一种用于介质激光加速的深度学习架构的制作方法

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。

技术实现要素：

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：判别器的学习目标为：

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：et+1＝f(et，ε，θ)，ε＝g(e0，θ)，

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。