一种基于卷积神经网络的光学微纳结构优化方法

1.本发明属于光学结构设计技术领域，更具体地，涉及一种基于卷积神经网络的光学微纳结构优化方法。


背景技术：

2.在光电检测领域，通过环境折射率的变化检测环境组成成分具有十分重要的地位，随着超表面的出现，人们可以通过改变超表面结构的单元结构来实现对光学参数如振幅、偏振、相位等的调控。例如，光学微纳结构的透射光谱取决于超表面单元结构的结构参数和所选取的材料的折射率，当材料、超表面单元周期和工作波长范围选定以后，超表面结构的透射光谱将直接取决于其对应的超表面单元结构参数。
3.传统的光学结构设计的方法是利用数值仿真模拟和参数扫描来进行优化。先对光学结构进行仿真，判断其光谱是否符合需求，如果不符合，则采取参数扫描的方法对超表面单元结构的参数进行优化。
4.上述传统的光学结构设计的方法存在以下缺点：(1)仿真的时间过长，且每进行一次优化参数，都要对其结构重新进行建模再仿真，总体时间成本很大。(2)优化过程有局限性，且通常需要人工干预，其优化过程不能同时优化多个参数，仅优化一个参数，而固定其他参数，这样导致优化结果容易陷入局部最优。


技术实现要素：

5.本发明通过提供一种基于卷积神经网络的光学微纳结构优化方法，解决传统的光学结构设计方法中的仿真时间长、需要人工干预、容易陷入局部最优的问题。
6.本发明提供一种基于卷积神经网络的光学微纳结构优化方法，包括以下步骤：
7.步骤1、获取仿真数据集，构建基于卷积神经网络的预测光谱网络，采用所述仿真数据集对所述预测光谱网络进行训练，得到训练好的预测光谱网络；
8.步骤2、结合所述训练好的预测光谱网络，利用遗传算法寻找得到最优光学结构。
9.优选的，所述基于卷积神经网络的光学微纳结构优化方法还包括：步骤3、通过数值仿真模拟对所述最优光学结构的光学属性进行验证。
10.优选的，所述步骤1中，所述获取仿真数据集包括以下子步骤：通过时域有限差分方法进行数值仿真模拟，批量仿真多组具有不同光学结构参数的光学微纳结构，并得到每一组光学微纳结构对应的光谱数据；每组初始数据组包括光学结构参数及其对应的光谱数据；针对每组初始数据组，将光学结构参数转换成其对应的光学结构图像，并对光学结构图像依次进行灰度化、归一化的预处理，将预处理后的光学结构图像及其对应的光谱数据作为仿真数据集中的一组数据组。
11.优选的，利用python中的matplotlib库将光学结构参数转换成其对应的光学结构图像。
12.优选的，所述步骤1中，所述预测光谱网络的输入为预处理后的光学结构图像，所
述预测光谱网络的输出为光学结构图像对应的预测光谱；所述预测光谱网络包括交替连接的四个卷积层和四个最大池化层、三个连续的全连接层；四个卷积层的卷积核个数分别为16、32、64、64，对应的卷积核大小分别为(5，5)、(3，3)、(3，3)、(3，3)，四个卷积层使用的步长均为(1，1)，零填充均采用same模式，激活函数均为relu函数；四个最大池化层的池化窗口均为(3，3)，步长均为(2，2)；三个全连接层的神经元个数分别为500、500、250，三个全连接层的激活函数均为relu函数。
13.优选的，所述步骤2包括以下子步骤：
14.步骤2.1、在给定参数范围内，对待优化的光学结构参数进行二进制编码得到若干个不同的基因型编码；
15.步骤2.2、随机初始化一个种群，种群中的每个个体对应一个基因型编码；
16.步骤2.3、对种群中的每个个体进行解码得到每个个体对应的光学结构参数，将光学结构参数转换为光学结构图像，对光学结构图像依次进行灰度化、归一化的预处理；
17.步骤2.4、针对每个个体，将预处理后的光学结构图像输入至所述训练好的预测光谱模型，所述训练好的预测光谱模型输出预测光谱，基于预测光谱计算得到目标函数，根据目标函数得到适应度函数值；
18.步骤2.5、基于适应度函数值，依据随机竞争的选择方式选择个体作为父代；
19.步骤2.6、父代的基因型编码依据交叉规则进行交叉操作，产生子代；
20.步骤2.7、子代依据变异规则进行变异操作；
21.步骤2.8、判断子代的目标函数是否达到终止条件，所述终止条件为子代的目标函数符合设定的需求或达到设定的迭代次数；若是，则返回当前种群中的最优解作为所述最优光学结构；若否，则开始新一轮的迭代。
22.优选的，所述步骤2.1中，待优化的光学结构参数共m个，每个光学结构参数的编码长度为n位，通过交错每个光学结构参数的编码组合形成基因型编码，所述基因型编码为m*n位。
