CN113113776B - 一种太赫兹复合超材料多带吸收器及双向设计方法 - Google Patents

Abstract

本发明公开了一种太赫兹复合超材料多带吸收器以及太赫兹复合超材料多带吸收器的设计方法，一种太赫兹复合超材料多带吸收器，包括金属基底，金属基底上设置有介质层，介质层上方设置有金属正方形环，金属正方形环内部中心位置处设置有金属十字架，金属十字架与金属正方形环之间还设置有金属圆环。本发明解决了现有技术中存在的传统超材料吸收器设计过程中需要不断试错，逐案计算分析，同时需要设计者具备以往的模拟仿真经验和超材料相关的专业知识等局限性的问题。

Description

一种太赫兹复合超材料多带吸收器及双向设计方法

技术领域

本发明属于太赫兹超材料和机器学习技术领域，具体涉及一种太赫兹复合超材料多带吸收器，本发明还涉及一种太赫兹复合超材料多带吸收器的设计方法。

背景技术

超材料是由亚波长结构单元周期性排列所构成的人工复合型电磁材料，因其能够实现传统自然材料所不具备的电磁特性而倍受关注，它能够提供一个独特的平台来自由控制电磁波，以满足设计人员的应用需求。精心设计的超材料能够实现许多奇特的功能，例如:全息术、完美吸收、可调谐等。

超材料的设计过程非常复杂，需要耗费大量的时间以及计算资源，因此研究者们在超材料设计领域从算法到工具进行了大量的研究。目前有两种方法，一种是采用物理学理论计算，就是利用已有的理论如米氏理论或等效介质模型如Lewin模型和GEM模型。这种方法需要电磁场和等效模型的理论知识，而且只能设计简单结构的超材料。另一种是半自动方法也是目前最常用的方法如:有限元法、有限差分法、有限积分法或矩量法。该方法依赖于迭代的全波数值模拟工具如COMSOL、CST等进行逐案分析，不断试错。通过该方法求解正向问题的过程是从某些初始条件和边界条件开始，求解空间和时间上离散的麦克斯韦方程组，设置足够的网格和迭代步骤，在这些条件或参数都设置正确的前提下程序能够准确的计算出给定结构的电磁响应。如果得到所需的响应那么该结构即为所求，否则需要微调几何形状并反复执行仿真以逐渐接近所需的目标响应，并且由于设计者能力和计算资源的限制，在寻找最佳结构时仅调整了有限的设计参数，而得到的结果有可能不是最佳的。目前的数值模拟计算工具，只能根据设置超材料的结构参数，然后逐案计算，不能实现逆向设计，即设计具有随需电磁响应的超材料结构。由于两者之间存在复杂、非直觉的关系，随着超材料的结构越来越复杂，即使利用目前最成熟的数值模拟计算工具，也难以解决该问题。

人工智能、机器学习、深度神经网络在计算机科学与工程相关的领域(如:自然语言处理、语音识别、计算机视觉、图像处理)中取得了惊人的结果，因此其中一些机器学习理论算法和模型引起了包括医疗卫生、材料科学、粒子物理、量子力学、计算成像和激光物理学等领域研究人员的关注，证明了有巨大的潜力可以克服相关领域常规方法的局限性，并在这些领域创造出前所未有的机会。利用机器学习算法模型能够快速的建立超材料的几何形状与其电磁响应之间的复杂关系，从根本上将方法论从基于规则的方法转变为数据驱动的方法，它允许模型从大量数据中提取重要的特征信息，并发现其中复杂且非直觉的关系，这与基于物理或基于规则的方法形成鲜明对比。仅需要一次大量数据的投资即可在以后的设计过程中直接使用从而加快了超材料的设计过程。这种方法使得不具备超材料相关设计经验和知识的领域之外的设计者也能够按照自己需求进行超材料设计从而进行其他相关的研究工作。数据驱动方法为超材料设计领域提供一种全新的途径。

发明内容

本发明的目的是提供一种太赫兹复合超材料多带吸收器以及太赫兹复合超材料多带吸收器的设计方法，解决了现有技术中存在的传统超材料吸收器设计过程中需要不断试错，逐案计算分析，同时需要设计者具备以往的模拟仿真经验和超材料相关的专业知识等局限性的问题。

本发明所采用的第一技术方案是，一种太赫兹复合超材料多带吸收器，包括金属基底，金属基底上设置有介质层，介质层上方设置有金属正方形环，金属正方形环内部中心位置处设置有金属十字架，金属十字架与金属正方形环之间还设置有金属圆环。

