一种全息成像逆向设计方法及系统

摘要: 本发明涉及电磁波前调控与人工智能交叉,具体为一种全息成像逆向设计方法及系统。背景技术:1、随着过去十年,光学计算凭借其高通量、低功耗及并行处理等显著优势,已成为...
一种全息成像逆向设计方法及系统

本发明涉及电磁波前调控与人工智能交叉,具体为一种全息成像逆向设计方法及系统。

背景技术:

1、随着过去十年,光学计算凭借其高通量、低功耗及并行处理等显著优势,已成为信息处理领域的研究热点。全光学衍射神经网络(dnns)作为其中的代表性架构,通过在空间工程表面上集成数千个具有特定电磁响应的衍射单元(即神经元),能够以光速实现复杂的逻辑运算、图像识别及全息成像等机器学习任务。

2、如申请公开号为cn113822424a的发明专利,公开了一种多层超构表面衍射神经网络,通过在每层设置周期性排布的衍射单元,利用单元几何尺寸调控相位延迟,实现图像分类与特征提取。其核心技术手段为固定几何参数的介质柱阵列,仅提供离散相位调制,无振幅与偏振的协同调控能力。该方案的缺点在于:神经元层面仅能实现单自由度相位调控,无法对电磁散射矩阵进行全参数控制,导致网络仅能在透射单通道工作,缺乏全空间(透射/前向反射/后向反射)多通道并行处理能力;同时,其逆向设计依赖全局全波仿真,数据生成成本高、迭代收敛慢,难以适配复杂多通道器件开发。

3、申请公开号为cn117634573a发明专利,公开一种利用光学计算超构表面实现双通道近场动态调控的方法及系统,文中提出一种双通道超表面调控方案,通过正交偏振复用实现近场双独立通道输出,衍射单元采用几何相位与谐振振幅结合的设计,可对两个正交偏振通道进行独立相位/振幅调制。该方案的局限性在于:其一,调控自由度仍局限于偏振维度,未实现对散射矩阵的全参数(相位、振幅、偏振、波矢)可编程控制,神经元“弱控制”问题未根本解决;其二,多通道复用仅针对近场透射场景,无法实现全空间(含反射域)通道的高度解耦,通道间串扰严重;其三,逆向设计采用传统物理模型驱动,缺乏高效的数据集构建与映射优化策略,复杂多通道器件设计周期长、容错率低。

4、综上,现有技术中的衍射神经网络在进一步提升计算容量与设计灵活性方面仍面临以下瓶颈:神经元层面的调控自由度受限。传统衍射单元大多仅能提供离散或受限的相位、振幅调制,缺乏对电磁散射矩阵的全参数控制能力。这种神经元层面的“弱控制”限制了网络在全空间(如透射、前向反射、后向反射等)多通道并行处理信息的能力。逆向设计中的物理映射冲突与数据效率问题。常规全波仿真方法获取高保真数据集的成本极高,严重制约了复杂多通道器件的开发效率。最后,多通道解耦设计的复杂性。现有的多通道复用方案(如极化、波长复用等)在共享物理架构时,往往难以实现在全空间独立通道下的高度解耦与精准调控。因此,如何构建一种能够实现全参数控制并支持全空间多通道解耦设计的超表面全息成像逆向设计方法,已成为本领域急需解决的关键技术问题。

技术实现思路

1、本发明所要解决的技术问题在于:如何构建一种能够实现全参数控制并支持全空间多通道解耦设计的超表面全息成像逆向设计方法。

2、为解决上述技术问题,本发明提供如下技术方案:

3、一种全息成像逆向设计方法,包括:

4、构建多层超表面并将其划分,以三层超表面作为超表面基础单元;

5、将超表面基础单元等效为互易无损的双端口微波网络,在双端口微波网络的参数矩阵中,提取独立调控自由度;其通过独立调控自由度能够得到整个参数矩阵;

6、使用分步提取法,通过全波仿真,提取每个超表面基础单元对应的自阻抗和互阻抗,构建近场阻抗矩阵,通过对该阻抗矩阵求逆获取表征近场耦合响应的近场导纳矩阵;

7、对近场导纳矩阵进行降维,获取二端口等效导纳矩阵并将其转为表征宏观电磁特性的目标s参数矩阵;

8、将目标参数矩阵,对应多层超表面的物理结构参数作为训练集,用以训练cvae逆向生成模型,获取重构的多层超表面的物理结构参数;

9、构建全参数衍射神经网络,将独立调控自由度作为全参数衍射神经网络的可学习权重,输入目标图像,获取对应的衍射光场;将满足损失要求下,对应的独立调控自由度的理想分布特征,代入训练好的cvae逆向生成模型,获取匹配全息成像的多层超表面物理结构参数。

10、进一步的,多层超表面基础单元包括三层工字形阻抗片和两层介质基板,通过两层介质基板将三层工字形阻抗片隔开;在提取近场阻抗时,通过分步提取法将超表面基础单元划分为“底层与中间层”、“中间层与顶层”、“底层与顶层”的简化双层结构分别进行仿真。

11、进一步的,在双端口微波网络的参数矩阵中,提取独立调控自由度,包括:

12、设定双端口微波网络满足互易性且无损耗,利用正交性公式进行解析推导,提取参数矩阵中前向反射幅值、前向反射相位、透射相位作为三个独立调控自由度,使参数矩阵中其余散射参数的幅度、相位均能够通过三个独立调控自由度得到。

13、进一步的,获取近场导纳矩阵,包括:

14、通过全波仿真获取简化双层结构的初始复数参数矩阵,并基于微波网络理论将其转换为表征宏观传输特性的初始转移矩阵;

