一种超表面参数预测方法、装置和计算机设备

本技术涉及超表面，特别是涉及一种超表面参数预测方法、装置和计算机设备。

背景技术：

1、超材料，就是指使用大量亚波长尺寸元件，按照一定规律排布实现特定电磁特性的设计方法，其中包括把这些亚波长器件按照特定规律在一维、二维或三维空间中排布。而超表面则是超材料中的一种特例，特指把这些亚波长尺寸器件在二维空间中排布实现特定的电磁特性。

2、超表面是一种新型的材料，具有很多优秀的性能，如高阻抗、宽带、低损耗等。超表面是一种人工亚波长单元，可对波前进行裁剪，以实现对波方向、全息或掩蔽的简单操作。作为电磁学的前沿研究领域，超表面在声学和弹性中得到了积极的研究。通常，超表面可分为两种类型：反射型超表面和折射型超表面。反射型超表面用于反射波裁剪，通常附着在介质边缘。相反，折射型超表面用于透射波裁剪，通常位于均质介质内。

3、随着超构表面相关领域研究的不断深入，传统的超构表面器件优化设计方法需要大量的试验和调整。并且超表面相位数据通常受到噪声、材料参数等不确定因素的影响，实验过程耗时耗力，无法满足快速设计的需求，这在一定程度上制约了该研究领域的发展，因此，需要一种更加简单且灵活的设计方案。

4、随着计算机技术以及人工智能技术的不断发展，基于深度学习的超构表面设计方法应运而生。目前已经出现了利用神经网络模型来预测超表面电磁响应的方法，例如中国专利文献202210695660.0中公开了一种电磁超表面单元及超表面电磁响应快速预测方法。但是发明人认识到，该预测方法存在如下缺陷：

5、(1)在该方法中，超表面单元编码图案区域为16*16的中心对称矩阵，这种矩阵生成的超表面单元的结构特性为各向异性，即极化敏感型的超表面；

6、(2)在该方法中，神经网络模型输入层输入的是规格为32*32大小的矩阵，是在神经网络输入时以二维复制延拓的形式将4个16×16的矩阵扩展为32×32矩阵；也就是该方法会将一个超表面单元进行扩展作为神经网络输入，这会导致作为输入的矩阵规格过大，进而导致神经网络模型的计算成本变高以及参数数量过多，从而增加了神经网络模型的复杂度，使模型难以训练和调试，还可能导致模型精度变差。

7、(3)在该方法中，使用的输出数据是电磁响应的实部和虚部，再通过实部和虚部数据反演计算得到电磁响应的幅值和相位；当工作在宽频带时，通过这种方式对于超过360度的相位变化难以确定累积值，并且反演计算的方式不仅只能得到相对相位，而且反演过程引入的数值误差对计算结果也会有影响。

技术实现思路

1、基于此，针对上述技术问题，提供一种超表面参数预测方法、装置和计算机设备，以解决现有神经网络模型预测超构表面电磁响应方法中输入神经网络模型的矩阵规格过大，增加了神经网络模型的复杂度，以及通过实部和虚部数据反演计算得到电磁响应的参数，导致难以确定相位变化累积值的技术问题。

2、为了实现上述目的，本技术提供如下技术方案：

3、第一方面，一种超表面参数预测方法，包括：

4、构造超表面基本周期单元结构，所述超表面基本周期单元结构包括自下而上依次设置的金属背板、介电层和金属贴片层，所述金属贴片层由呈双轴对称分布的多个基本单元结构组成，所述基本单元结构包括呈对称分布的多个金属片；

