CN113793656B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113793656B CN113793656B CN202111324365.6A CN202111324365A CN113793656B CN 113793656 B CN113793656 B CN 113793656B CN 202111324365 A CN202111324365 A CN 202111324365A CN 113793656 B CN113793656 B CN 113793656B
- Authority
- CN
- China
- Prior art keywords
- micro
- neural network
- network model
- nano particle
- particle system
- 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
Links
Images
Classifications
-
- 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
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明属于计算材料科学领域,提供了一种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。该方法包括,根据所研究微纳米颗粒体系确定已知几何结构参数;基于所述已知几何结构参数采用训练好的双向神经网络模型,得到预测的颜色信息和反向设计微纳米颗粒体系的几何结构参数;所述双向神经网络模型包括:正向神经网络模型和反向神经网络模型;所述正向神经网络模型根据所述已知几何结构参数,预测微纳米颗粒体系的颜色信息;所述反向神经网络模型根据所述预测微纳米颗粒体系的颜色信息,得到反向设计微纳米颗粒体系的几何结构参数。本发明实现了预测微纳米颗粒体系的结构色和反向设计微纳米颗粒体系的几何结构参数。
Description
技术领域
本发明属于计算材料科学领域,尤其涉及一种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。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
由纳米或亚微米尺寸结构产生的结构色凭借其永不褪色、可调性、抗漂白性和无毒等特点以及特殊的光学性质,在彩色显示、彩色印刷、高性能器件和生物医学成像等领域得到了广泛应用。一般来说,微纳结构色光子结构可分为有序光子结构和无序光子结构。周期性有序光子结构凭借布拉格衍射效应产生的颜色具有虹彩特征,但其色彩往往强烈依赖于视角,因此限制了其在很多领域中的应用。相比之下,由金属和介电微纳米颗粒组成的无序微纳米材料体系可以产生高分辨率且与视角无关的结构色,因此在颜料、显示和光电器件等与色彩相关的领域中具有更广阔的应用前景。
微纳米颗粒体系产生的结构色取决于颗粒的种类、粒径、体积分数以及所处背景环境的介电特性等因素。因此,通过调整上述参数获得相应的透射光谱、反射光谱,微纳米颗粒体系可以呈现出不同的结构色特征。然而,微纳米颗粒体系结构色的设计过程往往基于试错法,需要事先的经验和直觉,也需要大量的时间和计算成本。尽管目前已发展了多种优化策略和设计方法以提高设计效率,如粒子群算法、拓扑优化等,但随着微纳米颗粒体系功能和复杂度的提高,传统的设计和优化方法仍面临很多难题。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种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,其不仅可以根据几何结构参数快速、精确地预测微纳米颗粒体系的结构色,还可以根据预期颜色信息高效地反向设计微纳米颗粒体系的几何结构参数。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种微纳米颗粒体系结构色的正向预测和反向设计方法。
微纳米颗粒体系结构色的正向预测和反向设计方法,包括:
根据所研究微纳米颗粒体系确定已知几何结构参数;
基于所述已知几何结构参数采用训练好的双向神经网络模型,得到预测的颜色信息和反向设计微纳米颗粒体系的几何结构参数;
所述双向神经网络模型包括:正向神经网络模型和反向神经网络模型;
所述正向神经网络模型根据所述已知几何结构参数,预测微纳米颗粒体系的颜色信息;
所述反向神经网络模型根据所述预测微纳米颗粒体系的颜色信息,得到反向设计微纳米颗粒体系的几何结构参数。
进一步地,所述双向神经网络模型训练的过程包括:正向神经网络模型训练的过程和反向神经网络模型训练的过程。
进一步地,所述正向神经网络模型训练的过程包括:
根据所研究微纳米颗粒体系确定已知几何结构参数和微纳米颗粒体系的已知颜色信息;
根据所述已知几何结构参数,采用正向神经网络模型,预测微纳米颗粒体系的颜色信息;
根据所述已知颜色信息和所述颜色信息优化正向神经网络模型的超参数,得到训练好的正向神经网络模型。
