CN113205179B - 一种用于介质激光加速的深度学习架构 - Google Patents

一种用于介质激光加速的深度学习架构 Download PDF

Info

Publication number
CN113205179B
CN113205179B CN202110499256.1A CN202110499256A CN113205179B CN 113205179 B CN113205179 B CN 113205179B CN 202110499256 A CN202110499256 A CN 202110499256A CN 113205179 B CN113205179 B CN 113205179B
Authority
CN
China
Prior art keywords
acceleration
deep learning
steps
laser
electric field
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.)
Active
Application number
CN202110499256.1A
Other languages
English (en)
Other versions
CN113205179A (zh
Inventor
宋子豪
张艾霖
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.)
Hunan Taiguan Technology Co ltd
Original Assignee
Hunan Taiguan Technology Co ltd
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 Hunan Taiguan Technology Co ltd filed Critical Hunan Taiguan Technology Co ltd
Priority to CN202110499256.1A priority Critical patent/CN113205179B/zh
Publication of CN113205179A publication Critical patent/CN113205179A/zh
Application granted granted Critical
Publication of CN113205179B publication Critical patent/CN113205179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Particle Accelerators (AREA)
  • Lasers (AREA)

Abstract

本发明公开了一种用于介质激光加速的深度学习架构，涉及核技术系统技术领域，包括以下步骤：步骤一、验设计确定配置参数，包括结构尺寸、分辨率、边界条件、目标函数等，初始化变量，包括光源、电介质材料等，其中物性参数由以往实验获得。基于超材料结构的介质激光加速利用光学超材料调控光的电场分布实现粒子加速的目的，形态复杂，如何找到加速器所需的结构就是本项目的研究重点，近些年来随着人工智能在超材料领域的发展可以解决上述问题，通过AI搜索更广阔的材料和设计空间，利用深度学习设计超材料结构，利用深度学习寻找最优方案，支持大型器件设计，支持任何光源布局，支持任何离子类型，基于工艺约束寻找受限最优方案。