本发明第一技术方案的特点还在于，

金属圆环的外径尺寸范围42～46μm，金属圆环的环宽为1～4μm，金属基底与介质层的长宽一致，介质层的厚度比金属基底的厚度多7～8μm,金属正方形环外侧与介质层边缘相距5～9μm，金属圆环外径距离金属正方形环内侧相距10～18μm。

金属十字架每个十字长边的端部还一体设置有垂直的短边，其中，每个长边的变化随着金属圆环的半径同步变化，变化的范围为7～15.5μm，金属十字架同一侧长边的长加短边的宽的总长度为金属圆环的外环直径的1/2。

本发明所采用的第二技术方案是，一种太赫兹复合超材料多带吸收器的设计方法，具体按照以下步骤实施：

步骤1、建立太赫兹复合超材料多带吸收器的模型，设定频率范围为0.3-2.0THz，频率间隔为0.0016THz，电场方向为X轴方向，磁场方向为Y轴方向，入射电磁波方向为Z轴方向；选定吸收器5个可变参数：分别是超材料吸收器的周期、金属十字架短边的长度、金属十字架长边的长度、金属圆环的半径和金属正方形环的边长，然后设置扫描范围与扫描间隔，最后通过计算得到由不同频率点的吸收率组成的吸收谱；

步骤2、所述步骤1中的数据收集完成后，将数据进行整理和分析，剔除其中无效的数据，然后将太赫兹复合超材料多带吸收器结构参数与步骤1得到的吸收谱相结合形成一个向量，将该向量作为集成学习模型的输入数据；将输入数据进行划分，其中85％的数据作为训练集，15％的数据作为测试集。

步骤3、利用步骤2得到的训练集对集成学习模型进行训练，双向设计太赫兹复合超材料多带吸收器的集成学习框架，集成学习框架包括前向预测模型FPEM和逆向预测模型IPEM，FPEM的核心是同质集成回归决策树的XGBoost，逆向预测模型IPEM由XGBoost和深度神经网络DNNs组成；由于FPEM与IPEM输入输出的数据不同，需要分别训练3个模型，FPEM输入特征为吸收器的5个可变参数，标签为每组参数对应的吸收谱；IPEM的输入特征为吸收谱，标签为每组吸收谱对应的吸收器的结构参数；然后将两个FPEM和IPEM中的XGBoost模型按照默认参数分别进行训练，对IPEM中的DNNs设置常规的参数进行训练；

步骤4、对步骤3中训练完成的模型利用测试集数据进行测试，FPEM中利用均方差对训练完成的模型在测试集上的表现进行评估，根据评估结果对FPEM中模型的参数反向调整，调整对象为XGBoost中的决策树的数量、每棵决策树的最大深度、学习率、正则化系数、惩罚强度系数；IPEM中利用平均绝对误差分别对训练完成的模型在测试集上的表现进行评估，根据评估结果对IPEM中的XGBoost和DNNs的参数进行反向调整，调整对象为XGBoost中的决策树的数量、每棵决策树的最大深度、学习率、正则化系数、惩罚强度系数和DNNs中的卷积层和全连接层的层数、全连接层中每层神经元的个数、Dropout层的随机抛弃比例、学习率和迭代次数；

步骤5、对步骤4中参数最优的模型进行保存，然后给IPEM中的两个模型分配权重，设置其中的XGBoost的权重为W_X，那么DNNs的权重为1-W_X，将权重视作IPEM中的一个可调的参数，将测试集分别输入到两个模型之中，然后对XGBoost的预测结果和DNNs的预测结果进行加权求和得到IPEM最终的预测输出结果，将最终的预测输出结果与测试集的标签求平均绝对误差，根据平均绝对误差的值对权重W_x进行调整使得平均绝对误差达到最小，最后保存整个IPEM；

步骤6、将步骤4参数最优化的FPEM与步骤5权重最优的IPEM合并构建一个集成学习框架，该框架能够用于复合超材料吸收器的双向设计。

本发明第二技术方案的特点还在于，

步骤3中XGBoost由DART基学习器和多元回归层组成；逆向预测模型IPEM中的XGBoost中的深度神经网络DNNs由两部分组成，第一部分由标准一维卷积网络模块组成，每个标准卷积块包含1个一维卷积层、1个批量标准化层和1个池化层；第二部分是由10个全连接层组成，每层的神经元个数分别是500、500、500、256、128、64、32、16、8、4，最后一层的神经元个数与输入数据集标签个数一致，层与层之间插入能够抛弃神经元的Dropout层，Dropout比例范围是0.01～0.2，每一层都采用tanh作为激活函数，整个DNNs采用Adam作为优化器。

