 | The Board Of Trustees Of The Leland Stanford Junior University | Device components formed of geometric structures |
CN109724917A (zh) * | 2018-12-26 | 2019-05-07 | 西安电子科技大学 | 基于神经网络及宽带滤波调制的分光方法 |
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 |
CN111551252A (zh) * | 2020-04-24 | 2020-08-18 | 浙江大学 | 一种基于神经网络的光谱响应设计方法 |
CN111695294A (zh) * | 2020-06-01 | 2020-09-22 | 中国人民解放军火箭军工程大学 | 基于bp神经网络的光栅入射参数反演模型的构建方法 |
CN111639465A (zh) * | 2020-06-04 | 2020-09-08 | 南京工程学院 | 一种基于深度学习的AlGaAs光电阴极结构设计方法 |
Non-Patent Citations (1)
Title |
---|
李润泽;董希谱;程洁嵘;常胜江: "基于神经网络的高角色散宽带介质超光栅的快速优化", 光学学报, vol. 40, no. 023 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536661A (zh) * | 2021-06-15 | 2021-10-22 | 西安电子科技大学 | 基于神经网络的tfet器件结构优化和性能预测方法 |
CN113536661B (zh) * | 2021-06-15 | 2022-12-13 | 西安电子科技大学 | 基于神经网络的tfet器件结构优化和性能预测方法 |
CN113777648A (zh) * | 2021-09-09 | 2021-12-10 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
CN113777648B (zh) * | 2021-09-09 | 2024-04-12 | 南京航空航天大学 | 一种基于随机编码与神经网络探测器成像的方法及伽马相机 |
CN113793656A (zh) * | 2021-11-10 | 2021-12-14 | 山东大学 | 微纳米颗粒体系结构色的正向预测和反向设计方法及系统 |
CN114963979A (zh) * | 2022-05-06 | 2022-08-30 | 武汉大学 | 基于深度学习的3d nand存储器层叠结构关键尺寸测量方法 |
CN116862819A (zh) * | 2023-05-29 | 2023-10-10 | 武汉工程大学 | 基于液晶可调谐滤波器的近红外高光谱成像方法及系统 |
CN116862819B (zh) * | 2023-05-29 | 2024-04-09 | 武汉工程大学 | 基于液晶可调谐滤波器的近红外高光谱成像方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112926157B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926157A (zh) | 一种基于神经网络的光栅滤光片结构优化方法 | |
CN112350899B (zh) | 一种基于图卷积网络融合多特征输入的网络流量预测方法 | |
CN109632693A (zh) | 一种基于blstm-rnn的太赫兹光谱识别方法 | |
Nakatsuji et al. | Development of a self-organizing traffic control system using neural network models | |
US8452719B2 (en) | Extrapolating empirical models for control, prediction, and optimization applications | |
CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
CN111582468B (zh) | 光电混合智能数据生成计算系统及方法 | |
Yang et al. | Simplicial convolutional filters | |
CN111898316A (zh) | 一种超表面结构设计模型的构建方法及其应用 | |
CN115795683A (zh) | 一种融合CNN和Swin Transformer网络的翼型优化方法 | |
CN109284541A (zh) | 一种用于微波无源器件的神经网络多物理建模方法 | |
CN107274009A (zh) | 一种基于相关性的时间序列数据多步预测方法和系统 | |
Yu et al. | State-of-the-art: AI-assisted surrogate modeling and optimization for microwave filters | |
CN113486580B (zh) | 在役风电机组高精度数值建模方法、服务端及存储介质 | |
CN115857067A (zh) | 一种逆向设计的超构表面器件及其制备、设计方法 | |
CN111444614B (zh) | 一种基于图卷积的流场重构方法 | |
CN115563729A (zh) | 一种燃烧流场温度和组分浓度重建方法及存储介质 | |
CN110112571B (zh) | 一种基于神经网络逆建模的天线设计方法 | |
CN114880767A (zh) | 一种基于注意力机制Dense-GRU网络的航空发动机剩余使用寿命预测方法 | |
CN110969615B (zh) | 一种分析硅基多模波导模式的方法 | |
Tao et al. | Applying Machine Learning to Chemical Industry: A Self-Adaptive GA-BP Neural Network-Based Predictor of Gasoline Octane Number | |
CN117668954B (zh) | 一种超表面带通滤波器谐振结构的设计方法及系统 | |
CN112508266B (zh) | 生态系统属性组分空间结构演化趋势预测方法 | |
CN113569469B (zh) | 一种用于设计高性能闪耀光栅结构的预测网络的构建方法 | |
Kojima et al. | Machine learning for design and optimization of photonic devices |
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 |