15、利用介质基板的物理参数,计算出理想介质基板的转移矩阵,并与初始转移矩阵进行去嵌入运算剥离介质基板影响,获取新转移矩阵;

16、将新转移矩阵转化为新参数矩阵,并将新参数矩阵转化为子单元总导纳矩阵;

17、在理论非耦合的理想级联状态下,获取介质基板的远场导纳矩阵;

18、将子单元总导纳矩阵与远场导纳矩阵作差,获取表征纯粹层间近场相互作用的子单元近场导纳矩阵,对其求逆提取出层间的近场耦合阻抗矩阵;

19、重复简化双层结构的提取过程,获取所有的自阻抗和互阻抗以构建三层结构对应的近场阻抗矩阵,对近场阻抗矩阵求逆,得到表征微观纯金属层近场耦合响应的近场导纳矩阵。

20、进一步的,对近场导纳矩阵降维,包括:

21、将三层工字形阻抗片等效为微波网络中的三个端口,根据电磁波仅从处于顶层的端口1入射、处于底层的端口3接收,中间层的端口2为无外部激励的内部寄生节点的原理,在3×3的近场导纳矩阵中,消除端口2所对应的参数,以实现降维,获取2×2的等效导纳矩阵。

22、进一步的,提取近场耦合阻抗矩阵的虚部,能够量化等效近场耦合电抗参数,以作为高保真特征训练cvae逆向生成模型。

23、进一步的,获取重构的多层超表面的物理结构参数,包括:

24、cvae逆向生成模型采用全连接深度神经网络,包括编码器网络和解码器网络:

25、编码器网络接收三层工状阻抗片的物理结构参数和三个独立调控自由度:前向反射幅值、前向反射相位、透射相位级联而成的拼接向量,输出潜在特征向量;

26、将潜在特征向量和三个独立调控自由度进行拼接作为解码器网络输入向量,输出重构的三个工状阻抗片的物理结构参数。

27、进一步的,将独立调控自由度作为全参数衍射神经网络的可学习权重,包括:

28、独立调控自由度包括前向反射幅值、前向反射相位、透射相位,将全参数衍射神经网络定义以下变量:

29、将前向反射幅值在网络中定义为变量,通过sigmoid激活函数将其严格映射并截断至[0,1]的物理区间内;

30、将前向反射相位在网络中定义为,通过正态分布随机初始化并经sigmoid函数放缩至[0,2]范围;

31、将透射相位在网络中定义为变量,通过正态分布随机初始化并经sigmoid函数放缩至[0,2]范围。

32、进一步的,将多层超表面中的工状阻抗片阵列作为全参数衍射神经网络中的衍射层,且全参数衍射神经网络,利用瑞利-索末菲衍射积分公式计算自由空间的光学传递函数,构建了三条平行的波前演算路径:

33、第一通道,直接提取可学习权重与;输入目标电场经过复振幅调制后,与空间传递函数卷积,输出观测面上的第一衍射光场;

34、第二通道,根据双端口微波网络能量守恒与互易性约束,输入目标电场在网络演算时自动推导后向反射相位,其复振幅调制项中的相位被定义为,结合幅值,输出第二衍射光场;

35、第三通道,输入目标电场,网络利用解析公式动态计算透射幅值,并结合独立可学习的透射相位,输出第三衍射光场。

36、本发明还提供一种应用上述所述全息成像逆向设计方法的系统,包括:

37、超表面模型构建模块,用于构建多层超表面并将其划分,以三层超表面作为超表面基础单元;

38、微波网络参数自由度提取模块,用于将超表面基础单元等效为互易无损的双端口微波网络,在双端口微波网络的参数矩阵中,提取独立调控自由度;其通过独立调控自由度能够得到整个参数矩阵;

39、目标参数模块,用于使用分步提取法,通过全波仿真,提取每个超表面基础单元对应的自阻抗和互阻抗,构建近场阻抗矩阵,通过对该阻抗矩阵求逆获取表征近场耦合响应的近场导纳矩阵;近场导纳矩阵进行降维,获取二端口等效导纳矩阵并将其转为表征宏观电磁特性的目标s参数矩阵;

40、超表面物理结构重构模块,用于将目标参数矩阵,对应多层超表面的物理结构参数作为训练集,用以训练cvae逆向生成模型,获取重构的多层超表面的物理结构参数;

41、衍射与目标超表面物理结重构模块,用于构建全参数衍射神经网络,将独立调控自由度作为全参数衍射神经网络的可学习权重,输入目标图像,获取对应的衍射光场;将满足损失要求下,对应的独立调控自由度的理想分布特征,代入训练好的cvae逆向生成模型,获取匹配全息成像的多层超表面物理结构参数

42、与现有技术相比,本发明的有益效果是:

43、1、基于双端口微波网络理论提取了三个独立的调控自由度,从而有效增加了超表面单元的参数调控维度。

44、2、配合使用三层工字形结构超表面单元,有效扩展了单一超表面单元对电磁波的幅相调控范围,为多通道复用提供了结构基础。提高了训练数据集的准确性与模型收敛性。本发明引入近场阻抗模型以表征并缓解超表面单元间的近场耦合效应,减小了直接使用散射参数时由于强耦合带来的非线性数据误差,从而为人工智能模型提供了更准确的训练数据。

45、3、基于全参数衍射神经网络的三通道波前协同演算。作为逆向设计架构的核心计算引擎,本发明构建了一种支持多目标协同优化的全参数衍射神经网络。与传统仅局限于单透射或单反射操作的静态网络不同,该网络创新性地将超表面衍射层严密等效为遵循能量守恒与互易性原理的双端口散射网络,从而在单一物理阵列上构建了包含透射、前向反射与后向反射的三大独立空间通道。结合训练的cvae逆向生成模型实现了逆向设计。