深度神经网络的每一层采用的激活函数tanh公式为：

其中，x是每一层的输入数据构成的张量，在DNNs的中代表提取的吸收谱的特征向量,e是自然常数，e^x是指数函数，它的倒数为e^-x,该函数的作用是将线性激活响应转换为非线性映射；

同时采用均方误差作为损失函数，损失函数公式为：

其中，y是输入数据的标签向量，y_i是向量中的第i个元素；

是FPEM预测结果组成的向量模型，

是向量的第i个元素，n是向量中元素的总个数。

步骤5最终的预测结果由公式H(z)表示如下：

其中，z代表输入吸收谱特征构成的向量,h_j(z)表示第j个基学习器的预测结果，w_j表示分配给第j个基学习器h_j的权重，w_j≥0且

N代表基学习器的总个数；

预测结果根据平均绝对误差的值进行评判IPEM模型预测的准确性公式为：

其中，y是模型输入数据的标签值组成的向量，向量中元素的总个数为m，y_i是向量中第i个元素，

是IPEM预测的结果组成的向量，它与标签值组成的向量维度和元素个数都相同，

是向量的第i个结果。

本发明的有益效果如下：

1.设计太赫兹复合超材料多带吸收器结构时，能够克服传统设计过程中需要不断试错，逐案计算分析，同时需要设计者具备以往的模拟仿真经验和超材料相关的专业知识等局限性。

2.利用集成学习这种数据驱动的方法可以进行双向设计，使得非专业设计者输入结构参数即可快速得到精确的电磁响应，更重要的可以根据需求输入电磁响应能够快速得到超材料的结构参数然后直接加工应用。而且这个过程仅需一次少量数据的投资，即可重复使用。解决了传统超材料吸收器结构设计所具有的计算冗长、超材料专业知识和数值模拟经验要求高、设计周期长、设计过程难以复现等问题。

3.现有的数据驱动的工作大多单独采用深度神经网络或者全连接网络在训练网络，即使使用单一模型能够得到精确的预测结果，那么这也需要采集大量的训练数据，而目前尚不存在如图像识别、自然语言处理、材料科学等领域已经公开的数据集可供训练使用。因此如果为了设计一个简单结构的超材料设备需要采集大量的数据，这可能有违发明的初衷。因此本设计采用集成学习的方法提升整个框架的学习预测能力，在降低训练数据量的同时也能达到符合需求的预测结果。

附图说明

图1是本发明的实例中所采用的太赫兹复合超材料多带吸收器的结构示意图；

图2是本发明框架中的正向预测模型；

图3是本发现框架中的逆向预测模型；

图4是深度神经网络的内部结构。

图中，1.金属十字架，2.金属圆环，3.金属正方形环，4.介质层，5.金属基底。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种太赫兹复合超材料多带吸收器，结构如图1所示，包括金属基底5，金属基底5上设置有介质层4，介质层4上方设置有金属正方形环3，金属正方形环3内部中心位置处设置有金属十字架1，金属十字架1与金属正方形环3之间还设置有金属圆环2。

金属圆环2的外径尺寸范围42～46μm，金属圆环2的环宽为1～4μm，金属基底5与介质层4的长宽一致，介质层4的厚度比金属基底5的厚度多7～8μm,金属正方形环3外侧与介质层4边缘相距5～9μm，金属圆环2外径距离金属正方形环3内侧相距10～18μm。

金属十字架1每个十字长边的端部还一体设置有垂直的短边，其中，每个长边的变化随着金属圆环2的半径同步变化，变化的范围为7～15.5μm，金属十字架1同一侧长边的长加短边的宽的总长度为金属圆环3的外环直径的1/2。

一种太赫兹复合超材料多带吸收器的设计方法，具体按照以下步骤实施：

步骤1、建立太赫兹复合超材料多带吸收器的模型，设定频率范围为0.3-2.0THz，频率间隔为0.0016THz，电场方向为X轴方向，磁场方向为Y轴方向，入射电磁波方向为Z轴方向；选定吸收器5个可变参数：分别是超材料吸收器的周期、金属十字架1短边的长度、金属十字架1长边的长度、金属圆环2的半径和金属正方形环3的边长，其中金属十字架1长边的长度、金属圆环2的半径和金属正方形环3的边长通过两个变量与周期联合调节大小，然后设置扫描范围与扫描间隔，最后通过计算得到由不同频率点的吸收率组成的吸收谱；