Description

一种用于介质激光加速的深度学习架构
技术领域
本发明涉及核技术领域，具体为一种用于介质激光加速的深度学习架构。
背景技术
介质激光加速的基本原理是利用激光在周期性电介质结构中产生的近场对带电粒子进行加速，现有的解决方案包括光栅结构、光子晶体等，目前在介质激光加速器领域的主要方法是通过反复试验找到合适的结构，这种努力既费时又无效率，而且人工设计的结构对于粒子加速过于简单，难以实现理想的调制效果，超材料可以对光波/微波进行任意操作，实现特定功能，通过设计合适超材料结构，我们能对DLA实现更好的调制效果，满足加速粒子的需求，我们提出一种深度学习架构为介质激光加速设计最优的智能超材料。
发明内容
本发明提供的发明目的在于提供一种用于介质激光加速的深度学习架构，解决上述背景技术中的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种用于介质激光加速的深度学习架构，包括以下步骤：
步骤一、验设计确定配置参数，包括结构尺寸、分辨率、边界条件、目标函数等，初始化变量，包括光源、电介质材料等，其中物性参数由以往实验获得；
步骤二、通过FDFD/FDTD数值模拟方法，生成电介质结构的电磁性能数据；
步骤三、用该数据训练深度生成模型，其中解码器的输入为光源产生的初始电场分布，输出为加速器结构，编码器的输入是加速器结构，输出是目标参数，目标电场分布、能量谱等目标性能参数，深度学习的目标函数是DLA设计目标，离子通道内的加速梯度。
进一步的，根据步骤三中的操作步骤，所述解码器由多个反卷积层构成，生成加速器结构图形。
进一步的，根据步骤三中的操作步骤，所述判别器由深度神经动力学和卷积编码器构成。
进一步的，根据步骤三中的操作步骤，所述卷积编码器用于提取加速器结构几何特征，得到深度神经动力学负责预测其物理性质。
进一步的，根据步骤三中的操作步骤，所述卷基层和反卷基层利用群论等变卷积神经网络提取和生成几何特征。
进一步的，根据步骤一中的操作步骤，所述介质激光加速依靠电介质结构中的周期性来调制电场分布，这种周期性对应群论中的对称性，计算上的实现方式包括表示论中的缠结算子、特征标表，进而实现几何上的等变操作。
进一步的，根据步骤三中的操作步骤，所述构建由解码器和判别器组成的深度生成模型，所述解码器根据初始电场分布生成加速器结构图形，所述判别器判定其好坏。
进一步的，根据步骤一中的操作步骤，所述光源为激光，且激光在超材料结构中的振荡导致电场的相位变化，如果针对相对论的电子束，其结构和激光的入射可以一直保持不变，电子束加速过程的模拟和计算包括加速梯度、加速效率、空间电荷效应(束团极小，高速电子空间电荷效应依然无法忽略)、束-束作用、束团通过介质带来的尾场效应以及聚焦效应等。
进一步的，根据步骤二中的操作步骤，所述FDFD算法进行模拟计算，训练过程中我们只考虑低阶模的作用。
进一步的，根据步骤二中的操作步骤，所述FDTD算法进行全局模拟，考虑高阶模和电子束的影响。
本发明提供了一种用于介质激光加速的深度学习架构。具备以下有益效果：
基于超材料结构的介质激光加速利用光学超材料调控光的电场分布实现粒子加速的目的，超材料结构种类繁多，形态复杂，如何找到加速器所需的结构就是本项目的研究重点，近些年来随着人工智能在超材料领域的发展可以解决上述问题，通过AI搜索更广阔的材料和设计空间，利用深度学习设计超材料结构，可使超材料的设计流程由人工实验转向机器学习，利用深度学习寻找最优方案，支持大型器件设计，支持任何光源布局，支持任何离子类型，基于工艺约束寻找受限最优方案。
附图说明
图1为本发明一种用于介质激光加速的深度学习架构的架构示意图；
图2为本发明一种用于介质激光加速的深度学习架构的加速结构示意图；
图3为本发明一种用于介质激光加速的深度学习架构的超构表面加速场强示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面结合附图与实施例对本发明作进一步说明：
请参阅图1-3，本发明提供一种技术方案：一种用于介质激光加速的深度学习架构，包括以下步骤：
步骤一、验设计确定配置参数，包括结构尺寸、分辨率、边界条件、目标函数等，初始化变量，包括光源、电介质材料等，其中物性参数由以往实验获得；
步骤二、通过FDFD/FDTD数值模拟方法，生成电介质结构的电磁性能数据；
步骤三、用该数据训练深度生成模型，其中解码器的输入为光源产生的初始电场分布，输出为加速器结构，编码器的输入是加速器结构，输出是目标参数，目标电场分布、能量谱等目标性能参数，深度学习的目标函数是DLA设计目标，离子通道内的加速梯度。
具体的，根据步骤三中的操作步骤，解码器由多个反卷积层构成，生成加速器结构图形。
具体的，根据步骤三中的操作步骤，判别器由深度神经动力学和卷积编码器构成，编码器学习目标为：
Figure GSB0000200985030000031
判别器的学习目标为：
Figure GSB0000200985030000032
具体的，根据步骤三中的操作步骤，卷积编码器用于提取加速器结构几何特征，得到深度神经动力学负责预测其物理性质。