23.优选的，所述步骤2.5的具体实现方式为：每次选择父代时，按照轮盘赌的方式选择一对个体，将两者中适应度函数值较高的个体选为父代；按照上述方式选择父代直到选满种群个数为止。
24.优选的，所述交叉规则为：根据交叉概率，在父代中随机选择两个个体进行交叉，在其基因型编码内选择两个交叉点，在两个交叉点之间的父代编码进行交换，在交叉点之外的编码保留；所述变异规则为：根据变异概率，对子代进行变异，在其基因型编码内随意选择一个变异点，将其进行二进制反转。
25.优选的，所述光谱为透射光谱、反射光谱、吸收光谱、散射光谱中的一种；所述目标函数为偏振转换效率、特征光谱的半高全宽、品质因素、调制深度、灵敏度、工作波长中的一种。
26.本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
27.在本发明中，首先构建基于卷积神经网络的预测光谱网络，并利用仿真数据集对预测光谱网络进行训练，得到训练好的预测光谱网络，然后结合训练好的预测光谱网络，利用遗传算法寻找得到最优光学结构。本发明中预测光谱网络的输入为光学结构图像，输出为光学结构图像对应的预测光谱，由于光学结构图像与光学结构参数相比，具有更丰富的
信息，因此本发明基于卷积神经网络构建的预测光谱网络能够提取更丰富的特征，能够更好地拟合光谱曲线，得到与真实光谱误差极小的预测光谱。本发明利用遗传算法结合训练好的预测光谱网络，在光学参数给定的范围内进行智能寻优，得到最优化的光学结构参数，不需要传统的人工干预的方式来优化参数，可以有效地改善传统光学参数优化容易陷入局部最优的问题，并且排除了人工干预的因素。此外，相对于粒子群算法等其他算法，遗传算法不容易陷入局部最优，优化结果更好。与传统的利用时域有限差分法进行数值仿真模拟来进行参数优化相比，本发明利用训练好的预测光谱网络得到最优光学结构能够大幅度地缩短计算时间，节约时间成本，提高优化效率。
附图说明
28.图1为本发明实施例提供的一种基于卷积神经网络的光学微纳结构优化方法的流程图；
29.图2为本发明实施例提供的一种基于卷积神经网络的光学参数优化设计方法中卷积神经网络的结构图；
30.图3为本发明实施例提供的一种基于卷积神经网络的光学参数优化设计方法中结合训练好的预测光谱网络利用遗传算法寻找得到最优光学结构的流程图。
具体实施方式
31.为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
32.本实施例提供了一种基于卷积神经网络的光学微纳结构优化方法，参见图1至图3，主要包括以下步骤：
33.步骤1、获取仿真数据集，构建基于卷积神经网络的预测光谱网络，采用所述仿真数据集对所述预测光谱网络进行训练，得到训练好的预测光谱网络。
34.其中，所述获取仿真数据集包括以下子步骤：通过时域有限差分方法进行数值仿真模拟，批量仿真多组具有不同光学结构参数的光学微纳结构，并得到每一组光学微纳结构对应的光谱数据；每组初始数据组包括光学结构参数及其对应的光谱数据；针对每组初始数据组，将光学结构参数转换成其对应的光学结构图像，并对光学结构图像依次进行灰度化、归一化的预处理，将预处理后的光学结构图像及其对应的光谱数据作为仿真数据集中的一组数据组。
35.具体的，可利用python中的matplotlib库将光学结构参数转换成其对应的光学结构图像。
36.其中，所述预测光谱网络的输入为预处理后的光学结构图像，所述预测光谱网络的输出为光学结构图像对应的预测光谱。即所述预测光谱网络以光学结构图像作为输入对卷积神经网络进行训练，以光谱真实值和光谱预测值之间的误差大小来调整卷积神经网络的结构。
37.参见图2，所述预测光谱网络包括交替连接的四个卷积层和四个最大池化层、三个连续的全连接层；四个卷积层的卷积核个数分别为16、32、64、64，对应的卷积核大小分别为(5，5)、(3，3)、(3，3)、(3，3)，四个卷积层使用的步长均为(1，1)，零填充均采用same模式，激
活函数均为relu函数；四个最大池化层的池化窗口均为(3，3)，步长均为(2，2)；三个全连接层的神经元个数分别为500、500、250，三个全连接层的激活函数均为relu函数。
38.步骤2、结合所述训练好的预测光谱网络，利用遗传算法寻找得到最优光学结构。
39.具体的，参见图3，所述步骤2包括以下子步骤：
40.步骤2.1、在给定参数范围内，对待优化的光学结构参数进行二进制编码得到若干个不同的基因型编码。
