CN115167088A - 一种基于深度学习的可定制全息超表面设计方法 - Google Patents
一种基于深度学习的可定制全息超表面设计方法 Download PDFInfo
- Publication number
- CN115167088A CN115167088A CN202210854494.4A CN202210854494A CN115167088A CN 115167088 A CN115167088 A CN 115167088A CN 202210854494 A CN202210854494 A CN 202210854494A CN 115167088 A CN115167088 A CN 115167088A
- Authority
- CN
- China
- Prior art keywords
- super
- deep learning
- amplitude
- phase
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000013461 design Methods 0.000 title claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims abstract description 10
- 230000001105 regulatory effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000001276 controlling effect Effects 0.000 claims abstract description 5
- 238000013136 deep learning model Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001093 holography Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/08—Synthesising holograms, i.e. holograms synthesized from objects or objects from holograms
- G03H1/0866—Digital holographic imaging, i.e. synthesizing holobjects from holograms
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/0005—Adaptation of holography to specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
- G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
- G03H1/04—Processes or apparatus for producing holograms
- G03H1/08—Synthesising holograms, i.e. holograms synthesized from objects or objects from holograms
- G03H1/0841—Encoding method mapping the synthesized field into a restricted set of values representative of the modulator parameters, e.g. detour phase coding
- G03H2001/085—Kinoform, i.e. phase only encoding wherein the computed field is processed into a distribution of phase differences
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Holo Graphy (AREA)
Abstract
本发明提供一种基于深度学习的可定制全息超表面设计方法，包括：确定弯曲的“I”形的超表面单元结构，以及根据预成像图案定制超表面幅值和相位排布；构建深度学习网络模型；输入每个超表面单元结构幅值和相位信息，根据训练好的深度学习网络模型利用参数扫描方法推算出单元结构参数信息；根据单元结构参数信息，调控各“I”形的超表面单元结构的幅值和相位；填充各调控后的“I”形的超表面单元构成全息超表面。本发明在保证设计好目标全息图的情况下，通过推演其相位和幅值分布，通过训练深度网络实现了全息超表面的快速生成，且制作工艺简单，设计结构简单，具有强的实用性。
Description
技术领域
本发明涉及超表面全息技术领域，具体涉及一种基于深度学习的可定制全息超表面设计方法。
背景技术
超表面是由周期性或准周期性人工原子按一定排列组成的二维平面结构，在电磁控制方面具有较高的自由度超表面作为超材料的二维对应物，继承了超材料的电磁控制特性，在平面上表现出更灵活的控制策略。编排的结构，加上预制的排列，使得在调制电磁波特性方面具有优越的性能，如相位、振幅、偏振、传播模式等。通过超表面对电磁特性的处理，有效地扩展了电磁功能器件的应用。
随着电磁调制技术的发展，几何相位、传输相位、迂回相位的机理都是有效的方法，在异常反射、散射抵消、聚焦等方面都表现出了巨大的应用价值。在振幅调制方面，介绍了利用均匀超表面控制电磁波振幅的几种有效机制，如调节吸收效率和调节极化转换比。然而，单属性调制的功能往往是有限的，这限制了高维功能设计的可扩展性。因此，结合多种机制控制电磁波将进一步提高超表面的设计尺寸，并可扩展到许多奇妙的功能。超表面技术基于对电磁波在不同尺度上的通用操作，开发了大量复杂而精细的功能。当结合相位和振幅特性来操纵电磁波时，超表面在某些功能上可以实现更强大的性能，如超透镜、全息等。相位和振幅的同时调制提高了设计的灵活性，但也显著增加了设计的复杂性，导致超表面设计的耗时。
全息成像是一种成熟的成像技术，最早的全息成像技术指的是利用干涉及衍射原理记录空间中光的相位和幅值信息并再现物体二维或三维图像的技术。然而全息图的设计中成像质量与超表面设计的维度深深相关。通过设计超表面的幅值和相位信息可以快速实现全息成像效果，但是通过对相位和幅值全息图进行计算无疑是相当耗时费力的工作，而机器学习的出现对智能设计产生了深远的影响，有望降低设计的复杂性。
为此，本发明提出一种基于深度学习的可定制全息超表面设计方法。
发明内容
为解决上述问题，本发明提供一种基于深度学习的可定制全息超表面设计方法。
本发明提供了如下的技术方案。
一种基于深度学习的可定制全息超表面设计方法，包括以下步骤：
确定弯曲的“I”形的超表面单元结构，以及根据预成像图案定制超表面幅值和相位排布；
构建深度学习网络模型；
输入每个超表面单元结构幅值和相位信息，根据训练好的深度学习网络模型利用参数扫描方法推算出单元结构参数信息；