进一步地,所述根据所研究微纳米颗粒体系确定已知几何结构参数和微纳米颗粒体系的已知颜色信息的过程包括:
根据所研究微纳米颗粒体系确定已知几何结构参数;
基于所述已知几何结构参数、微纳米颗粒的复折射率以及微纳米颗粒所处背景介质的复折射率,确定微纳米颗粒的光学特性;
基于所述微纳米颗粒的光学特性结合所述已知几何结构参数,确定悬浮液平板模型的光谱透射率和光谱反射率;
将所述悬浮液平板模型的光谱透射率和光谱反射率转化为微纳米颗粒体系的已知颜色信息;
所述所研究微纳米颗粒体系为,微纳米颗粒分布于溶液中形成混悬液后,将所述混悬液置于比色皿内形成一个悬浮液平板模型。
进一步地,所述已知几何结构参数包括:微纳米颗粒的半径、体积分数和混悬液平板模型的厚度。
进一步地,所述微纳米颗粒的光学特性包括:衰减因子、散射因子和散射相函数。
进一步地,所述优化正向神经网络模型的超参数的过程包括:
根据所述已知颜色信息与所述颜色信息的均方误差,构建第一损失函数;
以第一损失函数最小化为目标,训练所述正向神经网络模型,使所述已知颜色信息与所述颜色信息之间的色差最小化;
根据第一损失函数更新正向神经网络模型中各层的权重和偏差,并调整正向神经网络模型的超参数。
进一步地,所述反向神经网络模型训练的过程包括:
根据所研究微纳米颗粒体系确定微纳米颗粒体系的已知颜色信息;
根据所述已知颜色信息,采用反向神经网络模型,反向设计微纳米颗粒体系的几何结构参数;
根据所述已知颜色信息和所述正向神经网络模型得到的所述颜色信息优化反向神经网络模型的超参数,得到训练好的反向神经网络模型。
进一步地,所述优化反向神经网络模型的超参数的过程包括:
根据所述已知颜色信息与所述颜色信息的均方误差,构建第一损失函数;
以第一损失函数最小化为目标,训练所述反向神经网络模型,使所述已知颜色信息与所述颜色信息之间的色差最小化;
根据第一损失函数更新反向神经网络模型中各层的权重和偏差,并调整反向神经网络模型的超参数。
本发明的第二个方面提供一种微纳米颗粒体系结构色的正向预测和反向设计系统。
微纳米颗粒体系结构色的正向预测和反向设计系统,包括:
获取模块,其被配置为:根据所研究微纳米颗粒体系确定已知几何结构参数;
正向预测和反向设计模块,其被配置为:基于所述已知几何结构参数采用训练好的双向神经网络模型,得到预测的颜色信息和反向设计微纳米颗粒体系的几何结构参数;
模型构建模块,其被配置为:所述双向神经网络模型包括:正向神经网络模型和反向神经网络模型;所述正向神经网络模型根据所述已知几何结构参数,预测微纳米颗粒体系的颜色信息;所述反向神经网络模型根据所述预测微纳米颗粒体系的颜色信息,得到反向设计微纳米颗粒体系的几何结构参数。
与现有技术相比,本发明的有益效果是:
本发明针对微纳米颗粒体系结构色的设计过程通常基于试错法,需要事先的经验和直觉,也需要大量的时间和计算成本等问题,设计了一种基于双向神经网络的微纳米颗粒体系结构色的正向预测和反向设计方法。该双向神经网络模型由一个反向神经网络和一个提前建立并完成训练的正向神经网络共同组成,可同时实现给定几何结构参数精确预测颜色信息,以及给定颜色信息高效反向设计几何结构参数。
本发明采用的双向神经网络模型由一个反向神经网络模型和一个预先训练的正向神经网络模型组成,不仅可以克服结构色反向设计过程中的多值性问题,还可以发现训练集之外新的几何结构信息。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明所述微纳米颗粒体系结构色正向预测和反向设计方法的流程图;
图2是本发明所述正向神经网络模型的示意图;
图3是本发明所述双向神经网络模型的示意图;
图4是具体实施方式中根据本发明提出的正向神经网络模型给定几何结构参数预测微纳米颗粒体系的颜色信息与目标颜色的对比结果;
图5是具体实施方式中根据本发明提出的双向神经网络模型反向设计微纳米颗粒体系的几何结构参数、透射光谱和颜色信息的对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
本实施例提供了一种微纳米颗粒体系结构色的正向预测和反向设计方法。
一种微纳米颗粒体系结构色的正向预测和反向设计方法,包括:
根据所研究微纳米颗粒体系确定已知几何结构参数;
基于所述已知几何结构参数采用训练好的双向神经网络模型,得到预测的颜色信息和反向设计微纳米颗粒体系的几何结构参数;
所述双向神经网络模型包括:正向神经网络模型和反向神经网络模型;
所述正向神经网络模型根据所述已知几何结构参数,预测微纳米颗粒体系的颜色信息;
所述反向神经网络模型根据所述预测微纳米颗粒体系的颜色信息,得到反向设计微纳米颗粒体系的几何结构参数。
本实施例的具体方案如图1所示,该方法包括以下步骤:
步骤1:建立数据集,具体包括以下步骤:
步骤1.1:根据所研究微纳米颗粒体系(以单分散球形或类球形金纳米颗粒随机分布于水中形成的混悬液为例,将混悬液置于比色皿内形成一个平板模型)确定相关几何结构参数,包括微纳米颗粒的半径r、体积分数f v和混悬液平板模型的厚度L;