具体的，根据步骤三中的操作步骤，卷基层和反卷基层利用群论等变卷积神经网络提取和生成几何特征。
具体的，根据步骤一中的操作步骤，介质激光加速依靠电介质结构中的周期性来调制电场分布，这种周期性对应群论中的对称性，计算上的实现方式包括表示论中的缠结算子、特征标表，进而实现几何上的等变操作，真空中带电粒子的加速通常需要一个与粒子速度平行并相位同步的电场，只有非常特殊的几何形状和边界条件才能拥有净的加速度，介质加速(超材料)结构的主要设计原则就是通过设计特定的超材料结构，能够将激光在超材料结构表面现在特定的电场以及特定相位，为了设计出最优的介质激光加速微纳结构，我们采用物理深度学习、深度生成模型、几何深度学习方法对超材料的结构参数进行优化。
具体的，根据步骤三中的操作步骤，构建由解码器和判别器组成的深度生成模型，解码器根据初始电场分布生成加速器结构图形，判别器判定其好坏。
具体的，根据步骤一中的操作步骤，光源为激光，且激光在超材料结构中的振荡导致电场的相位变化，如果针对相对论的电子束，其结构和激光的入射可以一直保持不变，电子束加速过程的模拟和计算包括加速梯度、加速效率、空间电荷效应(束团极小，高速电子空间电荷效应依然无法忽略)、束-束作用、束团通过介质带来的尾场效应以及聚焦效应等，将DLA设计问题视为最优控制问题：
Figure GSB0000200985030000041
Figure GSB0000200985030000042
具体的，根据步骤二中的操作步骤，FDFD算法进行模拟计算，训练过程中我们只考虑低阶模的作用。
具体的，根据步骤二中的操作步骤，FDTD算法进行全局模拟，考虑高阶模和电子束的影响，微纳加工中的工艺约束包括器件尺寸、特征尺寸，本系统采用卷积神经网络进行图形处理，可适应不同尺寸的图形，并根据微纳加工制程需求制定离散化方案，例如针对100纳米制程，我们先在FDFD/FDTD模拟中设定像素大小，那么模拟器生成的图像中一个像素(或体素)代表100平方纳米(或立方纳米)，深度学习在像素(或体素)层面进行计算，基于像素大小的限制寻找最优方案，后处理过程中可以采用主流图像降噪算法对图形进行平滑处理，对最终结果影响不大。
以上的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：
S1、验设计确定配置参数，包括结构尺寸、分辨率、边界条件、目标函数，初始化变量，包括光源、电介质材料，其中物性参数由以往实验获得；
S2、通过FDFD/FDTD数值模拟方法，生成电介质结构的电磁性能数据；
S3、用S2中得到的电磁性能数据训练深度生成模型，其中解码器的输入为光源产生的初始电场分布，输出为加速器结构，编码器的输入是加速器结构，输出是目标参数，目标电场分布、能量谱目 标性能参数，深度学习的目标函数是DLA设计目标，离子通道内的加速梯度；所述解码器由多个反卷积层构成，生成加速器结构图形；
根据S3中的操作步骤，还包括判别器，所述判别器由深度神经动力学和卷积编码器构成；
根据S3中的操作步骤，所述卷积编码器用于提取加速器结构几何特征，得到深度神经动力学负责预测其物理性质；
根据S3中的操作步骤，所述解码器和判别器组成的深度生成模型得到构建，所述解码器根据初始电场分布生成加速器结构图形，所述判别器判定其好坏。
2.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：根据S3中的操作步骤，卷积层和反卷积层利用群论等变卷积神经网络提取和生成几何特征。
3.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：根据S1中的操作步骤，所述介质激光加速依靠电介质结构中的周期性来调制电场分布，这种周期性对应群论中的对称性，计算上的实现方式包括表示论中的缠结算子、特征标表，进而实现几何上的等变操作。
4.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：根据S1中的操作步骤，所述光源为激光，且激光在超材料结构中的振荡导致电场的相位变化，如果针对相对论的电子束，其结构和激光的入射一直保持不变，电子束加速过程的模拟和计算包括加速梯度、加速效率、空间电荷效应、束-束作用、束团通过介质带来的尾场效应以及聚焦效应。
5.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：根据S2中的操作步骤，所述FDFD算法进行模拟计算，训练过程中我们只考虑低阶模的作用。
6.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：根据S2中的操作步骤，所述FDTD算法进行全局模拟，考虑高阶模和电子束的影响。
CN202110499256.1A 2021-05-08 2021-05-08 一种用于介质激光加速的深度学习架构 Active CN113205179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110499256.1A CN113205179B (zh) 2021-05-08 2021-05-08 一种用于介质激光加速的深度学习架构