根据单元结构参数信息，调控各“I”形的超表面单元结构的幅值和相位；
填充各调控后的“I”形的超表面单元构成全息超表面。
优选地，所述深度学习模型包括依次连接的1个卷积层，1个残差模块和3个全连接层。
优选地，所述残差模块包含有两个卷积层。
优选地，所述根据训练好的深度学习网络模型利用参数扫描方法推算出超表面单元结构参数信息，包括以下步骤：
采用深度学习网络模型，通过合并超表面单元幅值和相位的响应信息，并使用二维卷积进一步共同提取幅值和相位的高维特征实现对幅值和相位的特征信息的提取，通过幅值相位快速推演结构参数。
优选地，所述各“I”形的超表面单元结构的幅值和相位的调控，采用改变结构的开口角度和旋转角度实现退幅值和相位的共同调控，
优选地，所述深度学习网络模型基于pytorch框架。
优选地，所述深度学习网络模型的网络结构参数采用Adam作为优化器进行优化。
本发明的有益效果：在保证设计好目标全息图的情况下，通过推演其相位和幅值分布，通过训练深度网络实现了全息超表面的快速生成，且制作工艺简单，设计结构简单，具有强的实用性。
附图说明
图1是本发明实施例的基本结构示意图；
图2是本发明实施例的深度学习模型结构；
图3是本发明实施例的模型训练过程性能变化示意图；
图4是本发明实施例的全息图仿真和理论计算结果；
图5是本发明实施例的实验测试验证结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的一种基于深度学习的可定制全息超表面设计方法，如图1-5所示：
首先，使用少量卷积层、残差层和全连接层共同构建了一个深度学习网络框架。其次，选择了可以调控幅值和相位的弯曲的“I”形超表面单元结构，通过改变结构的开口角度和旋转角度实现退幅值和相位的共同调控，利用参数扫描方法实现对数据集的收集，其中输入为幅值相位信息，输出为单元结构信息。经过训练所设计的网络，实现了针对不同的预成像图案快速填充幅值相位分布图实现成像功能的效果。该深度学习模型的制作基于pytorch框架下实现，通过该模型生成的全息超表面通过PCB工艺加工实现，实现方法工艺简单，成本低，实用性强。所设计的深度学习模型在超表面功能设计方面具有广泛的应用价值。
初始化的超表面结构单元如附图1所示，总共有五层组成，其中包括：两层介质基板(F4B材质)、三层金属贴片(铜)。在初始单元的基础上，通过使用深度学习网络实现对结构参数的优化，深度学习模型架构如图2所示，通过合并幅值和相位的共同特征实现对参数的特征提取。对该深度网络的训练过程及结果如图3所示。通过计算机理论计算设计了两个字母‘A’和‘I’所对应的全息图，并通过全波仿真软件对超表面模型进行了仿真，仿真和计算结果如图4所示，可以看出呈现面清晰的呈现出了所设计的图案。加工的样品图案以及测试环境如图5所示，将样品放置在微波暗室中进行近场扫描。近场扫描的结果如图5cd所示。可以看出，测试的电场分布清晰的显示出了所设计的图案。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于深度学习的可定制全息超表面设计方法，其特征在于，包括：
确定弯曲的“I”形的超表面单元结构，以及根据预成像图案定制超表面幅值和相位排布；
构建深度学习网络模型；
输入每个超表面单元结构幅值和相位信息至深度学习网络模型进行训练，根据训练好的深度学习网络模型利用参数扫描方法推算出超表面单元结构参数信息；
根据超表面单元结构参数信息，调控各“I”形的超表面单元结构的幅值和相位；
填充各调控后的“I”形的超表面单元并构成全息超表面。
2.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述深度学习模型包括依次连接的1个卷积层，1个残差模块和3个全连接层。
3.根据权利要求2所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述残差模块包含有两个卷积层。
4.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述根据训练好的深度学习网络模型利用参数扫描方法推算出超表面单元结构参数信息，包括以下步骤：
采用深度学习网络模型，通过合并超表面单元幅值和相位的响应信息，并使用二维卷积进一步共同提取幅值和相位的高维特征实现对幅值和相位的特征信息的提取，通过幅值相位快速推演结构参数。
5.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述各“I”形的超表面单元结构的幅值和相位的调控，采用改变结构的开口角度和旋转角度实现退幅值和相位的共同调控，
6.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述深度学习网络模型为基于pytorch框架构建的模型。
7.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述深度学习网络模型的网络结构参数采用Adam作为优化器进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210854494.4A CN115167088B (zh) | 2022-07-12 | 2022-07-12 | 一种基于深度学习的可定制全息超表面设计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210854494.4A CN115167088B (zh) | 2022-07-12 | 2022-07-12 | 一种基于深度学习的可定制全息超表面设计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115167088A true CN115167088A (zh) | 2022-10-11 |
| CN115167088B CN115167088B (zh) | 2024-04-16 |
Family
ID=83495263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210854494.4A Active CN115167088B (zh) | 2022-07-12 | 2022-07-12 | 一种基于深度学习的可定制全息超表面设计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115167088B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610317A (zh) * | 2024-01-19 | 2024-02-27 | 湖北工业大学 | 基于深度学习的多bit超表面相位排布优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110398A (zh) * | 2019-04-19 | 2019-08-09 | 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 |