步骤1.2:根据微纳米颗粒的半径r和复折射率(i为虚数单位,n p为颗粒的折射率,为颗粒的吸收指数),以及颗粒所处背景介质的复折射率(n h为背景介质的折射率,为背景介质的吸收指数),基于Lorenz-Mie理论计算得到360~830nm波长范围内单个颗粒的光学特性,包括衰减因子、散射因子和散射相函数;结合颗粒的体积分数f v,基于独立散射近似,进一步计算得到微纳米颗粒体系的光学特性,包括衰减系数、散射系数和散射相函数:
步骤1.3:已知微纳米颗粒体系的光学特性和混悬液平板模型结构参数(厚度L),同时考虑界面的反射和折射作用,通过求解辐射传递方程(RTE)可获得平板模型的光谱透射率和光谱反射率。其中,辐射传递方程如下:
式中,是位置s、传递方向上的光谱辐射强度,是光谱黑体辐射强度,是立体角,为其他散射方向。利用蒙特卡洛(Monte Carlo)方法求解辐射传递方程可计算得到360~830nm波长范围内悬浮液平板模型的光谱透射率和光谱反射率:
式中,N 0为入射的总光子数,N r 和N t 分别为平板模型反射方向对应半球空间和透射方向对应半球空间接收到的总光子数。
步骤1.4:利用得到的光谱透射率和光谱反射率数据,基于国际照明委员会CIE1931-XYZ色彩空间和CIE1976-Lab色度空间,将光谱反射率和透射率数据转化为微纳米颗粒体系的颜色信息,包括三刺激值X、Y和Z,以及L、a和b。其中,三刺激值X、Y和Z计算如下:
式中,对于标准D65光源入射和2°标准色度观察者,X n = 95.049,Y n = 100和Z n =108.891,f是一个函数,其表达式为:
最终,得到用于双向神经网络训练的数据集,包括微纳米颗粒体系的几何结构参数(r、f v、L)和颜色信息(L、a、b),并按照一定比例将数据集分为训练集、验证集和测试集。
步骤2:建立正向神经网络模型,实现给定微纳米颗粒体系的几何结构参数,快速和精确地预测微纳米颗粒体系的颜色信息,具体包括以下步骤:
步骤2.1:进行数据预处理,将几何结构参数和颜色信息参数进行归一化处理,使得各参数的范围落在(0,1)之间,以加快神经网络的训练速度。以微纳米颗粒体系的几何结构参数(r、f v、L)为输入参数,微纳米颗粒体系的颜色信息(L、a、b)为输出参数,搭建正向神经网络模型,其架构如图2所示,具体包括输入层、多个全连接隐藏层、ReLU激活函数和输出层。损失函数为正向神经网络模型预测的颜色信息(L predicted、a predicted、b predicted)和真实颜色信息(L true、a true、b true)的均方误差MSE:
因此,通过最小化损失函数可同时实现预测颜色和真实颜色的色差的最小化。
步骤2.2:初始化正向神经网络模型中的输入层、隐藏层、输出层各层的权重和偏差。将训练集中的几何结构参数输入到正向神经网络模型,得出预测的颜色信息,并结合真实的颜色信息计算得到损失函数。训练目标为损失函数的最小化,即预测颜色信息和真实颜色信息的色差的最小化。根据Adam梯度下降算法最小化损失函数并通过后向传播不断更新神经网络中的权重和偏差;
步骤2.3:利用验证集数据,进一步调整正向神经网络模型的超参数,并检验神经网络模型的训练效果。通过不断优化正向神经网络模型的结构参数,包括层数、神经元数量等,使得训练集和验证集的损失函数最小化,得到优化后的正向神经网络模型。最终,利用测试集数据,检验正向神经网络模型对微纳米颗粒体系结构色预测结果的准确性和泛化能力。
步骤3:建立反向神经网络模型,结合已经训练完成的正向神经网络模型,进一步建立双向神经网络模型,如图3所示。实现给定微纳米颗粒体系的颜色信息,高效准确地预测微纳米颗粒体系的几何结构参数,具体包括以下步骤:
步骤3.1:以微纳米颗粒体系的颜色信息(L、a、b)为输入参数,微纳米颗粒体系的几何结构参数(r、f v、L)为输出参数,搭建反向神经网络模型,具体包括输入层、多个全连接隐藏层、ReLU激活函数和输出层;
步骤3.2:将步骤2建立的正向神经网络模型与反向神经网络模型串联起来,形成一个双向神经网络模型。其中,反向神经网络模型的输出参数(r、f v、L)作为正向神经网络模型的输入参数(r、f v、L),其架构如图3所示。根据已训练完成的正向神经网络模型,快速得出预测的颜色信息。将正向网络模型预测的颜色信息和反向神经网络模型输入的颜色信息(L true、a true、b true)的均方误差MSE作为双向神经网络模型(或反向神经网络模型)的损失函数:
式中,N为数据样本的数量。
步骤3.3:正向神经网络模型中的结构和权重等参数保持不变。初始化双向(反向)神经网络模型中的输入层、隐藏层、输出层各层之间的权值和阈值。与正向网络模型训练过程类似,利用损失函数的后向传播不断更新双向神经网络中的权重和偏差,使得损失函数最小化。利用训练集和验证集,不断优化双向神经网络模型的超参数,并检验双向神经网络模型的训练效果。最终,利用测试集数据,检验双向神经网络模型预测结果的准确性和泛化能力。
采用以下实施例验证本发明的有益效果:
