CN117556716B - 电磁玻璃的设计方法、装置、设备及存储介质 - Google Patents
电磁玻璃的设计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117556716B CN117556716B CN202410045839.0A CN202410045839A CN117556716B CN 117556716 B CN117556716 B CN 117556716B CN 202410045839 A CN202410045839 A CN 202410045839A CN 117556716 B CN117556716 B CN 117556716B
- Authority
- CN
- China
- Prior art keywords
- target
- matrix
- super
- electromagnetic
- probability 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.)
- Active
Links
- 239000011521 glass Substances 0.000 title claims abstract description 86
- 238000013461 design Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 223
- 238000009792 diffusion process Methods 0.000 claims abstract description 107
- 230000004044 response Effects 0.000 claims abstract description 102
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000005530 etching Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000005344 low-emissivity glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Aerials With Secondary Devices (AREA)
Abstract
本发明属于电磁玻璃设计技术领域，公开了一种电磁玻璃的设计方法、装置、设备及存储介质。该方法包括：获取半自由结构对应的控制矩阵；确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应；基于所述控制矩阵、所述结构矩阵以及所述电磁响应，通过多目标优化算法构建目标数据集；基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型；将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计。通过上述方式，能够设计出同时满足多个设计指标要求的高性能超表面结构。
Description
技术领域
本发明涉及电磁玻璃技术领域，尤其涉及一种电磁玻璃的设计方法、装置、设备及存储介质。
背景技术
随着全球低碳减排的兴起，Low-E玻璃(Low-Emissivity, 低辐射玻璃)被广泛应用于建筑幕墙及汽车玻璃。相较于传统玻璃，其通过金属镀膜的方式减少红外线的热辐射，起到节能的作用。然而，在B5G/6G中毫米波广泛应用于通信场景中，Low-E玻璃阻隔了毫米波的透射，造成了室外基站的毫米波信号无法进入室内，恶化了室内外的通信。
电磁超表面作为目前的研究热点，可以完美解决Low-E玻璃阻隔信号问题的方案。超表面具体原理是通过在基底表面刻蚀特殊设计的二维或三维结构，在复杂的电磁耦合等物理效应下，达到增强电磁波透射的作用。在许多的应用场景中存在多个需要同时满足的设计指标，而这些指标之间存在着复杂的权衡折中关系，比如过高的刻蚀比例将会影响阻隔红外线的效果，需要保证刻蚀比例不超过一定的比例，而刻蚀比例的限制阻碍了透射率的提高，此外还需要在保证带宽的同时，满足入射角度色散的稳定性，并满足特定的极化特性，因此，设计出同时满足所有这些性能指标要求的超表面结构是极具挑战的。
发明内容
本发明的主要目的在于提供一种电磁玻璃的设计方法、装置、设备及存储介质，旨在解决现有技术中难以设计出同时满足多个设计指标要求的超表面结构的技术问题。
为实现上述目的，本发明提供了一种电磁玻璃的设计方法，所述方法包括以下步骤：
获取半自由结构对应的控制矩阵；
确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应；
基于所述控制矩阵、所述结构矩阵以及所述电磁响应，通过多目标优化算法构建目标数据集；
基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型；
将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计。
可选地，所述确定所述控制矩阵的结构矩阵，包括：
基于所述控制矩阵的元素以及元素值构建三维曲面，其中，元素值用于代表元素的高度；
对所述三维曲面取横截面，保留大于高度阈值的结构轮廓；
在所述结构轮廓上进行采样，得到二值矩阵；
对所述二值矩阵进行镜像操作，得到所述结构矩阵。