| CN110488589A (zh) * | 2019-07-29 | 2019-11-22 | 武汉大学 | 一种同时实现振幅型全息与相位型全息的超表面 |
| CN111898316A (zh) * | 2020-07-29 | 2020-11-06 | 华中科技大学 | 一种超表面结构设计模型的构建方法及其应用 |
| CN113589522A (zh) * | 2021-06-30 | 2021-11-02 | 武汉大学 | 基于建立结构参数库的角度复用超表面及设计方法 |
-
2022
- 2022-07-12 CN CN202210854494.4A patent/CN115167088B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110110398A (zh) * | 2019-04-19 | 2019-08-09 | 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 |
| CN110488589A (zh) * | 2019-07-29 | 2019-11-22 | 武汉大学 | 一种同时实现振幅型全息与相位型全息的超表面 |
| CN111898316A (zh) * | 2020-07-29 | 2020-11-06 | 华中科技大学 | 一种超表面结构设计模型的构建方法及其应用 |
| CN113589522A (zh) * | 2021-06-30 | 2021-11-02 | 武汉大学 | 基于建立结构参数库的角度复用超表面及设计方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117610317A (zh) * | 2024-01-19 | 2024-02-27 | 湖北工业大学 | 基于深度学习的多bit超表面相位排布优化方法 |
| CN117610317B (zh) * | 2024-01-19 | 2024-04-12 | 湖北工业大学 | 基于深度学习的多bit超表面相位排布优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115167088B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Anisotropic metasurface holography in 3-D space with high resolution and efficiency | |
| Kaklamani et al. | Aspects of the method of auxiliary sources (MAS) in computational electromagnetics | |
| CN110110398B (zh) | 一种基于卷积自编码器的超表面自动设计方法 | |
| CN115167088A (zh) | 一种基于深度学习的可定制全息超表面设计方法 | |
| Smy et al. | Surface susceptibility synthesis of metasurface skins/holograms for electromagnetic camouflage/illusions | |
| Ghorbani et al. | A deep learning approach for inverse design of the metasurface for dual-polarized waves | |
| Hodge et al. | Multi-discriminator distributed generative model for multi-layer RF metasurface discovery | |
| CN108733924B (zh) | 一种数字编码超材料单元的智能化设计方法 | |
| CN110083934A (zh) | 一种基于支持向量机算法的电磁超表面设计方法 | |
| CN108763708A (zh) | 基于深度学习设计多波束多极化人工电磁表面的方法 | |
| CN109167171A (zh) | 基于pb结构的高效透射型涡旋光产生器的设计方法 | |
| CN114996874B (zh) | 一种基于多层感知器网络的天线阵列辐射方向图高效优化合成方法 | |
| Liang et al. | A study of composite scattering characteristics of movable/rotatable targets and a rough sea surface using an efficient numerical algorithm | |
| Costa et al. | Circuit modelling of reflecting intelligent surfaces | |
| CN113991304B (zh) | 一种基于超表面阵列的天线波束赋形方法 | |
| CN107704673B (zh) | 宽带编码超材料快速设计方法 | |
| WO2024049492A2 (en) | Tunable system designs for dynamic metamaterial | |
| Niu et al. | Transmissive Metasurface Synthesis from Far-Field Masks Using Unsupervised Learning | |
| Liu et al. | Deep-learning-empowered inverse design for freeform reconfigurable metasurfaces | |
| CN115859794A (zh) | 自由形状超表面的构建方法、系统、装置及可读存储介质 | |
| Fu et al. | Metasurface aperture design for far-field computational microwave imaging beyond Rayleigh diffraction limitations | |
| CN115329655A (zh) | 基于先验知识神经网络的透镜天线多目标优化方法 | |
| CN113726387A (zh) | 基于可重构全息超表面辅助的移动边缘计算系统及方法 | |
| Nguyen et al. | Genetic programming for automated synthesizing 3D artificial magnetic conductor | |
| Zhu et al. | Coding metasurface design via intelligence algorithm |
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 |