[发明专利]一种基于深度学习的纳米结构设计方法

权利要求书

1.一种基于深度学习的纳米结构设计方法，其特征在于，包括：

步骤一、建立一个训练数据集，训练数据集中包含任意一种纳米结构信息，纳米结构信息包括纳米材料的几何形状和对应的X和Y两个极化方向的频谱和材料性质，几何形状通过8个纳米结构表征点来表示；

步骤二、对训练数据集进行预处理，以将训练数据集中的数据进行转置和归一化；

步骤三、构建频谱预测网络SPN和几何形状预测网络GPN；频谱预测网络SPN的输入是纳米材料的几何形状，输出是对应的X和Y两个极化方向的频谱；几何形状预测网络GPN的输入为X和Y两个极化方向的频谱和材料性质，输出是对应的纳米材料的几何形状；

步骤四、将频谱预测网络SPN和几何形状预测网络GPN整合成一个神经网络模型，频谱预测网络SPN的输出连接几何形状预测网络GPN的输入，材料性质是每种等离子体的固定参数，直接给定；

步骤五、使用预处理后的训练数据集对整合的神经网络模型进行训练，当损失函数达到预设值时，神经网络模型训练完成；

训练过程具体包括：

S51、前向传播：几何形状预测网络GPN中，输入数据由三个张量Tensor组成，将输入数据先输入到并行网络中，然后全连接到一层，再连接节点数相同的隐藏层，最终输出8个纳米结构表征点；

频谱预测网络SPN网络模型中，网络的输入为GPN输出的8个纳米结构表征点，以及代表材料性质的25个数据点；为SPN的输入增加两个数据点，这两个点用于控制网络的输出，当这两个数据点为01时，网络预测的结果是水平极化方向的透射谱，当这两个数据点为10时，网络的预测结果对应垂直极化方向的透射谱，以减小该神经网络需要存储的权重参数；

S52、计算loss：将网络的预测输出与期望值对比计算出损失值，采用均方误差作为损失函数：

Loss＝GPN_MSE(predictedGeometry，groundTruthGeometry)

在整个批处理中为SPN创建一个双倍大小的批处理，然后通过向GPN输出提供数据，在SPN上执行前进，最后向后移动两个网络，计算每个网络的损耗，将损失相加并将其与两个网络的梯度一起发送给优化器，网络的损失函数如下：

Loss＝GPN_MSE(predictedGeometry，groundTruthGeometry)+

SPNx_MSE(predictedSpetrumX，groundTruthSpectrumX)+

SPNy_MSE(predictedSpetrumY，groundTruthSpectrumY)；

S53、反向传播：在利用训练数据集训练时，根据梯度下降算法来更新前向传播时的权值与偏差；权值w更新为w-V，其中V为更新量，V＝dw*λ+V*momentum，为引入梯度后的更新量，从而使用反向传播的方法来更新每层的参数；

S54、更新参数：首先尝试同时更新SPN和GPN的权重参数，然后采用不对等的学习方式：先前向传播以及后向传播一次GPN、SPN；然后在后续的训练中，对于GPN，每个epoch中都执行前向传播，而每隔一定的epoch才执行一次后向传播；对于SPN，每个epoch都执行前向传播和后向传播；

步骤六：将待建立的纳米结构对应的X和Y两个极化方向的频谱和材料性质输入到训练完成的神经网络模型中，就可以得到纳米结构的8个纳米结构表征点，进而得到纳米结构的几何形状；待建立的等离子体与训练数据集中等离子体的种类相同。

2.根据权利要求1所述的基于深度学习的纳米结构设计方法，其特征在于，在步骤一中，一种等离子体的几何形状对应一组X和Y两个极化方向的频谱，每种等离子体的材料性质是一个固定的参数。

3.根据权利要求1所述的基于深度学习的纳米结构设计方法，其特征在于，8个纳米结构表征点具体包括：L₀、L₁分别表示二维平面上纳米粒子的宽度和一侧的部分长度；Leg 1、leg 2、...leg 5分别表示纳米粒子的五条边，1表示该边存在，0表示该边不存在；φ表示边Leg 1的旋转角度。