可选地，所述对所述二值矩阵进行镜像操作，得到所述结构矩阵，包括：
对所述二值矩阵进行镜像操作，得到初始结构矩阵；
对所述初始结构矩阵进行连通区域分析，去除所述初始结构矩阵中元素数量小于第一预设值的区域之后，得到所述结构矩阵。
可选地，所述基于所述控制矩阵、所述结构矩阵以及所述电磁响应构建目标数据集，包括：
以所述控制矩阵为优化变量，使用多目标优化算法对所述控制矩阵进行迭代优化，得到多个优化控制矩阵；
确定优化控制矩阵的结构矩阵和电磁响应；
基于结构矩阵以及电磁响应构建所述目标数据集。
可选地，所述基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型之前，还包括：
基于从所述目标数据集中随机抽取的样本构建初始样本集，其中，所述样本由结构矩阵和结构矩阵对应的电磁响应组成；
将所述初始样本集中预设数量的样本的电磁响应替换为第二预设值，得到目标样本集；
所述基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型，包括：
基于所述目标样本集训练超表面扩散概率模型，得到目标超表面扩散概率模型。
可选地，所述基于所述目标样本集训练超表面扩散概率模型，得到目标超表面扩散概率模型，包括：
从所述目标样本集中确定目标样本，将所述目标样本的结构矩阵作为初始时间步的初始结构，以及将所述目标样本的电磁响应作为所述目标样本的标签；
根据加入噪声以及所述初始结构确定目标时间步的目标结构；
将所述目标时间步、所述目标时间步以及所述标签输入所述超表面扩散概率模型，得到预测噪声；
确定所述加入噪声以及所述预测噪声的误差；
基于所述误差通过反向传播来更新所述超表面扩散概率模型的网络参数，得到所述目标超表面扩散概率模型。
可选地，将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，包括：
从高斯分布中采样随机变量；
将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，得到条件定向去噪矩阵；
将所述随机变量以及非条件标签向量输入所述目标超表面扩散概率模型，得到非条件去噪矩阵；
按照预设比例混合所述条件定向去噪矩阵以及所述非条件去噪矩阵，得到所述随机变量对应的时间步的输出噪声；
基于所述输出噪声以及所述随机变量生成所述透射超表面结构。
此外，为实现上述目的，本发明还提出一种电磁玻璃的设计装置，所述电磁玻璃的设计装置包括：
获取模块，用于获取半自由结构对应的控制矩阵；
确定模块，用于确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应；
构建模块，用于基于所述控制矩阵、所述结构矩阵以及所述电磁响应，通过多目标优化算法构建目标数据集；
训练模块，用于基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型；
生成模块，用于将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计。
此外，为实现上述目的，本发明还提出一种电磁玻璃的设计设备，所述电磁玻璃的设计设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电磁玻璃的设计程序，所述电磁玻璃的设计程序配置为实现如上文所述的电磁玻璃的设计方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有电磁玻璃的设计程序，所述电磁玻璃的设计程序被处理器执行时实现如上文所述的电磁玻璃的设计方法的步骤。
本发明提出电磁玻璃的设计方法、装置、设备及存储介质，通过获取半自由结构对应的控制矩阵；确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应；基于所述控制矩阵、所述结构矩阵以及所述电磁响应，通过多目标优化算法构建目标数据集；基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型；将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计。通过上述方式，针对多个性能指标的设计任务，在数据集收集阶段采用多目标优化算法，使得数据集中的数据趋近于帕累托前沿，从而高效的获得高性能数据集，再基于高性能数据集训练超表面扩散概率模型，最后利用目标超表面扩散概率模型逆设计电磁玻璃，进而设计出同时满足多个设计指标要求的高性能超表面结构。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电磁玻璃的设计设备的结构示意图；
图2为本发明电磁玻璃的设计方法第一实施例的流程示意图；
图3为本发明电磁玻璃的设计方法第一实施例中超表面结构的示意图；
图4为本发明电磁玻璃的设计方法第一实施例中多目标优化帕累托前沿示意图；
图5为本发明电磁玻璃的设计方法第一实施例中多设计指标权衡示意图；
图6为本发明电磁玻璃的设计方法第一实施例中生成透射超表面结构的整体流程图；
图7为本发明电磁玻璃的设计方法第二实施例的流程示意图；
图8为本发明电磁玻璃的设计方法第二实施例中超表面扩散概率模型的结构示意图；
图9为本发明电磁玻璃的设计装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的电磁玻璃的设计设备结构示意图。
