[发明专利]基于深度学习的极化转换超表面智能化逆向设计方法及系统

权利要求书

1.一种基于深度学习的极化转换超表面智能化逆向设计方法，其特征在于，包括以下步骤：

使用极化度角和类极化度角表征机制表征极化转换超表面，得到连续性表征；

基于所述连续性表征构建数据集模型；

基于所述数据集模型完成深度学习网络训练，并以此进行极化转换超表面逆向设计，从而得到超表面设计方案。

2.如权利要求1所述基于深度学习的极化转换超表面智能化逆向设计方法，其特征在于，

所述使用极化度角和类极化度角表征机制表征极化转换超表面，得到连续性表征的具体方式为：

使用极化度角连续性表征线-圆极化转换超表面，使用类极化度角连续性表征交叉极化转换超表面，实现极化转换超表面的连续性表征。

3.如权利要求2所述基于深度学习的极化转换超表面智能化逆向设计方法，其特征在于，

所述极化度角的取值范围为-π/4到π/4，且当所述极化度角为±π/4时表示波为左右旋圆极化；

所述类极化度角的取值范围为0到π/2，且当所述类极化度角为π/2时表示波为交叉极化；当所述类极化度角为0时表示未实现交叉极化转换功能。

4.如权利要求3所述基于深度学习的极化转换超表面智能化逆向设计方法，其特征在于，

所述基于所述连续性表征构建数据集模型的具体方式为：

采用电磁仿真获得超表面传播系数，并建立所述极化度角和所述类极化度角参数响应与所述超表面传播系数的关系，得到超表面连续性表征关系；

基于所述超表面的编码矩阵描述极化转换超表面的单元结构排布；

基于所述超表面连续性表征关系利用迭代优化算法对所述单元结构排布进行迭代，得到所述超表面的优化编码矩阵；

基于所述优化编码矩阵生成超表面模型；

基于所述的超表面模型与所述极化度角和所述类极化度角的连续性表征参数响应构建数据集模型。

5.如权利要求4所述基于深度学习的极化转换超表面智能化逆向设计方法，其特征在于，

所述基于所述数据集模型完成深度学习网络训练，并以此进行极化转换超表面逆向设计，从而得到超表面设计方案的具体方式为：

构建计算器网络模型；

基于生成器网络和判别器网络构建生成对抗网络构架；

基于所述数据集模型对所述计算器网络模型进行训练，得到训练模型；

使用所述训练模型对超表面编码分布方案进行正向计算，得到超表面特征响应；

基于所述超表面特征响应与需求响应进行比较，得到响应误差；

通过优化生成对抗网络构架进行超表面逆向设计，得到超表面设计方案。

6.如权利要求5所述基于深度学习的极化转换超表面智能化逆向设计方法，其特征在于，

所述通过优化生成对抗网络构架进行超表面逆向设计，得到超表面设计方案的具体方式为：

将所述需求响应和随机噪声输入所述生成器网络，得到所述超表面编码分布方案；

将所述超表面编码分布方案和所述数据集模型输入所述判别器网络，得到两类模型特征相似度；

基于所述响应误差和所述特征相似度训练所述生成器网络的参数，得到优化生成器网络；

基于所述特征相似度训练所述判别器网络的参数，得到优化判别器网络；

基于所述优化生成器网络和所述优化判别器网络构建的所述优化生成对抗网络构架进行超表面逆向设计，得到多样化超表面逆向设计方案。

7.一种基于深度学习的极化转换超表面智能化逆向设计系统，应用于权利要求6所述基于深度学习的极化转换超表面智能化逆向设计方法，其特征在于，

包括深度学习表征模块、深度学习构建模块、深度学习训练模块和极化转换超表面逆向设计模块，所述深度学习表征模块、所述深度学习构建模块、所述深度学习训练模块和所述极化转换超表面逆向设计模块依次连接；

所述深度学习表征模块，用于使用极化度角和类极化度角表征机制表征极化转换超表面，得到连续性表征；

所述深度学习构建模块，基于所述连续表征构建数据集模型、计算器网络模型和生成对抗网络构架；

所述深度学习训练模块，用于对所述计算器网络模型和所述生成对抗网络构架进行训练，分别得到训练模型和优化生成对抗网络构架；

所述极化转换超表面逆向设计模块，用于使用所述训练模型对超表面编码进行正向计算，得到超表面特征响应，并通过优化生成对抗网络构架进行超表面逆向设计，得到超表面设计方案。