以单分散球形或类球形金纳米颗粒随机分布于水中形成的混悬液为研究对象,将混悬液置于比色皿内形成一个平板模型。选择金纳米颗粒体系的几何结构参数(r、f v、L)和金纳米颗粒体系对应平板模型透射光的颜色信息(L、a、b)为数据集进行训练。其中,颗粒的粒径范围设置为5~100 nm,间隔为5 nm,共20组;颗粒的体积分数范围设置为,间隔为,共30组;平板模型的厚度范围设置为0.5~10 mm,间隔0.5 mm,共20组。按照步骤1建立包含组几何结构参数和颜色信息的数据集。
将12000组数据集并按照8:1:1的比例分为训练集、验证集和测试集。以金纳米颗粒体系的几何结构参数(r、f v、L)作为输入参数,金纳米颗粒体系的颜色信息(L、a、b)作为输出参数,首先按照步骤2建立正向神经网络模型。通过最小化损失函数和不断优化网络模型结构,最终建立的正向神经网络模型包含3个隐藏层,每个隐藏层包含200个神经元,模型预测颜色信息的精度可达到99.83%。图4是根据本实施例提出的正向神经网络模型给定几何结构参数预测微纳米颗粒体系的颜色信息与目标颜色的对比结果。从图4中可看出,正向神经网络模型预测的颜色信息和目标颜色信息高度吻合,色差很小,可达到人类的颜色辨别能力也很难分辨的程度(一般为色差)。
按照步骤3建立双向神经网络模型。该模型由反向神经网络模型和步骤2建立的正向神经网络模型组成。通过不断优化网络模型结构最小化损失函数,最终建立的反向神经网络模型包含4个隐藏层,每个隐藏层包含100个神经元。双向神经网络模型反向设计的几何结构对应的颜色信息的精度可达到98.5%。图5为根据本发明提出的双向神经网络模型反向设计的微纳米颗粒体系的几何结构参数、透射光谱和颜色信息的对比图。从图5中可看出,反向设计的几何结构模型对应的颜色信息和透射光谱与目标值高度吻合,同时反向设计的几何结构参数与目标几何结构参数显著不同。
以上实例的结果表明,本发明的方法不仅能够根据给定几何结构参数精确预测微纳米颗粒体系的颜色信息,还可以克服结构色反向设计过程中的多值性问题,发现训练集之外新的几何结构信息。
实施例二
本实施例提供了一种微纳米颗粒体系结构色的正向预测和反向设计系统。
微纳米颗粒体系结构色的正向预测和反向设计系统,包括:
获取模块,其被配置为:根据所研究微纳米颗粒体系确定已知几何结构参数;
正向预测和反向设计模块,其被配置为:基于所述已知几何结构参数采用训练好的双向神经网络模型,得到预测的颜色信息和反向设计微纳米颗粒体系的几何结构参数;
模型构建模块,其被配置为:所述双向神经网络模型包括:正向神经网络模型和反向神经网络模型;所述正向神经网络模型根据所述已知几何结构参数,预测微纳米颗粒体系的颜色信息;所述反向神经网络模型根据所述预测微纳米颗粒体系的颜色信息,得到反向设计微纳米颗粒体系的几何结构参数。
此处需要说明的是,上述获取模块、正向预测和反向设计模块和模型构建模块与实施例一中的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.微纳米颗粒体系结构色的正向预测和反向设计方法,其特征在于,包括:
根据所研究微纳米颗粒体系确定已知几何结构参数;
基于所述已知几何结构参数采用训练好的双向神经网络模型,得到预测的颜色信息和反向设计微纳米颗粒体系的几何结构参数;
所述双向神经网络模型包括:正向神经网络模型和反向神经网络模型;
所述正向神经网络模型根据所述已知几何结构参数,预测微纳米颗粒体系的颜色信息;
所述反向神经网络模型根据所述预测微纳米颗粒体系的颜色信息,得到反向设计微纳米颗粒体系的几何结构参数;
所述根据所述已知几何结构参数,预测微纳米颗粒体系的颜色信息的过程包括:
根据所研究微纳米颗粒体系确定已知几何结构参数;
基于所述已知几何结构参数、微纳米颗粒的复折射率以及微纳米颗粒所处背景介质的复折射率,确定微纳米颗粒的光学特性;
所述所研究微纳米颗粒体系为,微纳米颗粒分布于溶液中形成混悬液后,将所述混悬液置于比色皿内形成一个悬浮液平板模型;
所述已知几何结构参数包括:微纳米颗粒的半径、体积分数和混悬液平板模型的厚度。
2.根据权利要求1所述的微纳米颗粒体系结构色的正向预测和反向设计方法,其特征在于,所述双向神经网络模型训练的过程包括:正向神经网络模型训练的过程和反向神经网络模型训练的过程。
3.根据权利要求2所述的微纳米颗粒体系结构色的正向预测和反向设计方法,其特征在于,所述正向神经网络模型训练的过程包括:
根据所研究微纳米颗粒体系确定已知几何结构参数和微纳米颗粒体系的已知颜色信息;
根据所述已知几何结构参数,采用正向神经网络模型,预测微纳米颗粒体系的颜色信息;
根据所述已知颜色信息和所述颜色信息优化正向神经网络模型的超参数,得到训练好的正向神经网络模型。
4.根据权利要求3所述的微纳米颗粒体系结构色的正向预测和反向设计方法,其特征在于,所述根据所研究微纳米颗粒体系确定已知几何结构参数和微纳米颗粒体系的已知颜色信息的过程包括:
根据所研究微纳米颗粒体系确定已知几何结构参数;
基于所述已知几何结构参数、微纳米颗粒的复折射率以及微纳米颗粒所处背景介质的复折射率,确定微纳米颗粒的光学特性;
基于所述微纳米颗粒的光学特性结合所述已知几何结构参数,确定悬浮液平板模型的光谱透射率和光谱反射率;
将所述悬浮液平板模型的光谱透射率和光谱反射率转化为微纳米颗粒体系的已知颜色信息;
