[发明专利]基于深度学习的电磁超表面设计方法及装置

权利要求书

1.一种基于深度学习的电磁超表面设计方法，其特征在于，包括以下步骤：

构建深度学习模型M1、深度学习模型M2以及训练集；

输入所述训练集至深度学习模型M1进行训练，输入所述训练集至深度学习模型M2进行训练；

根据训练后的深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据训练后的深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。

2.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述训练集的元素包括入射波信息、电磁超表面结构/排列及其对应的光学响应。

3.根据权利要求2所述的基于深度学习的电磁超表面设计方法，其特征在于，所述光学响应为远场辐射方向图；所述入射波信息包含入射电磁波的频率、入射角度以及电磁波极化。

4.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述训练集的样本通过以下方式得到：

采用电磁仿真软件对不同电磁超表面结构/排列进行仿真，得到对应的光学响应结果；

将所述光学响应结果与所述电磁超表面结构/排列一一组合，得到所述深度学习模型的训练样本。

5.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述深度学习模型M1的输入为给定的电磁超表面结构/排列信息以及入射波信息，输出对应的光学响应；所述深度学习模型M2的输入为自定义的光学响应以及入射波信息，输出对应的电磁超表面结构/排列。

6.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述深度学习模型M1包含多个卷积神经网络层与反卷积神经网络层，具体的：

将电磁超表面结构/排列以及入射波信息量量化构成一个矩阵，作为所述深度学习模型M1的输入矩阵；

将光学响应量化构成另一个矩阵，作为所述深度学习模型M1的输出矩阵；

根据所述输入矩阵以及输出矩阵训练所述深度学习模型M1，得到所述电磁超表面结构/排列与对应光学响应的正向映射关系。

7.根据权利要求1所述的基于深度学习的电磁超表面设计方法，其特征在于，所述深度学习模型M2包含多个卷积神经网络层与反卷积神经网络层，具体的：

将光学响应以及入射波信息量化构成一个矩阵，作为所述深度学习模型M2的输入矩阵；

将电磁超表面结构/排列量化构成另一个矩阵，作为所述深度学习模型M2的输出矩阵；

根据所述输入矩阵以及输出矩阵训练所述深度学习模型M2，得到电磁超表面结构/排列与对应光学响应的逆向映射关系。

8.一种基于深度学习的电磁超表面设计装置，其特征在于，具体包括：

深度学习模型构建模块：用于构建深度学习模型M1、深度学习模型M2以及训练集；

深度学习模型训练模块：用于输入所述训练集至深度学习模型M1进行训练，用于输入所述训练集至深度学习模型M2进行训练；

电磁超表面设计模块：用于根据训练后的深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据训练后的深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。

9.一种电磁超表面，其特征在于，所述电磁超表面由电磁超单元拼接而成，所述电磁超单元包括上介质层、中间介质层以及下介质层，具体的：

所述上介质层固定在中间介质层的上表面，所述上介质层具有全极化功能的谐振结构；

所述中间介质层是非金属层；

所述下介质层是金属层，所述下介质层的上表面与所述中介质层的下表面紧贴且完全吻合。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的基于深度学习的电磁超表面设计方法。