步骤2、所述步骤1中的数据收集完成后，将数据进行整理和分析，剔除其中无效的数据，然后将太赫兹复合超材料多带吸收器结构参数与步骤1得到的吸收谱相结合形成一个向量，将该向量作为集成学习模型的输入数据；将输入数据进行划分，其中85％的数据作为训练集，15％的数据作为测试集。

步骤3、利用步骤2得到的训练集对集成学习模型进行训练，双向设计太赫兹复合超材料多带吸收器的集成学习框架，集成学习框架包括前向预测模型FPEM和逆向预测模型IPEM，FPEM的核心是同质集成回归决策树的XGBoost，逆向预测模型IPEM由XGBoost和深度神经网络DNNs组成；由于FPEM与IPEM输入输出的数据不同，需要分别训练3个模型，FPEM输入特征为吸收器的5个可变参数，标签为每组参数对应的吸收谱；IPEM的输入特征为吸收谱，标签为每组吸收谱对应的吸收器的结构参数；然后将两个FPEM和IPEM中的XGBoost模型按照默认参数分别进行训练，对IPEM中的DNNs设置常规的参数进行训练；

步骤3中XGBoost由DART基学习器和多元回归层组成；逆向预测模型IPEM中的XGBoost中的深度神经网络DNNs由两部分组成，第一部分由标准一维卷积网络模块组成，每个标准卷积块包含1个一维卷积层、1个批量标准化层和1个池化层；第二部分是由10个全连接层组成，每层的神经元个数分别是500、500、500、256、128、64、32、16、8、4，最后一层的神经元个数与输入数据集标签个数一致，层与层之间插入能够抛弃神经元的Dropout层，Dropout比例范围是0.01～0.2，每一层都采用tanh作为激活函数，整个DNNs采用Adam作为优化器。

深度神经网络的每一层采用的激活函数tanh公式为：

其中，x是每一层的输入数据构成的张量，在DNNs的中代表提取的吸收谱的特征向量,e是自然常数，e^x是指数函数，它的倒数为e^-x,该函数的作用是将线性激活响应转换为非线性映射；

同时采用均方误差作为损失函数，损失函数公式为：

其中，y是输入数据的标签向量，y_i是向量中的第i个元素；

是FPEM预测结果组成的向量模型，

是向量的第i个元素，n是向量中元素的总个数。在该设计中n＝1001，该公式也被用于评估FPEM预测的准确性。

步骤4、对步骤3中训练完成的模型利用测试集数据进行测试，FPEM中利用均方差对训练完成的模型在测试集上的表现进行评估，根据评估结果对FPEM中模型的参数反向调整，调整对象为XGBoost中的决策树的数量、每棵决策树的最大深度、学习率、正则化系数、惩罚强度系数；IPEM中利用平均绝对误差分别对训练完成的模型在测试集上的表现进行评估，根据评估结果对IPEM中的XGBoost和DNNs的参数进行反向调整，调整对象为XGBoost中的决策树的数量、每棵决策树的最大深度、学习率、正则化系数、惩罚强度系数和DNNs中的卷积层和全连接层的层数、全连接层中每层神经元的个数、Dropout层的随机抛弃比例、学习率和迭代次数，三个模型的调整的目标是使得模型在训练集上具有很强的学习能力的同时在测试集上也能具有很强的泛化能力。

步骤5、对步骤4中参数最优的模型进行保存，然后给IPEM中的两个模型分配权重，设置其中的XGBoost的权重为W_X，那么DNNs的权重为1-W_X，将权重视作IPEM中的一个可调的参数，将测试集分别输入到两个模型之中，然后对XGBoost的预测结果和DNNs的预测结果进行加权求和得到IPEM最终的预测输出结果，将最终的预测输出结果与测试集的标签求平均绝对误差，根据平均绝对误差的值对权重W_x进行调整使得平均绝对误差达到最小，最后保存整个IPEM；