如图1所示，该电磁玻璃的设计设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电磁玻璃的设计设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电磁玻璃的设计程序。
在图1所示的电磁玻璃的设计设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电磁玻璃的设计设备中的处理器1001、存储器1005可以设置在电磁玻璃的设计设备中，所述电磁玻璃的设计设备通过处理器1001调用存储器1005中存储的电磁玻璃的设计程序，并执行本发明实施例提供的电磁玻璃的设计方法。
基于上述硬件结构，提出本发明电磁玻璃的设计方法实施例。
参照图2，图2为本发明一种电磁玻璃的设计方法第一实施例的流程示意图。
本实施例中，所述电磁玻璃的设计方法包括以下步骤：
步骤S10：获取半自由结构对应的控制矩阵。
需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，或者是一种能够实现上述功能的电子设备或电磁玻璃的设计设备。以下以所述电磁玻璃的设计设备为例，对本实施例及下述各实施例进行说明。
需要说明的是，电磁超表面可以完美解决Low-E玻璃阻隔信号问题的方案，电磁超表面具体原理是通过在基底表面刻蚀特殊设计的二维或三维结构，可以通过半自由结构来确定用于刻蚀电磁玻璃的结构矩阵，半自由结构指的是由一定数量的参数决定，但同时又具有较高自由度的结构，（相对于固定结构具有更高的自由度，通过高自由度的结构来设计电磁玻璃可能会带来更优的效果，固定结构为蜂窝六边形以及圆等常规结构）；控制矩阵是二维矩阵；半自由结构与控制矩阵对应。
步骤S20：确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应。
需要说明的是，电磁响应指的是电磁波里在受到电磁波辐射时所产生的响应，这种响应可以是电磁场的散射、吸收、传输或反射等过程，它通常包括两个部分：极化和导电响应；在获取到结构矩阵之后，可以使用CST或HFSS等电磁仿真工具对结构矩阵进行仿真，便可得到结构矩阵对应的电磁响应。
在一实施例中，所述确定所述控制矩阵的结构矩阵，包括：
基于所述控制矩阵的元素以及元素值构建三维曲面，其中，元素值用于代表元素的高度；
对所述三维曲面取横截面，保留大于高度阈值的结构轮廓；
在所述结构轮廓上进行采样，得到二值矩阵；
对所述二值矩阵进行镜像操作，得到所述结构矩阵。
可以理解的是，由一个控制矩阵生成结构矩阵来得到电磁响应的过程可以看成单次优化流程。
需要说明的是，控制矩阵中每个元素的元素值的取值范围是0到1，元素值可以用来表示该元素的高度；高度阈值可以预先进行设定，优先地，高度阈值可以设定为0.5。
在具体实现中，以9*9的二维矩阵作为控制矩阵进行说明，9*9的二维矩阵由81个元素构成，这81个元素以及元素值构成一个三维曲面，基于高度阈值在三维曲面上取横截面之后将三维曲面划分为两部分，然后再将大于高度阈值的部分作为结构轮廓保留下来。
在具体实现中，对所述二值矩阵进行镜像操作，得到所述结构矩阵的具体步骤为：将二值矩阵基于水平翻转得到第一矩阵、将第一矩阵基于垂直翻转得到结构矩阵。
在具体实现中，如图3所示，对半自由结构表征的控制矩阵进行采样以及预处理之后得到结构矩阵，再导入电磁仿真工具来获取结构矩阵的电磁响应。
在一实施例中，所述对所述二值矩阵进行镜像操作，得到所述结构矩阵，包括：
对所述二值矩阵进行镜像操作，得到初始结构矩阵；
对所述初始结构矩阵进行连通区域分析，去除所述初始结构矩阵中元素数量小于第一预设值的区域之后，得到所述结构矩阵。
需要说明的是，第一预设值可以预先进行设定，优选地，第一预设值可设为20。
在本实施例中，通过将初始结构矩阵中对电磁响应无意义且不利于生产制备的微小结构去除掉，能够进一步提高电磁玻璃的设计效果。
步骤S30：基于所述控制矩阵、所述结构矩阵以及所述电磁响应，通过多目标优化算法构建目标数据集。
在一实施例中，所述基于所述控制矩阵、所述结构矩阵以及所述电磁响应构建目标数据集，包括：
以所述控制矩阵为优化变量，使用多目标优化算法对所述控制矩阵进行迭代优化，得到多个优化控制矩阵；
确定优化控制矩阵的结构矩阵和电磁响应；
基于结构矩阵以及电磁响应构建所述目标数据集。
可以理解的是，由一个控制矩阵生成结构矩阵来得到电磁响应的过程可以看成单次优化流程；在构建目标数据集的过程中，需要以控制矩阵为优化变量，使用多目标优化算法进行迭代优化来不断地获取新的控制矩阵，然后再基于新的控制矩阵确定结构矩阵之后得到电磁响应，每个控制矩阵的结构矩阵以及该结构矩阵对应的电磁响应可作为目标数据集的其中一个样本，当样本数量满足要求时便可构建出符合多目标指标的高性能数据集（即目标数据集）。
需要说明的是，下一轮优化流程基于上一轮优化流程的优化结果来对控制矩阵进行优化之后得到新的控制矩阵，也即每次优化流程对控制矩阵进行优化时得到一个新的控制矩阵。
在具体实现中，优选的多目标优化算法为NSGA-Ⅱ，其优化目标如下：
其中，表示TE波垂直入射下的-1dB带宽，/>表示TM波垂直入射下的-1dB带宽，/>表示TE波60度斜入射下的-1dB带宽，/>表示TM波60度斜入射下的-1dB带宽，/>为结构/>刻蚀部分的比例。
