本发明涉及电磁结构设计领域,尤其涉及一种结构色超材料逆向设计方法、训练方法、系统及存储介质,具体是一种基于深度学习算法,设计出具备理想光学性能器件的方法。
背景技术:
1、超材料(metamaterials)是由亚波长结构单元组成的人工复合材料。而其中二维平面的超材料,如使用薄膜工艺、印制板图形构建的平面超材料,通常将其称为超表面,它被认为是一种二维超材料。人工设计的特殊结构使它具备自然界不存在的特性,在科学界广受关注。它的出现带来了许多新颖的设计思想,突破了传统的材料设计思维。
2、要制备这些纳米结构材料,合适的理论模型是必不可少的。因为工艺流程极其复杂,需要先用模型精准预测超表面的预期光谱特性和功能。对超表面进行结构设计以及对其光学特性进行预测,一般采用将有限元建模(fem)或时域有限差分(fdtd)结合起来的方式,但人为引导误差在设计过程中会产生固有的影响。器件的建模计算是自底层向上执行的过程,由于人工引导及计算机算力限制,我们在参数扫描的过程中很难避免局部最优解,对于陌生结构或是参数自由度较多的器件,往往更需要花费研究人员大量的时间和算力进行试错。
3、在另一个信息技术领域,人工神经网络兴起于上世纪八十年代,一直受到人工智能领域研究的广泛关注。它从信息处理的角度抽象人脑神经网络,构建简单的模型,通过不同的方法进行连接形成不同的网络。在工程以及学术领域,这种网络一般被称作神经网络或类神经网络。神经网络是由大量相互连接的节点(或神经元)组成的一种计算模型。网络本身一般是对自然界中某种算法或函数的近似,或者是表示逻辑策略的工具。
4、近年来,神经网络逐渐进入了光学研究和设计领域,通过使用优化方法和进化算法来加速光子器件的设计。为了加速设计过程而不需要对麦克斯韦方程进行大量的计算(数值计算或分析),数据驱动方法,特别是深层神经网络,已逐渐融入微波和纳米光子学器件的设计中。
5、但目前针对结构色超材料的逆向设计,尤其是具有复杂结构的超材料逆向设计还没有出现成熟的技术方案。
技术实现思路
1、针对现有技术的不足,本发明的目的在于提供一种结构色超材料逆向设计方法、训练方法、系统及存储介质。
2、为实现前述发明目的,本发明采用的技术方案包括:
3、第一方面,本发明提供一种结构色超材料逆向设计模型的训练方法,其包括:
4、提供初始深度学习模型,所述初始神经模型包括卷积神经网络模型或生成式对抗网络模型;
5、基于作为训练样本的结构色超材料器件的结构信息以及色谱标记信息对所述初始神经网络进行迭代训练,获得结构色超材料逆向设计模型。
6、在一些优选实施例中,所述深度学习模型选自卷积神经网络模型;
7、所述色谱标记信息包括所述结构色超材料器件的rgb值,所述结构信息包括所述结构色超材料器件的结构层厚度;
8、所述迭代训练具体包括:
9、输入所述rgb值后通过卷积函数进行卷积实现输入特征的扩展,并施加激活函数,获得扩展特征;
10、使所述扩展特征通过线性全连接层进行梯度优化,生成结构参数矩阵;
11、基于所述结构信息与所述结构参数矩阵计算损失值,并基于所述损失值更新卷积神经网络模型的参数。
12、在另一些优选实施例中,所述深度学习模型选自生成式对抗网络模型,所述生成式对抗网络模型包括判别器和生成器;
13、所述色谱标记信息包括所述结构色超材料器件的颜色图,所述结构信息包括所述结构色超材料器件的器件结构截面图;
14、所述迭代训练具体包括:
15、所述生成器根据所述颜色图生成虚拟结构截面图;
16、通过所述判别器对相应的器件结构截面图的误差判别与对来自生成器的虚拟结构截面图的误差判别进行反向传播,再通过梯度下降的算法更新参数,完成所述迭代训练。
17、第二方面,本发明还提供一种基于深度学习的结构色超材料逆向设计方法,其包括:
18、提供结构色超材料逆向设计模型;
19、将预期色谱信息输入所述结构色超材料逆向设计模型,获得匹配所述预期色谱信息的器件结构设计信息
20、其中,所述结构色超材料逆向设计模型是通过上述训练方法训练获得的。
21、第三方面,本发明还提供一种基于深度学习的结构色超材料逆向设计系统,其包括:
22、模型训练模块,用于提供结构色超材料逆向设计模型,所述结构色超材料逆向设计模型是通过上述训练方法训练获得的;
23、逆向设计模块,用于将预期色谱信息输入所述结构色超材料逆向设计模型,获得匹配所述预期色谱信息的器件结构设计信息。
24、一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被运行时执行上述模型训练方法,或上述结构色超材料逆向设计方法的步骤。
25、基于上述技术方案,与现有技术相比,本发明的有益效果包括:
26、本发明所提供的结构色超材料逆向设计方法通过神经网络对环境的适应和对大量非线性数据的学习能力,神经元之间的特殊连接方式使其具有强大的可塑性,神经网络可以通过学习和训练进行自组织以适应不同信息处理的要求,这种大量神经元的集体行为并不是各单元行为的简单的相加,而表现出复杂非线性动态系统的特性,如不可预测性、不可逆性及出现混沌现象等,实现了结构色超材料的高效准确地逆向设计。
27、上述说明仅是本发明技术方案的概述,为了能够使本领域技术人员能够更清楚地了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合详细附图说明如后。
1.一种结构色超材料逆向设计模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的训练方法,其特征在于,所述深度学习模型选自卷积神经网络模型;
3.根据权利要求2所述的训练方法,其特征在于,所述卷积函数选自conv2d;
4.根据权利要求2所述的训练方法,其特征在于,获得所述扩展特征的过程具体包括:
5.根据权利要求1所述的训练方法,其特征在于,所述深度学习模型选自生成式对抗网络模型,所述生成式对抗网络模型包括判别器和生成器;
6.根据权利要求5所述的训练方法,其特征在于,所述判别器的目标函数为:
7.根据权利要求5所述的训练方法,其特征在于,所述判别器的判别准确率低于预设阈值。
8.一种基于深度学习的结构色超材料逆向设计方法,其特征在于,包括:
9.一种基于深度学习的结构色超材料逆向设计系统,其特征在于,包括:
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序被运行时执行权利要求1-7中任意一项所述的模型训练方法,或权利要求8所述的结构色超材料逆向设计方法的步骤。