1.一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：
s1、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；
s2、通过fdfd/fdtd数值模拟方法，生成电介质结构的电磁性能数据；
s3、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。
2.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：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。
3.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：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。
4.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：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。
5.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：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。
6.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：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。
7.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：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。
8.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：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。
9.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：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。
10.根据权利要求1所述的一种用于介质激光加速的深度学习架构，其特征在于，包括以下步骤：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。