[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

说明书

本发明涉及人工智能技术领域，具体涉及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及系统，包括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。本发明通过使用极化度角和类极化度角表征极化转换超表面实现极化转换超表面功能表征机制，解决了传统表征方式存在宽带相位差不连续以及轴比表征方式中表征变量存在无穷大的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及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及系统。

背景技术

以卷积神经网络、生成对抗网络等深度学习技术为代表的人工智能领域快速发展，使得秒级高性能极化转换超表面的智能化逆向设计成为可能。

在面对基于深度学习技术的极化转换超表面逆向设计时，利用电场分量振幅和相位关系的传统表征方式存在宽带相位差不连续的问题，为基于深度学习的极化转换超表面智能化逆向设计方法研究带来极大困难。

发明内容

本发明的目的在于提供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及系统，旨在解决传统表征方式存在宽带相位差不连续的问题。

为实现上述目的，第一方面，本发明提供了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，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。

其中，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。

其中，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。

其中，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。

其中，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；