一种基于深度学习的EP型谐振环超材料反设计系统

本发明属于深度学习算法智能应用领域，尤其涉及一种基于深度学习的ep型谐振环超材料反设计系统。

背景技术：

1、目前，超材料的反向设计主要通过使用高速的计算机不间断进行参数扫描，或者借助各种全局或局部优化算法进行参数搜寻。对于开展一个特定的反向设计，往往需要进行多次仿真建模与设计，通过优化一个最小化代价函数来搜索每个任务的全参数空间，用频繁的迭代一步步达成设计要求。故而，计算机可能进行的仿真次数，以及计算机每次仿真的时长，极大的决定了超材料反设计阶段的总时间。而随着超材料反设计要求的不断提升，这些传统的设计方法不断需求更高的计算机算力，复杂且繁琐的设计过程对研究人员的时间及专业技能的要求也在不断提高。

2、在超材料反向设计过程中，利用深度学习，可在无需初步猜测物理机理的条件下，通过优化设计参数空间来获得预期的电磁响应。这种设计思想主要基于高级的算法和电磁仿真软件相结合，寻求一种解决系统，以最小化目标距离(或最大化设计指标)，直接聚焦于目标从而解决设计问题。一旦训练完成，模型几乎可以立即解决设计问题。然而，过度的抛弃物理机理，也导致了利用神经网络的反向设计过程是一个极为不透明的过程，缺乏了对数据物理含义与设计过程的可解释性。而通过该ep型谐振环超材料的耦合模参数进行训练，利用耦合模参数与超材料透射曲线以及超材料结构的一一对应，提高了数据与设计过程的可解释性，更有利于探索并学习其潜在的物理机制。对于传统的超材料设计团队，该发明将机器学习引入到超材料设计过程中，同时引入耦合模参数。在加快设计速度的同时，更便于挖掘材料电磁响应背后的物理内涵，对针对特定设计目标实现按需设计方面具有很强的现实意义。

技术实现思路

1、本发明的目的是提供一种基于深度学习的ep型谐振环超材料反设计系统，该系统利用深度学习解决了超材料设计进度缓慢、过程繁杂、设计需要大量经验的问题，同时区别于传统的深度学习设计过程，增加了设计过程的可解释性，更有利于探索并学习其潜在的物理机制，更好的满足了该型超材料大部分功能的设计需求。

2、为了达到上述技术效果，本发明的技术系统如下：

3、一种基于深度学习的ep型谐振环超材料反设计系统，具体包括如下步骤：

4、s1:根据耦合模方程，随机选取耦合模参数来生成透射曲线；

5、s2:对透射曲线的各项数据进行预处理；

6、s3:划分数据集为训练集和测试集；

7、s4:搭建并训练对比学习神经网络架构；

8、s5:利用仿真软件对ep型谐振环超材料进行仿真；

9、s6:对仿真的超材料数据进行预处理；

10、s7:使用训练好的神经网络架构提取仿真的超材料数据的耦合模参数；

11、s8:使用该模型，根据所需要的透射曲线，反向设计对应的ep型谐振环超材料结构。

12、进一步地，所述步骤s1的具体过程是：

13、步骤s1.1:利用耦合模方程，代入随机的耦合模参数来生成一系列透射曲线，代入的耦合模参数包括γx，γy，γx，γy，κ。其耦合模方程为：

14、

15、进一步地，所述步骤s2的具体过程是：

16、步骤s2.1:所述数据提取，是将提取透射曲线作为原始数据；

17、步骤s2.2:所述数据归一化，是将数据中的极大值与极小值提取出来，对数据进行线性归一化，使得数据被缩放至0到1区间，其变换公式为：

18、

19、其中，max为样本最大值，min为样本最小值。

20、步骤s2.3:所述数据降维，是将等间距的点从完整数据中删除，使得所有不定长数据降维至相同维度。

21、进一步地，所述步骤s3的具体过程是：

22、步骤s3.1:对不同类型的透射曲线数据与耦合模参数数据按照9:1的比例划分训练集与测试集；

23、步骤s3.2:将训练集等长划分为5份，用来进行5折交叉验证。

24、进一步地，所述步骤s4的具体过程是：

25、步骤s4.1:所述耦合模参数数据编码器搭建，是针对预训练耦合模参数数据所特殊搭建的神经网络，其输入数据包括γx，γy，γx，γy，κ。输出为1×1024大小的向量；

26、步骤s4.2:所述透射曲线数据编码器搭建，是针对所有透射曲线数据搭建的普适性神经网络，其输入为单位长度宽、单通道、512长的1×1×512大小的光谱数据，输出为1×1024大小的向量；