需要说明的是，由于多个性能指标之间存在权衡关系，因此设计空间中存在帕累托前沿，如图4所示，以0度和60度角色散带宽两个指标作为例子的帕累托前沿示意图，靠近帕累托前沿的样本代表了在某些指标上是优异的，在多目标优化算法的迭代优化过程中，样本将逐渐向帕累托改进前沿靠近，并最终聚集帕累托前沿附近，因此收集得到的数据集中的样本的整体性能是优异的，且具有多样性。
步骤S40：基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型。
需要说明的是，超表面扩散概率模型指的是未被训练好的模型（是一种神经网络模型），目标超表面扩散概率模型指的是训练好的模型，可以基于其输出结果完成电磁玻璃的设计。
可以理解的是，超表面扩散概率模型的训练过程可以看成是模型通过学习输入的超表面结构(/>表示第0时间步的结构矩阵)，逐渐添加噪声变为高斯分布/>(/>表示第/>时间步的结构矩阵)的噪声扩散过程/>，然后从马尔科夫链末端的高斯分布中采样/>，使用目标超表面扩散概率模型/>近似去噪过程/>，迭代去噪生成出符合目标电磁响应/>的新结构/>（即透射超表面结构）。
步骤S50：将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计。
需要说明的是，目标电磁响应即为设计出来的电磁玻璃在受到电磁波辐射时所产生的响应；随机变量为从高斯分布中采样得到（随机变量可理解具有全噪声的结构矩阵）。
在具体实现中，以随机变量和目标电磁响应/>作为神经网络的输入，获得条件定向去噪矩阵/>；再将/>和非条件标签0向量作为神经网络的输入，获得非条件去噪矩阵/>；以/>的比例混合条件定向去噪矩阵/>和非条件去噪矩阵/>，得到时间步/>的神经网络输出/>：
随后，通过算法，计算得到/>；对于至/>重复以上过程，得到根据电磁响应目标/>最终生成的透射超表面结构。
需要说明的是，电磁玻璃在设计的过程中存在多个需要同时满足的设计指标，而这些指标之间存在着复杂的权衡折中关系，如图5所示，比如过高的刻蚀比例将会影响阻隔红外线的效果，需要保证刻蚀比例不超过一定的比例，而刻蚀比例的限制阻碍了透射率的提高，此外还需要在保证带宽的同时，满足入射角度色散的稳定性，并满足特定的极化特性，因此，设计出同时满足所有这些性能指标要求的超表面结构是极具挑战的。
在具体实现中，以刻蚀不超过20%，0到60度入射角下，23-30GHz频率范围内，TE和TM波均需要达到2GHz以上的-1dB带宽的性能指标作为实施例进行说明，整体流程如图6所示，先基于多目标优化算法高性能数据集的构建（通过电磁仿真收集结构对应的电磁响应，并针对多角度、宽带、TE/TM等多个性能指标，使用多目标优化算法迭代优化结构，收集一组高性能的结构及对应的电磁响应），接着训练神经网络（搭建基于扩散概率模型的神经网络，使用多层结构的超表面数据集训练网络），最后按照逆向设计（使用训练好的网络进行根据电磁响应需求直接生成得到符合需求的超表面结构）。
本实施例通过获取半自由结构对应的控制矩阵；确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应；基于所述控制矩阵、所述结构矩阵以及所述电磁响应，通过多目标优化算法构建目标数据集；基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型；将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计。通过上述方式，针对多个性能指标的设计任务，在数据集收集阶段采用多目标优化算法，使得数据集中的数据趋近于帕累托前沿，从而高效的获得高性能数据集，再基于高性能数据集训练超表面扩散概率模型，最后利用目标超表面扩散概率模型逆设计电磁玻璃，进而设计出同时满足多个设计指标要求的高性能超表面结构。
参考图7，图7为本发明一种电磁玻璃的设计方法第二实施例的流程示意图。
基于上述第一实施例，本实施例电磁玻璃的设计方法所述基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型之前，还包括：
步骤S401：基于从所述目标数据集中随机抽取的样本构建初始样本集，其中，所述样本由结构矩阵和结构矩阵对应的电磁响应组成。
需要说明的是，目标数据集中的每个样本都是由结构矩阵和该结构矩阵对应的电磁响应组成。
在具体实现中，从目标数据集中随机抽取/>个样本来构建初始样本集（初始样本集中的每个样本都是由结构矩阵和该结构矩阵对应的电磁响应组成，为超参数，需要提前选定）。
步骤S402：将所述初始样本集中预设数量的样本的电磁响应替换为第二预设值，得到目标样本集。
需要说明的是，预设数量需要预先进行设定，初始样本集与目标样本集的样本数量一致，两者的区别在于目标样本集中的部分样本的电磁响应的值为第二预设值，优先地，预设数量可设为初始样本集中样本数量的10%，第二预设值为0。
在具体实现中，可随机将初始样本集中的样本的电磁响应的值替换为0，便可得到目标样本集。
步骤S403：基于所述目标样本集训练超表面扩散概率模型，得到目标超表面扩散概率模型。
在一实施例中，所述基于所述目标样本集训练超表面扩散概率模型，得到目标超表面扩散概率模型，包括：
从所述目标样本集中确定目标样本，将所述目标样本的结构矩阵作为初始时间步的初始结构，以及将所述目标样本的电磁响应作为所述目标样本的标签；
根据加入噪声以及所述初始结构确定目标时间步的目标结构；