所述所研究微纳米颗粒体系为,微纳米颗粒分布于溶液中形成混悬液后,将所述混悬液置于比色皿内形成一个悬浮液平板模型。
5.根据权利要求4所述的微纳米颗粒体系结构色的正向预测和反向设计方法,其特征在于,所述微纳米颗粒的光学特性包括:衰减因子、散射因子和散射相函数。
6.根据权利要求3所述的微纳米颗粒体系结构色的正向预测和反向设计方法,其特征在于,所述优化正向神经网络模型的超参数的过程包括:
根据所述已知颜色信息与所述颜色信息的均方误差,构建第一损失函数;
以第一损失函数最小化为目标,训练所述正向神经网络模型,使所述已知颜色信息与所述颜色信息之间的色差最小化;
根据第一损失函数更新正向神经网络模型中各层的权重和偏差,并调整正向神经网络模型的超参数。
7.根据权利要求2所述的微纳米颗粒体系结构色的正向预测和反向设计方法,其特征在于,所述反向神经网络模型训练的过程包括:
根据所研究微纳米颗粒体系确定微纳米颗粒体系的已知颜色信息;
根据所述已知颜色信息,采用反向神经网络模型,反向设计微纳米颗粒体系的几何结构参数;
根据所述已知颜色信息和所述正向神经网络模型得到的所述颜色信息优化反向神经网络模型的超参数,得到训练好的反向神经网络模型。
8.根据权利要求7所述的微纳米颗粒体系结构色的正向预测和反向设计方法,其特征在于,所述优化反向神经网络模型的超参数的过程包括:
根据所述已知颜色信息与所述颜色信息的均方误差,构建第一损失函数;
以第一损失函数最小化为目标,训练所述反向神经网络模型,使所述已知颜色信息与所述颜色信息之间的色差最小化;
根据第一损失函数更新反向神经网络模型中各层的权重和偏差,并调整反向神经网络模型的超参数。
9.微纳米颗粒体系结构色的正向预测和反向设计系统,其特征在于,包括:
获取模块,其被配置为:根据所研究微纳米颗粒体系确定已知几何结构参数;
正向预测和反向设计模块,其被配置为:基于所述已知几何结构参数采用训练好的双向神经网络模型,得到预测的颜色信息和反向设计微纳米颗粒体系的几何结构参数;
模型构建模块,其被配置为:所述双向神经网络模型包括:正向神经网络模型和反向神经网络模型;所述正向神经网络模型根据所述已知几何结构参数,预测微纳米颗粒体系的颜色信息;所述反向神经网络模型根据所述预测微纳米颗粒体系的颜色信息,得到反向设计微纳米颗粒体系的几何结构参数;
所述根据所述已知几何结构参数,预测微纳米颗粒体系的颜色信息的过程包括:
根据所研究微纳米颗粒体系确定已知几何结构参数;
基于所述已知几何结构参数、微纳米颗粒的复折射率以及微纳米颗粒所处背景介质的复折射率,确定微纳米颗粒的光学特性;
所述所研究微纳米颗粒体系为,微纳米颗粒分布于溶液中形成混悬液后,将所述混悬液置于比色皿内形成一个悬浮液平板模型;
所述已知几何结构参数包括:微纳米颗粒的半径、体积分数和混悬液平板模型的厚度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324365.6A CN113793656B (zh) | 2021-11-10 | 2021-11-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324365.6A CN113793656B (zh) | 2021-11-10 | 2021-11-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113793656A CN113793656A (zh) | 2021-12-14 |
CN113793656B true CN113793656B (zh) | 2022-02-18 |
Family
ID=78955111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324365.6A Active CN113793656B (zh) | 2021-11-10 | 2021-11-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113793656B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710381A (zh) * | 2022-04-01 | 2022-07-05 | 中国人民解放军国防科技大学 | 信道容量估计方法、装置、设备及介质 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108287378A (zh) * | 2018-01-04 | 2018-07-17 | 复旦大学 | 透明复合光子晶体材料及其制备方法和应用 |
CN110443860A (zh) * | 2019-08-03 | 2019-11-12 | 南京戎智信息创新研究院有限公司 | 一种利用人工智能实现颜色对结构色设计的方法 |
CN110826289A (zh) * | 2019-10-29 | 2020-02-21 | 中国地质大学(武汉) | 一种基于深度学习的纳米结构设计方法 |
