[发明专利]基于深度学习的电磁超表面设计方法及装置

说明书

本申请实施例中提供了一种基于深度学习的电磁超表面设计方法及装置，电磁超表面设计方法根据深度学习模型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。正向预测中，克服了传统方法依赖于数值模拟迭代解决麦克斯韦方程繁杂耗时的缺点，极大地降低了计算复杂度，缩短了计算时间。逆向设计中，利用训练所得的逆向设计的深度学习模型有效地发现和优化电磁超单元的几何参数，实时得出不同入射波信息下的电磁超表面结构/排列，实现了用户自定义的、随需应变的电磁超表面设计。

技术领域

本申请属于电磁超材料技术领域，具体地，涉及一种基于深度学习的电磁超表面设计方法及装置。

背景技术

电磁超材料指是一些具有人工设计的结构并呈现出天然材料所不具备的超常物理性质的复合材料，电磁超表面是指一种厚度小于波长的人工层状材料，电磁超表面可视为电磁超材料的二维对应。电磁超表面，由亚波长结构按照特定方式排列的二维超材料，具有很多自然材料没有的功能，同时可以表现出很多自然材料没有的超常物理现象，例如负折射、完美透镜以及隐身衣。与传统的笨重的光学器件相比，电磁超表面具有质量轻、体积小、损耗低、易集成等优点，能够实现对电磁波相位、振幅和偏振灵活有效的调控。

电磁波是由同相振荡且互相垂直的电场与磁场在空间中以周期波动的形式进行能量和动量传递的一种波。电磁波谱包括电磁辐射所有可能的频率，电磁波谱频率从低到高分別列为无线电波、微波、红外线、可见光、紫外线、X射线和伽马射线。电磁波谱是无限的，而且是连续的。对于电磁超表面，可以通过设计超表面的亚波长结构来实现对电磁波的操控。

在过去的几十年里，电磁超表面因其特殊的电磁特性而引起人们极大的兴趣。在国内，2014年崔铁军等提出了编码电磁超表面与数字电磁超表面的概念，建立了电磁超表面物理学与数字信息科学之间的联系。例如，对于1位编码，具有180度相位差的编码超材料0和1。2016年杨怡豪等提出了一种三维全极化的电磁超表面隐身衣，并实验恢复了不同极化反射波的幅度和相位。近期还提出了基于可调电磁超表面的自适应控制和基于形状记忆材料的红外温控电磁超表面。

然而，目前的电磁超表面设计依赖于繁杂冗长的电磁数值仿真，且需要大量的人为参与和监督，大大降低了设计效率；另外，目前的电磁超表面设计只注重于单个电磁超单元的设计，而忽略了亚波长结构相互之间的耦合效应，导致实际效果与理论效果的不匹配。一个全面有效的电磁超表面的设计方案应该包含两个主要功能:1.根据给定的超表面结构/排布输出其对应的全光学响应，即正向预测；2.根据所需要的光学响应输出超表面结构/排布，即逆向设计。

在目前的电磁超表面设计方法中，正向预测通过大量的数值迭代解决麦克斯韦方程组，直到整个求解过程收敛为止，此过程耗时费力，事倍功半。逆向设计过程复杂，无法表达成通用数学模型。常见的方法包括遗传算法，水平集方法和拓扑优化。然而，这种随机算法的性能受到其随机搜索性质的严重限制，随着问题和复杂性的增加，目前的电磁超表面设计方法不能满足电磁超表面的设计。

与数值优化方法相比，基于深度学习的数据驱动方法可以表示和泛化复杂的函数或数据，从而发现大量变量之间的未知关系。深度学习允许计算模型一层一层地学习数据并进行多层抽象表示。不仅改善了语音识别、视觉对象识别等传统领域的技术水平，也逐渐渗入到材料科学、化学、粒子物理、量子力学和显微学等许多其他研究领域。

在电磁学领域中，神经网络作为深度学习体系结构中应用最广泛的构件，在解决一些电磁设计和预测问题中得到了广泛的应用，比如用深度神经网络来预测层状纳米球的散射谱。但是，这些神经网络主要是通过叠加几个完全连接层来构建的，由于其浅层结构和较差的表达能力，这些神经网络只能应用于单个的简单的电磁超表面设计，应用效果十分有限，并不适用于整个电磁超表面的宏观设计。

发明内容