步骤5最终的预测结果由公式H(z)表示如下：

其中，z代表输入吸收谱特征构成的向量,h_j(z)表示第j个基学习器的预测结果，w_j表示分配给第j个基学习器h_j的权重，w_j≥0且

N代表基学习器的总个数；

预测结果根据平均绝对误差的值进行评判IPEM模型预测的准确性公式为：

其中，y是模型输入数据的标签值组成的向量，向量中元素的总个数为m，y_i是向量中第i个元素，

是IPEM预测的结果组成的向量，它与标签值组成的向量维度和元素个数都相同，

是向量的第i个结果。

步骤6、将步骤4参数最优化的FPEM与步骤5权重最优的IPEM合并构建一个集成学习框架，该框架能够用于复合超材料吸收器的双向设计。

基于集成学习的数据驱动方法可以将不同类型的机器学习模型或深度学习模型进行集成，利用不同模型的具有不同的置信度以及对不同特征的敏感度对其进行权重分配。这是一种监督学习方法，该方法是利用大量输入特征数据和输出标签数据找到两者之间的映射关系。其训练过程的实质是优化过程，当模型找到输入输出的关系的同时构建出一个非常复杂的函数，该函数是由若干个参数构成的，之后模型会根据特征和标签对目标函数进行迭代优化，直到发生收敛并且广义模型能够具备一定的泛化能力从而能够预测看不见的数据。它与常规的优化方法存在很大的区别，在常规的优化方法中，没有预先收集的输入输出对，并且给定目标的优化在某些情况下受某些规则的指导。所提出的集成学习框架在训练完成之后能够精确的正向预测训练集以及训练集之外的超材料结构参数所对应的电磁响应，这个过程不需要设置类似数值模拟计算过程中繁琐的条件。更重要的是，该集成学习框架也能够精确的逆向预测输入电磁响应所对应的超材料几何结构参数，这将简化了传统以经验为导向设计超材料结构的流程，降低了设计所需的时间以及计算资源。整个集成学习框架分成两个部分，在正向预测模型中，输入的是复合超材料吸收器的几何结构参数，然后随机分成若干个小组逐个输入到调整后的XGBoost模型中，之后在输出端进行输出，输出的是与输入结构参数所对应的不同频率点上吸收谱的幅度值。在逆向预测模型中，由于逆向预测的复杂度较高，因此将深度卷积神经网络与调整后的XGBoost模型进行集成，分别给予它们不同的权重，将两者的预测结果加权求和得到最终的预测结果。逆向预测模型将复合超材料吸收器不同频率点上的吸收谱的幅度值作为输入，然后将幅度值分别输入到两个模型之中，两个模型分别输出两组超材料结构参数，之后将这两组结果参数加权求和得到最终预测的超材料结构参数。

图2是基于集成学习的太赫兹复合超材料多带吸收器双向设计过程中的正向设计实例示意图。该正向设计模型的输入是超材料的结构参数用超材料结构示意图表示，因此输入为1行4列的矩阵，经由同质集成回归决策树的XGBoost利用迭代求解残差通过后剪枝的方式进行预测。由于XGBoost中存在着许多可以调整的参数，这步在工程领域中称为调参。采用5折交叉验证的方法逐一调整参数，在调整下一个参数时不改变已经调好的参数，最终得到一组能够使得预测精度达到最高的参数。其中设置基学习器的数量为700,学习率为0.3，回归决策树的最大深度为6，同时采用L1正则化和L2正则化，且分别设定为1.1和1.05，其余参数保持默认。然后由多元回归收集每次预测的结果最后得到预测的不同频率位置吸收谱的幅度值。