27、步骤s4.3:所述神经网络的训练，是指利用神经网络，使得对应的耦合模参数数据与透射曲线数据最为相似。

28、进一步地，所述步骤s5的具体过程是：

29、步骤s5.1:所述材料选取，是将超材料中间层选择为聚酰亚胺(pi)，两谐振环材料分别选择为钛和金来获得高损耗对比度；

30、步骤s5.2:所述频率选取，是将仿真的频率选取为2.0-2.8thz的宽带频率；

31、步骤s5.3:所述图案设置，是指两谐振环正交排列组成单个结构单元，一系列该结构单元循环排列为矩形面；

32、步骤s5.4:所述尺寸设置，是指设置pi中间层的厚度h，两谐振环外直径d1，d2，弧线宽度w，两谐振环开口的间隙大小g1，g2。其中，两谐振环外直径d1，d2应该相同，并通过不同的开口的间隙大小g1，g2来实现相同的谐振频率；

33、步骤s5.5:所述提取仿真得到的超材料透射光谱响应与仿真的超材料的表达形式，是指利用cst微波工作室对不同结构参数的ep型谐振环超材料进行仿真，提取仿真得到的超材料透射曲线与仿真的超材料结构的表达形式。

34、进一步地，所述步骤s6的具体过程是：

35、步骤s6.1:所述数据提取，是将提取仿真的透射曲线作为原始数据；

36、步骤s6.1:所述数据归一化，是将数据中的极大值与极小值提取出来，对数据进行线性归一化，使得数据被缩放至0到1区间，其变换公式为：

37、

38、步骤s6.1:其中，max为样本最大值，min为样本最小值；

39、步骤s6.1:所述数据降维，是将等间距的点从完整数据中删除，使得所有不定长数据降维至相同维度。

40、进一步地，所述步骤s7的具体过程是：

41、步骤s7.1:使用训练好的神经网络架构通过透射曲线来提取仿真的超材料数据的耦合模参数。

42、进一步地，所述步骤s8的具体过程是：

43、步骤s8.1:通过耦合模参数与超材料结构的一一对应，利用所需要的透射曲线反向设计ep型谐振环超材料的结构。

技术特征：

1.一种基于深度学习的ep型谐振环超材料反设计系统，其特征在于：包括如下步骤：

2.如权利要求1所述的一种基于深度学习的ep型谐振环超材料反设计系统，其特征在于：所述步骤s1具体包括：

3.如权利要求1所述的一种基于深度学习的ep型谐振环超材料反设计系统，其特征在于：所述步骤s2中包括对透射曲线进行数据提取、数据归一化、数据降维：

4.如权利要求1所述的一种基于深度学习的ep型谐振环超材料反设计系统，其特征在于：所述步骤s3具体包括：

5.如权利要求1所述的一种基于深度学习的ep型谐振环超材料反设计系统，其特征在于：所述步骤s4中包括耦合模参数数据编码器搭建、透射曲线数据编码器搭建、对比神经网络训练：

6.如权利要求1所述的一种基于深度学习的ep型谐振环超材料反设计系统，其特征在于：所述步骤s5具体包括：超材料的材料选取、频率选取、图案设置、尺寸设置，以及提取仿真得到的超材料透射曲线与仿真的超材料的表达形式：

7.如权利要求1所述的一种基于深度学习的ep型谐振环超材料反设计系统，其特征在于：所述步骤s6具体包括：数据提取、数据归一化、数据降维，

8.如权利要求1所述的一种基于深度学习的ep型谐振环超材料反设计系统，其特征在于：所述步骤s7具体包括：

9.如权利要求1所述的一种基于深度学习的ep型谐振环超材料反设计系统，其特征在于：所述步骤s8具体包括：

技术总结
本发明公开了一种基于深度学习的EP型谐振环超材料反设计系统，该系统解决了传统超材料设计需要复杂的物理学知识作为指导，迭代优化速度慢等问题，以提高超材料的设计效率。该系统包括：利用耦合模方程与随机的耦合模参数生成一系列透射曲线，对得到的透射曲线数据进行降维处理以及归一化处理；划分数据集为训练集与测试集；搭建并训练预训练神经网络；对搭建好的预训练神经网络，区分其具体性能；将模型导出，利用软件仿真该型超材料并获取超材料仿真数据；对超材料数据进行中心化、归一化、裁剪处理，利用训练好的神经网络提取超材料的耦合模参数；通过耦合模参数与超材料结构的对应关系，利用所需要的透射曲线来反向设计EP型谐振环超材料结构。

技术研发人员：史金辉,周昊,邓政伟,李一铖,李玉祥,李汶佳,吕博
受保护的技术使用者：哈尔滨工程大学
技术研发日：
技术公布日：2024/9/26