CN111829959A (zh) * | 2020-07-22 | 2020-10-27 | 山东大学 | 一种基于椭偏/透射联合测量液体光学常数的方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103288492B (zh) * | 2013-05-29 | 2014-10-01 | 陕西科技大学 | 一种红色光子晶体结构色釉的制备方法 |
US10280626B2 (en) * | 2014-08-25 | 2019-05-07 | Andreas Hieke | Composite materials with tailored electromagnetic spectral properties, structural elements for enhanced thermal management, and methods for manufacturing thereof |
CN112926157B (zh) * | 2021-03-10 | 2023-06-27 | 中国计量大学 | 一种基于神经网络的光栅滤光片结构优化方法 |
-
2021
- 2021-11-10 CN CN202111324365.6A patent/CN113793656B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108287378A (zh) * | 2018-01-04 | 2018-07-17 | 复旦大学 | 透明复合光子晶体材料及其制备方法和应用 |
CN110443860A (zh) * | 2019-08-03 | 2019-11-12 | 南京戎智信息创新研究院有限公司 | 一种利用人工智能实现颜色对结构色设计的方法 |
CN110826289A (zh) * | 2019-10-29 | 2020-02-21 | 中国地质大学(武汉) | 一种基于深度学习的纳米结构设计方法 |
CN111829959A (zh) * | 2020-07-22 | 2020-10-27 | 山东大学 | 一种基于椭偏/透射联合测量液体光学常数的方法及系统 |
Non-Patent Citations (4)
Title |
---|
A Bidirectional Deep Neural Network for Accurate Silicon Color Design;Li Gao et.al;《Advanced Materials》;20191220;第31卷(第51期);第1-7页 * |
Accurate inverse design of Fabry–Perot-cavity-based color filters far beyond sRGB via a bidirectional artificial neural network;Peng Dai et.al;《Photonics Research》;20210430;第9卷;第B236-B246页 * |
Peng Dai et.al.Accurate inverse design of Fabry–Perot-cavity-based color filters far beyond sRGB via a bidirectional artificial neural network.《Photonics Research》.2021,第9卷 * |
生物结构色机理及仿生构色研究;李家文;《中国博士学位论文全文数据库 基础科学辑》;20111015;摘要,第31-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113793656A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113793656B (zh) | 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 | |
Tahersima et al. | Deep neural network inverse design of integrated photonic power splitters | |
Zhang et al. | Efficient spectrum prediction and inverse design for plasmonic waveguide systems based on artificial neural networks | |
EP3066438B1 (en) | Formulation of complex coating mixtures with effect pigments | |
Trevino et al. | Circularly symmetric light scattering from nanoplasmonic spirals | |
CN109632693A (zh) | 一种基于blstm-rnn的太赫兹光谱识别方法 | |
