[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

说明书

本发明公开了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，首次利用贝叶斯优化和深度神经网络来分析、研究及优化纳米光子学器件光学性质。本发明的神经网络自学习系统同时利用了神经网络的强数据表征能力和贝叶斯优化的高效数据采样属性，实现了深度神经网络的自学习功能，使得对光子学系统的分析计算具有较强的系统鲁棒性和一定的智能性，避免了传统优化算法对数据拟合能力不足的缺陷，增加了对光学系统全局优化的能力，为纳米光子学器件的分析和设计提供了新的思路。

技术领域

本发明涉及用于纳米光子学器件的分析和设计方法，具体一种利用深度神经网络和贝叶斯优化的自学习系统，可以对纳米光子学器件的光学性质进行自学习分析以及面向器件运用对目标光学特征进行全局优化。

背景技术

深度神经网络是人工神经网络的一种，类似生物神经元的设计思路，利用大量的逻辑结构单元重复进行简单计算，并最终实现复杂函数的拟合。随着人工神经网络设计的进步和今年来硬件计算能力的提升，网络深度逐渐加深，并且开发出了多种网络结构，其中卷积神经网络(Convolutional Neural Network，简称CNN)在医学成像分析、计算机视觉，生物分子解析、金融预测等领域，展现出了极强的运用价值。深度搭建的神经网络，利用卷积操作可以对矩阵信息进行采集分析，并提取为若干特征层，每一维特征层提取特定的图像模式，并且随着深度的增加，卷积特征能够容纳从细节到全局的广泛图案特征。利用深度神经网络，可以在图案层面对纳米光子学器件设计进行分析研究，大幅提高器件设计效率。

贝叶斯优化(Bayesian optimization，简称BO)利用贝叶斯定理，对未知目标函数进行有限的信息获取，并使用概率模型描绘未知目标函数，使得描绘的替代模型尽量的接近未知的目标函数，并在逼近的结果上评估最具有价值的点，作为下一轮信息获取的自变量输入，经过数次评估循环，贝叶斯优化算法能够得到复杂目标函数值的全局最优。在每一次评估过程中，贝叶斯优化自动选取最有潜力的自变量进行探测，具有很高的采样效率，并且不需要未知目标函数具备连续性或者可导性。在高噪声情况下，贝叶斯优化能够适应观测值具有的不确定性，对噪声数据进行建模，这样的概率模型的重要性质就是极强的鲁棒性，具有广泛的实际运用，例如网页和推荐系统设计、资源环境监控、新药物设计、复杂材料设计，等等。

纳米光子学器件由于能够在纳米尺度上对光进行调控，能够以纳米尺度操纵电磁波分布，并实现强烈的能量局域效应，这三个特征显著增强了众多光学过程效率，在新型光子学器件运用中具有重要潜力，例如高度集成光传感器、纳米激光、全光电路，等等。由于纳米光子学结构尺寸较小，能量的局域性强，光与物质相互作用显著，本发明着眼于通过结合贝叶斯优化和深度神经网络算法，通过设计循环结构，令贝叶斯优化采样使得神经网络系统进行自学习，实现对纳米光子学器件光学性质的高效分析，通过贝叶斯优化的概率模型，对纳米器件的设计参数进行稳定优化，具有抗噪声性，全局性和强适应性等优点。

发明内容

本发明的目的在于提供一种应用于纳米光子学器件分析与优化设计的自学习系统，使该系统能够对光子学器件的光学特征进行表征分析，并按照其运用要求设计器件参数，实现光子学器件设计的智能开发。

本发明的技术方案如下：

一种人工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(参见图3)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，以应对不同类型的光学性质表征及分析。当纳米光子学结构数据输入至该神经网络中，将首先被分割为二值矩阵表示的像素图案，并输入到下采样层中进行图案特征分析，所述下采样层按照卷积网络的从浅到深堆栈，每一轮卷积(Convolution)分析会包含两次卷积操作以及一次池化(pooling)操作。