5、基于所述基本单元结构，随机生成多个不重复的基本单元对称矩阵，所述基本单元对称矩阵能够表示相应基本单元结构的金属片分布情况；

6、根据生成的多个不重复的基本单元对称矩阵，利用仿真软件仿真生成多个超表面周期单元并得到每个超表面周期单元的参数；

7、利用经过数据清洗后得到的所有超表面周期单元的参数和相应基本单元对称矩阵，训练预先建立的神经网络模型，得到超表面参数预测模型；

8、将待预测超表面周期单元的相应基本单元对称矩阵输入到所述超表面参数预测模型中，得到对所述预测超表面周期单元的参数预测结果。

9、可选地，所述金属背板的材质为铜；所述介电层的相对介电常数为4.3-0.0035j、厚度为2mm。

10、可选地，所述基本单元结构的规格为8*8；所述金属片为正方形金属铜片，所述金属片的边长为0.5mm。

11、可选地，所述预先建立的神经网络模型包括三层卷积神经网络和全连接层，每一个全连接层后还连接有批量规范化层。

12、可选地，所述利用经过数据清洗后得到的所有超表面周期单元的参数和相应基本单元对称矩阵，训练预先建立的神经网络模型，包括：

13、将经过数据清洗后得到的所有超表面周期单元的参数和相应基本单元对称矩阵，按照预设比例划分成训练集、验证集和测试集；

14、利用所述训练集训练所述预先建立的神经网络模型，利用所述验证集调整所述预先建立的神经网络模型的超参数，利用所述测试集评估所述预先建立的神经网络模型的性能。

15、进一步可选地，所述预设比例为8:1:1。

16、可选地，采用余弦退火学习率训练所述预先建立的神经网络模型；使用反向传播算法更新所述预先建立的神经网络模型的超参数；所述预先建立的神经网络模型的激活函数为leakyrelu。

17、可选地，所述参数包括振幅和/或相位。

18、第二方面，一种超表面参数预测装置，其特征在于，包括：

19、超表面基本周期单元结构构造模块，用于构造超表面基本周期单元结构，所述超表面基本周期单元结构包括自下而上依次设置的金属背板、介电层和金属贴片层，所述金属贴片层由呈双轴对称分布的多个基本单元结构组成，所述基本单元结构包括呈对称分布的多个金属片；

20、基本单元对称矩阵生成模块，用于基于所述基本单元结构，随机生成多个不重复的基本单元对称矩阵，所述基本单元对称矩阵能够表示相应基本单元结构的金属片分布情况；

21、超表面基本周期单元仿真模块，用于根据生成的多个不重复的基本单元对称矩阵，利用仿真软件仿真生成多个超表面周期单元并得到每个超表面周期单元的参数；

22、神经网络模型训练模块，用于利用经过数据清洗后得到的所有超表面周期单元的参数和相应基本单元对称矩阵，训练预先建立的神经网络模型，得到超表面参数预测模型；

23、参数预测模块，用于将待预测超表面周期单元的相应基本单元对称矩阵输入到所述超表面参数预测模型中，得到对所述预测超表面周期单元的参数预测结果。

24、第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现第一方面中任一项所述的方法的步骤。

25、本发明至少具有以下有益效果：

26、1、本发明实施例所提供的一种超表面参数预测方法中，首先构造超表面基本周期单元结构，超表面基本周期单元结构包括自下而上依次设置的金属背板、介电层和金属贴片层，金属贴片层由呈双轴对称分布的多个基本单元结构组成，基本单元结构包括呈对称分布的多个金属片；进而随机生成多个不重复的能够表示相应基本单元结构的金属片分布情况的基本单元对称矩阵，利用仿真软件仿真生成多个超表面周期单元并得到每个超表面周期单元的参数；从而直接利用所有超表面周期单元的参数和能够表征超表面周期单元结构的相应基本单元对称矩阵作为输入，训练预先建立的神经网络模型，就能直接得到将超表面周期单元的参数作为输出的超表面参数预测模型；本发明实施例提供的方法避免了在训练神经模型时对超表面周期单元进行扩展，而是直接将能够表征超表面周期单元结构的相应基本单元对称矩阵作为输入，缩小了作为输入的对称矩阵的规格，降低了神经网络模型的计算成本和复杂度，使神经网络模型更容易训练和调试；另外，本发明实施例提供的方法中预测模型是直接输出电磁响应的参数，无需经过反演推算，这样可以准确得到电磁响应的累积相位，方便于后续应用。

27、2、本发明实施例提供的方法中，构造的超表面基本周期单元为双轴对称结构，具有各向同性的特性，即为极化不敏感型的超表面。

28、3、本发明实施例提供的方法中，所使用的神经网络模型为自设计网络，通过不断优化网络的学习率、批量大小、神经网络层数等超参数，模型能够有更好的拟合数据，从而提高了模型的预测能力。