[发明专利]基于深度学习神经网络的超材料电磁感应透明器件的结构按需设计方法

说明书

本发明提供的是一种基于深度学习神经网络的超材料电磁感应透明器件结构的按需设计方法。其特征是：深度学习神经网络全部由全连接层构成，其数据驱动的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。解决了利用传统数值算法来设计超材料电磁感应透明器件结构过程中的求解麦克斯韦方程组在极其复杂的边界条件下高度非线性求解问题的耗时与可行性问题。本发明可用于根据光谱反向按需设计电磁感应透明器件结构，可广泛用于慢光效应、非线性光学、光学传感和光学存储等方面。

(一)技术领域

本发明涉及超材料电磁感应透明器件和深度学习领域，特别涉及一种基于深度学习的超材料电磁感应透明器件的反向按需设计方法。

(二)背景技术

电磁感应透明(EIT)是发生在三能级原子系统中的一种量子干涉效应，由不同激发跃迁途径之间的量子相消干涉造成，可以在较宽的吸收光谱内产生极窄的透明窗口，使光可以自由通过一个原本高度不透明的介质传播。但是，量子EIT实现非常困难，常常需要超低温度、强磁场，以及大功率的激光器等实验条件。同时，在如此严苛的条件下，量子EIT可调节的参数也有限，这极大地限制了量子EIT的实际应用。近年来，在经典系统中类EIT现象应用越来越广泛，特别是在超材料中的类EIT现象。利用类EIT现象，在室温下就可以方便地实现其光学效应。

对于设计电磁感应透明结构，人工计算费时费力，复杂结构甚至不能算出。根本原因是光响应的预测不仅非常耗时，而且在传统数值算法来设计超材料电磁感应透明器件结构过程中，求解的麦克斯韦方程组在极其复杂的边界条件下有着高度的非线性。更重要的是，逆问题，即设计具有随需光学响应的纳米结构，由于该问题的高度非线性，即使使用最先进的数值工具，目前也是一项令人望而却步的任务。

深度学习的出现,极大地改善了语音识别、视觉对象识别以及决策领域的技术水平，在训练中使用反向传播算法发现大数据集中复杂的结构方面具有优势。与数值优化方法不同，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。深度学习的应用可以大大提高电磁感应透明器件设计的效率。

之前也有学者思考了利用深度学习来设计纳米结构光学元件，其专利申请号为201910272348.9。其发明公开了一种基于深度学习神经网络的全介质超材料滤波器传输特性的快速预测与反向结构设计方法，该方法通过大量的模拟数据来训练神经网络，寻找滤波器结构与透射响应之间的对应关系并对其进行建模。

本发明与其不同点有以下3点：

1、设计的超材料器件不同。其发明设计的是全介质超材料滤波器，本发明设计的是超材料电磁感应透明器件。

2、网络采用的结构不用。其发明采用的是正向网络5层加反向网络4层的结构，本发明只需7层网络结构。

3、网络采用的优化方式不同。其发明采用随机梯度下降算法来优化网络参数，

本发明采用Adam优化算法来进行网络参数的优化。

还有学者提出了一种超表面设计方法，其专利号为201910315408.0。公开了一种基于卷积自编码器的超表面自动设计方法，包括以下步骤：步骤1，随机生成若干个超表面单元结构，使用电磁仿真软件分别计算每个超表面的反射相位和幅值；步骤2，采用基于卷积自编码器的深度学习方法，通过将步骤1中计算得到的反射相位和幅值同时输入卷积自编码器，输出对应的超表面单元结构，来训练深度学习模型；步骤3，将设计目标的反射相位和幅值输入步骤2中训练完毕的深度学习模型中，使用卷积自编码器完成特征提取以及特征与超表面矩阵之间的匹配，即获得所需要设计的超表面结构。

本发明与其不同点有以下3点：

1、设计的超材料器件不同。其发明设计的是一种编码器，本发明设计的是超材料电磁感应透明器件。

2、神经网络的类型不同。其发明采用的是卷积神经网络，本发明采用的是全连接神经网络。