将所述目标时间步、所述目标时间步以及所述标签输入所述超表面扩散概率模型，得到预测噪声；
确定所述加入噪声以及所述预测噪声的误差；
基于所述误差通过反向传播来更新所述超表面扩散概率模型的网络参数，得到所述目标超表面扩散概率模型。
需要说明的是，超表面扩散概率模型仅需要单个网络，超表面扩散概率模型的结构上仅需要满足输入和输出的维度，如图8所示，超表面扩散概率模型由下采样模块和上采样模块组成，下采样模块由残差块和池化层构成，上采样模块由转置卷积和残差块构成，下采样模块和上采样模块之间有残差连接，此外时间步和电磁响应/>通过特征提取模块后融合进上采样模块中，这样能够避免了常用的生成对抗网络GAN的对抗过程带来的训练不稳定性；同时，网络简单的预测噪声扩散过程中的噪声，因此避免了变分自编码器VAE所需要平衡重建误差和KL散度而带来的生成模糊的问题。
在具体实现中，将每个样本作为第/>时间步的结构矩阵，记为/>，可以通过第/>时间步的结构矩阵来确定第/>时间步对应的结构矩阵/>，具体计算公式如下：
其中，时间步为/>之间的随机采样，/>为超参数（需要提前指定），/>为从高斯分布中采样的随机噪声，/>，而/>从第一个时间步/>线性增加到最后一个时间步/>；
需要说明的是，的选取存在于生成速度和准确率之间的权衡关系，需要根据实际需求来决定。
在具体实现中，将结构矩阵作为超表面扩散概率模型的输入，并将时间步t和每个样本对应的标签/>（样本对应的标签即为目标样本集中样本的电磁感应）作为条件输入到超表面扩散概率模型的每一层中，超表面扩散概率模型的输出是/>，随后使用最小均方误差(MSE)计算神经网络预测的噪声/>和实际的加入噪声/>之间的误差，并使用优化器通过反向传播算法更新网络参数，在训练集中重复以上过程，直到超表面扩散概率模型误差收敛，最后得到怒表超表面扩散概率模型，其中，误差的计算过程如下：
在一实施例中，将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，包括：
从高斯分布中采样随机变量；
将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，得到条件定向去噪矩阵；
将所述随机变量以及非条件标签向量输入所述目标超表面扩散概率模型，得到非条件去噪矩阵；
按照预设比例混合所述条件定向去噪矩阵以及所述非条件去噪矩阵，得到所述随机变量对应的时间步的输出噪声；
基于所述输出噪声以及所述随机变量生成所述透射超表面结构。
在具体实现中，以随机变量和目标电磁响应/>作为神经网络的输入，获得条件定向去噪矩阵/>；再将/>和非条件标签0向量作为神经网络的输入，获得非条件去噪矩阵/>；以/>的比例混合条件定向去噪矩阵/>和非条件去噪矩阵/>，得到时间步/>的神经网络输出/>：
随后，通过算法，计算得到/>；对于至/>重复以上过程，得到根据电磁响应目标/>最终生成的透射超表面结构。
本实施例通过基于从所述目标数据集中随机抽取的样本构建初始样本集，其中，所述样本由结构矩阵和结构矩阵对应的电磁响应组成；将所述初始样本集中预设数量的样本的电磁响应替换为第二预设值，得到目标样本集；基于所述目标样本集训练超表面扩散概率模型，得到目标超表面扩散概率模型。通过上述方式，使用标签数据和非标签数据（即目标样本集中电磁响应为第二预设值的样本数据）交替训练超表面扩散概率模型，能够使得训练得到的目标超表面扩散概率模型更精准。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有电磁玻璃的设计程序，所述电磁玻璃的设计程序被处理器执行时实现如上文所述的电磁玻璃的设计方法的步骤。
参照图9，图9为本发明电磁玻璃的设计装置第一实施例的结构框图。
如图9所示，本发明实施例提出的电磁玻璃的设计装置包括：
获取模块10，用于获取半自由结构对应的控制矩阵。
确定模块20，用于确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应。
构建模块30，用于基于所述控制矩阵、所述结构矩阵以及所述电磁响应构建目标数据集。
训练模块40，用于基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型。
生成模块50，用于将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例通过获取半自由结构对应的控制矩阵；确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应；基于所述控制矩阵、所述结构矩阵以及所述电磁响应构建目标数据集；基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型；将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计。通过上述方式，针对多个性能指标的设计任务，在数据集收集阶段采用多目标优化算法，使得数据集中的数据趋近于帕累托前沿，从而高效的获得高性能数据集，再基于高性能数据集训练超表面扩散概率模型，最后利用目标超表面扩散概率模型逆设计电磁玻璃，进而设计出同时满足多个设计指标要求的高性能超表面结构。
在一实施例中，所述确定模块20，还用于：
基于所述控制矩阵的元素以及元素值构建三维曲面，其中，元素值用于代表元素的高度；
对所述三维曲面取横截面，保留大于高度阈值的结构轮廓；