Yu et al. | Design of non-deterministic quasi-random nanophotonic structures using Fourier space representations | |
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 | |
Zhou et al. | Optical analog computing devices designed by deep neural network | |
Gonzalez et al. | Bio-inspired, sub-wavelength surface structures for ultra-broadband, omni-directional anti-reflection in the mid and far IR | |
He et al. | Non-parametric estimation of particle size distribution from spectral extinction data with PCA approach | |
Auger et al. | Dependent light scattering in white paint films: clarification and application of the theoretical concepts | |
Merikallio et al. | Light scattering by the Martian dust analog, palagonite, modeled with ellipsoids | |
Kuang et al. | Robust design of broadband EUV multilayer using multi-objective evolutionary algorithm | |
CN107256291B (zh) | 基于改进型量子进化算法的宽光谱极紫外多层膜设计方法 | |
Yu et al. | Inverse design of high degree of freedom meta-atoms based on machine learning and genetic algorithm methods | |
Lininger et al. | General inverse design of thin-film metamaterials with convolutional neural networks | |
Chen et al. | Modeling emissivity of low-emissivity coating containing horizontally oriented metallic flake particles | |
Herkert et al. | Influence of structural disorder on plasmonic metasurfaces and their colors—a coupled point dipole approach: tutorial | |
Vargas | Optical properties of pigmented coatings taking into account particle interactions | |
Zhou et al. | Evaluation and design of colored silicon nanoparticle systems using a bidirectional deep neural network | |
Auger et al. | Scattering efficiency of aggregated clusters of spheres: dependence on configuration and composition | |
Kaya et al. | Estimating radiation scattering around plasmonic nanowires using engineered geometric features | |
Islam et al. | An inverse simulation for simultaneous identification of randomly oriented arbitrarily shaped particle size distribution and its degree of non-sphericity from spectral transmittance measurement | |
Guan | Machine Learning Enabled Smart Design of High-Performance Solar Absorbers and Colored Passive Radiative Coolers |
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 |