从图2可以看出预测的结果无论从频率位置还是吸收峰的幅度上匹配度都非常高，其均方差仅为0.0014，符合设计要求。

图3是逆向设计实例示意图，将两个置信度差别很大的模型集成在一起，一个是与正向设计类似的XGBoost但是内部设定的参数与之不同，同样通过5折交叉验证法逐个调整参数，设置基学习器的数量为800，回归树的最大深度取值范围为5～7，采样率设置为0.95，学习率的取值范围为0.1～0.5，采用L1正则化和L2正则化，正则化系数的取值范围为1～2，回归树叶子节点的最小权重设置为4，其余参数保持默认。另一个是图4为实例的深度神经网络，网络的输入是0.3-2.0THz中不同频率点的吸收幅度值组成一维向量，这里可以根据实际情况选取100～1001点，最后以1001个点收集13000组数据，设定的标签为超材料结构参数。第一层卷积层初步提取特征，设置的卷积核的大小为502×16的一维卷积层，后面连接最大池化层，池化层用矩阵的最大值代替整个矩阵，极大的降低了参数的个数，设定的池化尺寸为252，移动间隔为1，在池化层后紧接批量标准化层，能够自适应的重参数化。之后堆叠5个这样的标准卷积模块提取深层次的特征。最后将卷积网络的运算结果进行展平作为多层感知机的输入。多层感知机由10个隐藏层组成，每一层都采用tanh作为激活函数进行非线性输出。在每个隐藏层之后都加入Dropout层，设置Dropout率的范围根据全连接层的神经元个数取值范围为0.01～0.1，能够随机删除前一隐藏层中1％～10％的神经元，这样能够提升网络的泛化性能。最后一层设置4个神经元的隐藏层作为预测输出。深度神经网络设定的学习率为0.001，采用Adam的优化方法寻找均方误差的最小值，设置的迭代epoch为200,batchsize为64，经过200次后使得整个网络达到最优。

由于存在两个模型，需要分配不同的权重，这个可以通过扫描参数完成，设置XGBoost的权重为W_x那么深度神经网络的权重为1-W_X,因此该实例设定W_x范围为0～1，以间隔为0.01进行分配，然后根据预测结果的平均绝对误差的大小确定权重的值。选取平均绝对误差最小时所对应的权重即为最佳的分配策略。

模型分配最佳策略之后，利用测试集进行验证，得到当深度神经网络的权重为0.522时，此时的MAE为0.1608μm即预测结果与标签值相差仅0.16μm，但是深度神经网络的权重为1时即单独使用神经网络，此时的MAE为0.1946，同样当W_x为1时即单独使用XGBoost，此时的MAE为0.1976。可以看出通过集成方法能够提升预测的精确度和泛化能力。

由以上实例可以看出，这种预测不仅针对于训练数据集之内的参数，对于训练集之外的数据如测试集依然有着极高的准确率。利用这种集成学习方法能够快速正向获得电磁响应和逆向获得超材料结构参数，降低了传统设计超材料的难度及计算资源和时间成本和单独使用深度神经网络设计超材料所要收集训练数据的数量，使得超材料设计变的更加高效。该方法也可以灵活的与更加前沿、学习能力更强的模型进行自由组合以解决更加复杂的任务。

Claims (4)

1.一种太赫兹复合超材料多带吸收器的设计方法，其特征在于，所述太赫兹复合超材料多带吸收器包括金属基底(5)，金属基底(5)上设置有介质层(4)，介质层(4)上方设置有金属正方形环(3)，金属正方形环(3)内部中心位置处设置有金属十字架(1)，金属十字架(1)与金属正方形环(3)之间还设置有金属圆环(2)；所述金属圆环(2)的外径尺寸范围42～46μm，金属圆环(2)的环宽为1～4μm，金属基底(5)与介质层(4)的长宽一致，介质层(4)的厚度比金属基底(5)的厚度多7～8μm,金属正方形环(3)外侧与介质层(4)边缘相距5～9μm，金属圆环(2)外径距离金属正方形环(3)内侧相距10～18μm；所述金属十字架(1)每个十字长边的端部还一体设置有垂直的短边，其中，每个长边的变化随着金属圆环(2)的半径同步变化，变化的范围为7～15.5μm，金属十字架(1)同一侧长边的长加短边的宽的总长度为金属圆环（2）的外环直径的1/2；

具体按照以下步骤实施：

步骤1、建立太赫兹复合超材料多带吸收器的模型，设定频率范围为0.3-2.0THz，频率间隔为0.0016THz，电场方向为X轴方向，磁场方向为Y轴方向，入射电磁波方向为Z轴方向；选定吸收器5个可变参数：分别是超材料吸收器的周期、金属十字架(1)短边的长度、金属十字架(1)长边的2长度、金属圆环(2)的半径和金属正方形环(3)的边长，然后设置扫描范围与扫描间隔，最后通过计算得到由不同频率点的吸收率组成的吸收谱；

步骤2、所述步骤1中的数据收集完成后，将数据进行整理和分析，剔除其中无效的数据，然后将太赫兹复合超材料多带吸收器结构参数与步骤1得到的吸收谱相结合形成一个向量，将该向量作为集成学习模型的输入数据；将输入数据进行划分，其中85％的数据作为训练集，15％的数据作为测试集；