在所述结构轮廓上进行采样，得到二值矩阵；
对所述二值矩阵进行镜像操作，得到所述结构矩阵。
在一实施例中，所述确定模块20，还用于：
对所述二值矩阵进行镜像操作，得到初始结构矩阵；
对所述初始结构矩阵进行连通区域分析，去除所述初始结构矩阵中元素数量小于第一预设值的区域之后，得到所述结构矩阵。
在一实施例中，所述构建模块30，还用于：
以所述控制矩阵为优化变量，使用多目标优化算法对所述控制矩阵进行迭代优化，得到多个优化控制矩阵；
确定优化控制矩阵的结构矩阵和电磁响应；
基于结构矩阵以及电磁响应构建所述目标数据集。
在一实施例中，所述训练模块40，还用于：
基于从所述目标数据集中随机抽取的样本构建初始样本集，其中，所述样本由结构矩阵和结构矩阵对应的电磁响应组成；
将所述初始样本集中预设数量的样本的电磁响应替换为第二预设值，得到目标样本集；
所述基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型，包括：
基于所述目标样本集训练超表面扩散概率模型，得到目标超表面扩散概率模型。
在一实施例中，所述训练模块40，还用于：
从所述目标样本集中确定目标样本，将所述目标样本的结构矩阵作为初始时间步的初始结构，以及将所述目标样本的电磁响应作为所述目标样本的标签；
根据加入噪声以及所述初始结构确定目标时间步的目标结构；
将所述目标时间步、所述目标时间步以及所述标签输入所述超表面扩散概率模型，得到预测噪声；
确定所述加入噪声以及所述预测噪声的误差；
基于所述误差通过反向传播来更新所述超表面扩散概率模型的网络参数，得到所述目标超表面扩散概率模型。
在一实施例中，所述训练模块40，还用于：
从高斯分布中采样随机变量；
将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，得到条件定向去噪矩阵；
将所述随机变量以及非条件标签向量输入所述目标超表面扩散概率模型，得到非条件去噪矩阵；
按照预设比例混合所述条件定向去噪矩阵以及所述非条件去噪矩阵，得到所述随机变量对应的时间步的输出噪声；
基于所述输出噪声以及所述随机变量生成所述透射超表面结构。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的电磁玻璃的设计方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的 技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器（Read Only Memory，ROM）/RAM、磁碟、光 盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种电磁玻璃的设计方法，其特征在于，所述电磁玻璃的设计方法包括：
获取半自由结构对应的控制矩阵；
确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应；
基于所述控制矩阵、所述结构矩阵以及所述电磁响应，通过多目标优化算法构建目标数据集；
基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型；
将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计；
所述将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，包括：
从高斯分布中采样随机变量；
将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，得到条件定向去噪矩阵；
将所述随机变量以及非条件标签向量输入所述目标超表面扩散概率模型，得到非条件去噪矩阵；
按照预设比例混合所述条件定向去噪矩阵以及所述非条件去噪矩阵，得到所述随机变量对应的时间步的输出噪声；
基于所述输出噪声以及所述随机变量生成所述透射超表面结构。
2.如权利要求1所述的方法，其特征在于，所述确定所述控制矩阵的结构矩阵，包括：
基于所述控制矩阵的元素以及元素值构建三维曲面，其中，元素值用于代表元素的高度；
对所述三维曲面取横截面，保留大于高度阈值的结构轮廓；
在所述结构轮廓上进行采样，得到二值矩阵；
对所述二值矩阵进行镜像操作，得到所述结构矩阵。
3.如权利要求2所述的方法，其特征在于，所述对所述二值矩阵进行镜像操作，得到所述结构矩阵，包括：
对所述二值矩阵进行镜像操作，得到初始结构矩阵；
对所述初始结构矩阵进行连通区域分析，去除所述初始结构矩阵中元素数量小于第一预设值的区域之后，得到所述结构矩阵。
4.如权利要求1所述的方法，其特征在于，所述基于所述控制矩阵、所述结构矩阵以及所述电磁响应构建目标数据集，包括：
以所述控制矩阵为优化变量，使用多目标优化算法对所述控制矩阵进行迭代优化，得到多个优化控制矩阵；
确定优化控制矩阵的结构矩阵和电磁响应；
基于结构矩阵以及电磁响应构建所述目标数据集。
5.如权利要求1所述的方法，其特征在于，所述基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型之前，还包括：
基于从所述目标数据集中随机抽取的样本构建初始样本集，其中，所述样本由结构矩阵和结构矩阵对应的电磁响应组成；
将所述初始样本集中预设数量的样本的电磁响应替换为第二预设值，得到目标样本集；
