[发明专利]一种基于Transformer的电磁超材料复杂光谱高精度预测方法

权利要求书

1.一种基于Transformer的电磁超材料复杂光谱高精度预测方法，其特征在于，所述预测方法的构建基于Transformer神经网络模型，利用严格耦合波分析法RCWA在给定的电磁超材料物理模型结构参数范围内随机组合计算得到样本数据，将样本数据按照4：1分为训练集和验证集，用于神经网络模型的训练和验证，输入训练集至Transformer神经网络模型进行训练，验证集用于验证神经网络模型性能，根据训练完成的Transformer神经网络模型预测得到电磁超材料结构参数对应的光学响应。

2.根据权利要求1所述的一种基于Transformer的电磁超材料复杂光谱高精度预测方法，其特征在于，使用严格耦合波分析法RCWA在给定的层状金属/电介质结构参数范围内随机组合计算得到对应的反射率，用于Transformer神经网络模型的训练与验证，使Transformer神经网络模型能得到层状金属/电介质结构参数与反射率之间复杂的非线性映射关系。

3.根据权利要求2所述的一种基于Transformer的电磁超材料复杂光谱高精度预测方法，其特征在于，所述的层状金属/电介质结构由多层垂直周期性交替金属/电介质层状纳米结构单元构成，几何形状是长方形、椭圆形、三角形几何图案中的任意一种，每个单元中的左右柱子宽度分别为w1和w2，基底的金属层厚度为h，所述金属为氧化铝、二氧化硅、氟化镁、锗、金、银、铝、或钛中的任一种或多种复合，所述电介质层的材质为二氧化硅、一氧化硅、氟化镁、氧化铝中的任意一种材料。

4.根据权利要求2所述的一种基于Transformer的电磁超材料复杂光谱高精度预测方法，其特征在于，所述Transformer神经网络模型包括依次设置的输入层、位置编码层、8个串联Transformer编码器、非线性层、输出层；

输入层作用为矩阵维度变化，输入的10个结构参数分别通过10个长度为512的全连接层，输入数据的矩阵维度由64×10变为64×10×512；

位置编码层由维度为1×10×512的可学习矩阵构成，与每个输入矩阵相加，为输入数据添加位置信息；

Transformer编码器包括多头注意力机制模块、残差连接、归一化层、Dropout随机丢弃层、前向反馈层；

多头注意力机制模块的输出表达式为：

其中Q、K、V为三个可学习矩阵W_i^q、W_i^k、W_i^v分别与位置编码层的输出相乘得到，W^q、W^k、W^v均为一个整体的标识符号，i表示多头注意力机制中第几个头；d_k表示一个整体的标识符，代表一个缩放因子；q、k、v不是一个单独的参量，分别与W^q、W^k、W^v组成符号；非线性层由一个长度为1024的全连接层和一个ReLU激活函数构建；输出层由一个长度为100的全连接层构建，将输出数据变为与光谱采样点大小一致的矩阵。