[发明专利]一种利用级联深度神经网络的介质超表面逆向设计算法

权利要求书

1.一种利用级联深度神经网络的介质超表面逆向设计算法，其特征在于，包括以下几个步骤：

步骤1，选择工作波段和超表面响应单元介质材料，随机生成若干个介质超表面响应单元，用时域有限差分的方法计算每个响应单元的电磁响应，形成一一对应的数据库。

步骤2，搭建级联的深度神经网络。

步骤3，利用包含结构信息的图片作为输入，电磁响应为输出训练级联深度神经网络的正向网络。

步骤4，训练自编码器用于包含结构信息图片的降维和特征提取。

步骤5，测试级联的深度神经网络的性能和泛化能力。

2.根据权利要求1中所述的利用级联深度神经网络的介质超表面逆向设计算法，其特征在于，步骤1的具体过程如下：

选择可见光为工作波长范围，根据波长范围设计合理的响应单元的衬底和纳米柱材料，应用奎因斯特采样定律和加工条件的约束确定响应单元的周期。在半边周期内随机生成若干个长方体，并以镜像对称的方式映射到另一侧，构成一个响应单元。用时域有限差分的方法计算该结构的电磁响应(相位和振幅)。重复生成响应单元并计算电磁响应建立一一对应的数据库，该过程重复次数越多越好，应不小于20000(经验值)次。

3.根据权利要求2中所述的电磁响应由于相位会产生2π的突变，所以采用实部和虚部的方式记录。

4.根据权利要求1中所述的利用级联深度神经网络的介质超表面逆向设计算法，其特征在于，步骤2中提到的级联深度神经网络应该包括4个组分：模拟器、编码器、解码器和映射器。其中模拟器用于预测超表面响应单元的电磁响应，编码器和解码器用于对超表面响应单元结构的编码和特征向量的提取，映射器和解码器的组合实现对超表面响应单元结构的预测。

5.根据权利要求1中所述的利用级联深度神经网络的介质超表面逆向设计算法，其特征在于，步骤3中提到的正向网络包括6个卷积层和2个全连接层，每个卷积层包含一个卷积操作、一个激活函数(LeakyReLU)和一个Batch-Norm层。其中第1、3和5个卷积层的步长为1，第2、4和6个卷积层的步长为2。全连接层的激活函数为双曲正切函数。训练过程的损失函数定义为：

其中T_predicted表示网络预测的透射谱，T_simulated表示用有限时域差分方法计算的透射谱，N为样本数目。

6.根据权利要求1中所述的利用级联深度神经网络的介质超表面逆向设计算法，其特征在于，步骤4中提到的自编码器由编码器和解码器构成，编码器和解码器由5个全连接层构成，二者呈相互对称的结构。除了最后一层无激活函数外，其他的层的激活函数为LeakyReLU。训练过程采用的损失函数：

其中code是自编码器提取的图片高级特征向量，T是超表面响应单元的实际透射谱，y_i是预测的类别标签，p_i是预测的概率。

7.根据权利要求4中所述的映射器的输入为响应单元的透射谱，输出为自编码器从图片中提取的特征向量，网络结构由全连接层构成。