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110499256.1A CN113205179B (zh) 2021-05-08 2021-05-08 一种用于介质激光加速的深度学习架构

Publications (2)

Publication Number Publication Date
CN113205179A CN113205179A (zh) 2021-08-03
CN113205179B true CN113205179B (zh) 2023-04-07

Family

ID=77030350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110499256.1A Active CN113205179B (zh) 2021-05-08 2021-05-08 一种用于介质激光加速的深度学习架构

Country Status (1)

Country Link
CN (1) CN113205179B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236187B (zh) * 2023-09-28 2024-03-19 中国科学院大学 一种深度学习加速器芯片的参数化设计方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767678A (zh) * 2020-07-06 2020-10-13 桂林电子科技大学 基于深度学习神经网络的超材料电磁感应透明器件的结构按需设计方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109783910B (zh) * 2018-12-29 2020-08-28 西安交通大学 一种利用生成对抗网络加速的结构优化设计方法
CN109600904B (zh) * 2019-01-08 2020-03-06 惠州学院 半导体激光加速器及其激光加速单元
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
CN110110398B (zh) * 2019-04-19 2023-05-12 西安工程大学 一种基于卷积自编码器的超表面自动设计方法
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767678A (zh) * 2020-07-06 2020-10-13 桂林电子科技大学 基于深度学习神经网络的超材料电磁感应透明器件的结构按需设计方法

Also Published As

Publication number Publication date
CN113205179A (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
Elsen et al. Fast sparse convnets
Lym et al. Prunetrain: fast neural network training by dynamic sparse model reconfiguration
Ding et al. Global sparse momentum sgd for pruning very deep neural networks
Cao et al. Graph representation of 3D CAD models for machining feature recognition with deep learning
CN113205179B (zh) 一种用于介质激光加速的深度学习架构
Tanaka et al. Reservoir computing with diverse timescales for prediction of multiscale dynamics
CN108763708B (zh) 基于深度学习设计多波束多极化人工电磁表面的方法
Sexton et al. Nyx: A massively parallel amr code for computational cosmology
Yang et al. Non-uniform dnn structured subnets sampling for dynamic inference
CN115329628A (zh) 一种基于局部网格自适应剖分的电磁辐射仿真分析方法
Xuan et al. High performance FPGA embedded system for machine learning based tracking and trigger in sPhenix and EIC
CN117195732A (zh) 一种基于深度学习的超表面的智能设计方法
Liu et al. SuperPruner: automatic neural network pruning via super network
Copplestone et al. Complex-frequency shifted PMLs for Maxwell’s equations with hyperbolic divergence cleaning and their application in particle-in-cell codes
WO2024049492A2 (en) Tunable system designs for dynamic metamaterial
CN116054955A (zh) 一种基于相干检测的涡旋光模式识别装置、方法及程序
Hoque et al. CaloQVAE: Simulating high-energy particle-calorimeter interactions using hybrid quantum-classical generative models
CN113625379B (zh) 一种菲涅尔波带片的设计方法、制作方法和设计装置
Kissami et al. Manapy: MPI-Based framework for solving partial differential equations using finite-volume on unstructured-grid
Grasseau et al. Deployment of a Matrix Element Method code for the ttH channel analysis on GPU’s platform
Boltz et al. More Sample-Efficient Tuning of Particle Accelerators with Bayesian Optimization and Prior Mean Models
Berendeev et al. Supercomputer Modeling of Generation of Electromagnetic Radiation by Beam–Plasma Interaction
CN118551630B (zh) 一种结构网格频域电磁场网格序列加速有限体积方法
Huang et al. Freeform grayscale electromagnetic metamaterials
Kudryashova et al. Simulation of Emission Processes in Strong Electromagnetic Fields

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