所述基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型，包括：
基于所述目标样本集训练超表面扩散概率模型，得到目标超表面扩散概率模型。
6.如权利要求5所述的方法，其特征在于，所述基于所述目标样本集训练超表面扩散概率模型，得到目标超表面扩散概率模型，包括：
从所述目标样本集中确定目标样本，将所述目标样本的结构矩阵作为初始时间步的初始结构，以及将所述目标样本的电磁响应作为所述目标样本的标签；
根据加入噪声以及所述初始结构确定目标时间步的目标结构；
将所述目标时间步、所述目标时间步以及所述标签输入所述超表面扩散概率模型，得到预测噪声；
确定所述加入噪声以及所述预测噪声的误差；
基于所述误差通过反向传播来更新所述超表面扩散概率模型的网络参数，得到所述目标超表面扩散概率模型。
7.一种电磁玻璃的设计装置，其特征在于，所述电磁玻璃的设计装置包括：
获取模块，用于获取半自由结构对应的控制矩阵；
确定模块，用于确定所述控制矩阵的结构矩阵，并确定所述结构矩阵的电磁响应；
构建模块，用于基于所述控制矩阵、所述结构矩阵以及所述电磁响应，通过多目标优化算法构建目标数据集；
训练模块，用于基于所述目标数据集训练超表面扩散概率模型，得到目标超表面扩散概率模型；
生成模块，用于将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，生成所述目标电磁响应的透射超表面结构，以基于所述透射超表面结构完成所述电磁玻璃的设计；
所述生成模块，还用于：
从高斯分布中采样随机变量；
将目标电磁响应以及随机变量输入所述目标超表面扩散概率模型，得到条件定向去噪矩阵；
将所述随机变量以及非条件标签向量输入所述目标超表面扩散概率模型，得到非条件去噪矩阵；
按照预设比例混合所述条件定向去噪矩阵以及所述非条件去噪矩阵，得到所述随机变量对应的时间步的输出噪声；
基于所述输出噪声以及所述随机变量生成所述透射超表面结构。
8.一种电磁玻璃的设计设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电磁玻璃的设计程序，所述电磁玻璃的设计程序配置为实现如权利要求1至6中任一项所述的电磁玻璃的设计方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有电磁玻璃的设计程序，所述电磁玻璃的设计程序被处理器执行时实现如权利要求1至6任一项所述的电磁玻璃的设计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410045839.0A CN117556716B (zh) | 2024-01-12 | 2024-01-12 | 电磁玻璃的设计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410045839.0A CN117556716B (zh) | 2024-01-12 | 2024-01-12 | 电磁玻璃的设计方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117556716A CN117556716A (zh) | 2024-02-13 |
| CN117556716B true CN117556716B (zh) | 2024-05-10 |
Family
ID=89817081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410045839.0A Active CN117556716B (zh) | 2024-01-12 | 2024-01-12 | 电磁玻璃的设计方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117556716B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN115020991A (zh) * | 2022-06-07 | 2022-09-06 | 中国电子科技集团公司第三十三研究所 | 一种石墨烯吸波超表面去耦设计方法 |
| CN115557711A (zh) * | 2022-10-18 | 2023-01-03 | 哈尔滨工业大学 | 一种5G信号增透的Low-E玻璃及其设计方法 |
| CN115603057A (zh) * | 2022-09-22 | 2023-01-13 | 鹏城实验室（Cn） | 一种基于透射超表面的相位调制玻璃及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020014490A1 (en) * | 2018-07-11 | 2020-01-16 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for generative models for design |
-
2024
- 2024-01-12 CN CN202410045839.0A patent/CN117556716B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN115020991A (zh) * | 2022-06-07 | 2022-09-06 | 中国电子科技集团公司第三十三研究所 | 一种石墨烯吸波超表面去耦设计方法 |