步骤3、利用步骤2得到的训练集对集成学习模型进行训练，双向设计太赫兹复合超材料多带吸收器的集成学习框架，集成学习框架包括前向预测模型FPEM和逆向预测模型IPEM，FPEM的核心是同质集成回归决策树的XGBoost，逆向预测模型IPEM由XGBoost和深度神经网络DNNs组成；由于FPEM与IPEM输入输出的数据不同，需要分别训练3个模型，FPEM输入特征为吸收器的5个可变参数，标签为每组参数对应的吸收谱；IPEM的输入特征为吸收谱，标签为每组吸收谱对应的吸收器的结构参数；然后将两个FPEM和IPEM中的XGBoost模型按照默认参数分别进行训练，对IPEM中的DNNs设置常规的参数进行训练；

步骤4、对步骤3中训练完成的模型利用测试集数据进行测试，FPEM中利用均方差对训练完成的模型在测试集上的表现进行评估，根据评估结果对FPEM中模型的参数反向调整，调整对象为XGBoost中的决策树的数量、每棵决策树的最大深度、学习率、正则化系数、惩罚强度系数；IPEM中利用平均绝对误差分别对训练完成的模型在测试集上的表现进行评估，根据评估结果对IPEM中的XGBoost和DNNs的参数进行反向调整，调整对象为XGBoost中的决策树的数量、每棵决策树的最大深度、学习率、正则化系数、惩罚强度系数和DNNs中的卷积层和全连接层的层数、全连接层中每层神经元的个数、Dropout层的随机抛弃比例、学习率和迭代次数；

步骤5、对步骤4中参数最优的模型进行保存，然后给IPEM中的两个模型分配权重，设置其中的XGBoost的权重为W_X，那么DNNs的权重为1-W_X，将权重视作IPEM中的一个可调的参数，将测试集分别输入到两个模型之中，然后对XGBoost的预测结果和DNNs的预测结果进行加权求和得到IPEM最终的预测输出结果，将最终的预测输出结果与测试集的标签求平均绝对误差，根据平均绝对误差的值对权重W_x进行调整使得平均绝对误差达到最小，最后保存整个IPEM；

步骤6、将步骤4参数最优化的FPEM与步骤5权重最优的IPEM合并构建一个集成学习框架，该框架能够用于复合超材料吸收器的双向设计。

2.根据权利要求1所述的一种太赫兹复合超材料多带吸收器的设计方法，其特征在于，所述步骤3中XGBoost由DART基学习器和多元回归层组成；逆向预测模型IPEM中的XGBoost中的深度神经网络DNNs由两部分组成，第一部分由标准一维卷积网络模块组成，每个标准卷积块包含1个一维卷积层、1个批量标准化层和1个池化层；第二部分是由10个全连接层组成，每层的神经元个数分别是500、500、500、256、128、64、32、16、8、4，最后一层的神经元个数与输入数据集标签个数一致，层与层之间插入能够抛弃神经元的Dropout层，Dropout比例范围是0.01～0.2，每一层都采用tanh作为激活函数，整个DNNs采用Adam作为优化器。

3.根据权利要求2所述的一种太赫兹复合超材料多带吸收器的设计方法，其特征在于，所述深度神经网络的每一层采用的激活函数tanh公式为：

其中，x是每一层的输入数据构成的张量，在DNNs的中代表提取的吸收谱的特征向量,e是自然常数，e^x是指数函数，它的倒数为e^-x,该函数的作用是将线性激活响应转换为非线性映射；

同时采用均方误差作为损失函数，损失函数公式为：

其中，y是输入数据的标签向量，y_i是向量中的第i个元素；

是FPEM预测结果组成的向量模型，

是向量的第i个元素，n是向量中元素的总个数。

4.根据权利要求3所述的一种太赫兹复合超材料多带吸收器的设计方法，其特征在于，所述步骤5最终的预测结果由公式H(z)表示如下：

其中，z代表输入吸收谱特征构成的向量,h_j(z)表示第j个基学习器的预测结果，w_j表示分配给第j个基学习器h_j的权重，w_j≥0且

N代表基学习器的总个数；

预测结果根据平均绝对误差的值进行评判IPEM模型预测的准确性公式为：

其中，y是模型输入数据的标签值组成的向量，向量中元素的总个数为m，y_i是向量中第i个元素，

是IPEM预测的结果组成的向量，它与标签值组成的向量维度和元素个数都相同，

是向量的第i个结果。

Images