[发明专利]一种用于纳米光子学器件的神经网络自学习系统及其运用

权利要求书

1.一种神经网络自学习系统，用于纳米光子学器件的分析和/或设计，所述自学习系统的神经网络包括下采样层、全连接层和上采样层，其中下采样层位于全连接层和上采样层之上，上采样层和全连接层并列；输入至该神经网络中的纳米光子学结构数据首先被分割为二值矩阵表示的像素图案，并输入到所述下采样层中进行图案特征分析；然后经过扁平化操作输入全连接层，全连接层输出向量形式的光学性质；最后由上采样层对图像化的光学性质进行分析。

2.如权利要求1所述的神经网络自学习系统，其特征在于，所述下采样层按照卷积网络的从浅到深堆栈，每一轮卷积分析包含两次卷积操作以及一次池化操作。

3.如权利要求2所述的神经网络自学习系统，其特征在于，利用二值矩阵将纳米光子学结构数据进行像素化，得到(P，P)矩阵输入下采样层的卷积神经网络，所述下采样层的卷积神经网络的每个卷积层的卷积核的数量设置为2⁵⁺¹、2⁵⁺²、…、2^5+N，卷积核大小设置为(K，K)，其中，K取值为2-5的整数；N为整数，代表对应卷积神经网络的池化操作进行的次数；P为2^N的整数倍。

4.如权利要求2所述的神经网络自学习系统，其特征在于，所述下采样层中的池化操作以2为步长对输入像素进行扫描，仅保留每(2，2)像素区域范围内的最大值。

5.如权利要求1所述的神经网络自学习系统，其特征在于，所述扁平化操作是将矩阵形式的下采样层输出重新排列为向量形式，然后再按照互相组合的方式加入权重输入全连接层，输出向量形式的光学性质。

6.如权利要求1所述的神经网络自学习系统，其特征在于，所述全连接层包括输出层和中间层，共3-5层全连接神经元累加；根据最终输出光谱数据的数据点个数S，输出层的神经元个数设置为S，各中间层的神经元个数分别为2^M+L、2^M+L-1、…、2^M，其中M为满足2^MS的最小整数；L为整数，其数值为全连接层的层数减去2。

7.如权利要求1所述的神经网络自学习系统，其特征在于，所述上采样层包含若干个扩展层和卷积层的组合，其中扩展层通过与卷积操作逆向的算法操作，以2为步长，将每个像素点扩展为(2，2)的像素块，进而实现层次结构的重构；卷积层将多个卷积核中储存的光学模式反向分配到特征，实现模式学习。

8.如权利要求7所述的神经网络自学习系统，其特征在于，所述上采样层具有与下采样层对称设计的神经网络结构。

9.利用权利要求1～8任一所述的神经网络自学习系统对纳米光子学器件进行分析和/或设计的方法，包括以下步骤：

1)随机生成纳米结构并表征其光学响应；

2)利用随机生成的纳米结构及其光学响应数据训练所述神经网络自学习系统；

3)利用贝叶斯优化针对目标光学参数进行自动采样；

4)选取一定比例采样样本输入所述神经网络自学习系统进行验证和训练；

5)循环进行步骤3)和4)，实现所述神经网络自学习系统的自学习，在高准确度的结构模型基础上，输出具备最优化光学性质的纳米光子学器件结构参数，由此实现纳米光子学器件设计；或者，利用训练好的所述神经网络自学习系统对输入的纳米光子学器件结构的光学性质进行表征分析。

10.如权利要求9的方法，其特征在于，步骤1)所述纳米结构的光学响应数据通过数值模拟或者实验方法获得；步骤2)中所述纳米结构及其光学响应数据对神经网络的训练是将输入结构参数传递给神经网络，并利用梯度下降的方法对神经网络节点储存权值进行分配，使得神经网络输出逼近输入训练的光学属性数值。