| CN115603057A (zh) * | 2022-09-22 | 2023-01-13 | 鹏城实验室（Cn） | 一种基于透射超表面的相位调制玻璃及方法 |
| CN115557711A (zh) * | 2022-10-18 | 2023-01-03 | 哈尔滨工业大学 | 一种5G信号增透的Low-E玻璃及其设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 改进的表面响应模型及其在电磁装置优化设计中的应用;罗平, 杨仕友, 倪光正;电机与控制学报;20030930(第03期);第195-198页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117556716A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Men’Shchikov et al. | A multi-scale, multi-wavelength source extraction method: getsources | |
| Liu et al. | Ellipsoidal state‐bounding‐based set‐membership estimation for linear system with unknown‐but‐bounded disturbances | |
| WO2018094565A1 (zh) | 脉冲噪声下的波束成形方法及装置 | |
| CN109725294B (zh) | 基于改进遗传算法的雷达阵列稀疏优化方法 | |
| Ise et al. | Forecasting climatic trends using neural networks: an experimental study using global historical data | |
| US20220398351A1 (en) | Method and system for reverse design of micro-nano structure based on deep neural network | |
| CN112949820B (zh) | 基于生成对抗网络的认知抗干扰目标检测方法 | |
| US20170185909A1 (en) | Systems and methods for performing real-time convolution calculations of matrices indicating amounts of exposure | |
| CN111460665B (zh) | 一种基于克里金代理模型和多目标遗传算法的天线设计方法 | |
| CN110726977A (zh) | 一种干扰环境下船舶雷达性能评估方法 | |
| CN110231589B (zh) | 一种大扩散角的多径信号波达方向估计方法 | |
| CN109697315A (zh) | 辐射能光斑解析模型参数的优化方法 | |
| CN109376422B (zh) | 一种均匀圆阵优化设计评估方法和装置 | |
| CN117556716B (zh) | 电磁玻璃的设计方法、装置、设备及存储介质 | |
| Qiu et al. | Deep learning-based path loss prediction for outdoor wireless communication systems | |
| US8164593B2 (en) | Systems and methods for graphical rendering | |
| JP2004193912A (ja) | レイの受信判定方法並びにシステム及びそれを用いた電波伝搬特性推定方法 | |
| CN116385623A (zh) | 具有深度信息的参与介质多重散射的绘制方法及系统 | |
| Song et al. | Radar data simulation using deep generative networks | |
| Chen et al. | The adaptive constant false alarm rate for sonar target detection based on back propagation neural network access | |
| US20150120332A1 (en) | Systems and methods for determining risk exposure | |
| CN117422842A (zh) | 用于处理点云的方法、电子设备和计算机程序产品 | |
| CN115170718A (zh) | 利用调制平移变换的Harvey散射模型进行散射光线追迹的方法 | |
| CN115310590A (zh) | 图结构学习方法和装置 | |
| Lindgren et al. | Effective persistency evaluation via exact excursion distributions for random processes and 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 |