41.待优化的光学结构参数共m个，每个光学结构参数的编码长度为n位，通过交错每个光学结构参数的编码组合形成基因型编码，所述基因型编码为m*n位。
42.步骤2.2、随机初始化一个种群，种群中的每个个体对应一个基因型编码。
43.步骤2.3、对种群中的每个个体进行解码得到每个个体对应的光学结构参数，将光学结构参数转换为光学结构图像，对光学结构图像依次进行灰度化、归一化的预处理。
44.步骤2.4、针对每个个体，将预处理后的光学结构图像输入至所述训练好的预测光谱模型，所述训练好的预测光谱模型输出预测光谱，基于预测光谱计算得到目标函数，根据目标函数得到适应度函数值。
45.以光谱为透射光谱，目标函数为半高全宽为例，半高全宽越小，则适应度函数值越高。
46.步骤2.5、基于适应度函数值，依据随机竞争的选择方式选择个体作为父代。
47.每次选择父代时，按照轮盘赌的方式选择一对个体，将两者中适应度函数值较高的个体选为父代；按照上述方式选择父代直到选满种群个数为止。
48.即种群中的个体被选中的概率与其适应度函数值的大小成正比，适应度函数值越高，被选中的可能性越大。将种群中所有个体的适应度函数值进行累加后归一化，随机选择其中可以作为随机竞争的个体。
49.其中，种群中第i个个体ai被选中的概率p
选择
(ai)采用如下公式计算：
[0050][0051]
其中，f为适应度函数，n为种群中个体的总数量。
[0052]
步骤2.6、父代的基因型编码依据交叉规则进行交叉操作，产生子代。
[0053]
所述交叉规则为：根据交叉概率，在父代中随机选择两个个体进行交叉，在其基因型编码内选择两个交叉点，在两个交叉点之间的父代编码进行交换，在交叉点之外的编码保留。
[0054]
步骤2.7、子代依据变异规则进行变异操作。
[0055]
所述变异规则为：根据变异概率，对子代进行变异，在其基因型编码内随意选择一个变异点，将其进行二进制反转。
[0056]
步骤2.8、判断子代的目标函数是否达到终止条件，所述终止条件为子代的目标函数符合设定的需求或达到设定的迭代次数；若是，则返回当前种群中的最优解作为所述最优光学结构；若否，则开始新一轮的迭代。
[0057]
其中，所述光谱为透射光谱、反射光谱、吸收光谱、散射光谱中的一种；所述目标函数为偏振转换效率、特征光谱的半高全宽、品质因素、调制深度、灵敏度、工作波长中的一种。
[0058]
优选的方案中，还可以包括：步骤3、通过数值仿真模拟对所述最优光学结构的光学属性进行验证。
[0059]
下面以光谱为透射光谱，目标函数为半高全宽为例，对本发明做进一步的说明。
[0060]
本发明提供的一种基于卷积神经网络的光学微纳结构优化方法主要包括以下几个方面：
[0061]
一、仿真数据集的获取。
[0062]
利用时域有限差分法fdtd对多组具有不同参数的光学结构建模并仿真，并得到其对应的透射光谱。对得到的多组数据打乱顺序，以保证数据分布良好。再将光学结构参数这样的数值数据转换为其对应的光学结构图像，例如利用python中的matplotlib库将数值数据转换成对应的光学结构图像。之后对得到的光学结构图像进行灰度化处理，使其像素值范围为[0，255]，再对其进行归一化处理，使其范围归一化到[0，1]。对图像进行预处理能够更好地训练卷积神经网络。将预处理后的光学结构图像及其对应的透射光谱作为仿真数据集中的一组数据组。
[0063]
二、预测光谱网络的构建与训练。
[0064]
首先构建基于卷积神经网络的预测光谱网络，然后利用仿真数据集对构建的预测光谱网络进行训练，以预处理后的光学结构图像作为输入，以透射光谱的预测值作为输出，根据透射光谱真实值与预测值之间的误差来调整网络结构以及网络中涉及到的超参数(学习率，批量大小，损失函数等)，使得调整后的网络能够以较小的误差近似拟合透射谱线，最终得到训练好的预测光谱网络。
[0065]
利用训练好的预测光谱网络可以在极短的时间内精确预测不同光学结构图像对应的透射光谱。例如，卷积神经网络的参数随机初始化，数据集大小为4096组数据，以3000组作为训练集，1096组作为测试集。若训练过程中发现一些错误的数据，其预测结果与真实值相比误差比较大，同时其真实值的透射光谱也不符合光学结构设计的需要，则去除这些数据以降低误差。
[0066]
预测透射光谱的卷积神经网络包括以下几个部分：输入、卷积层、池化层、全连接层和输出。其中输入为处理后的光学结构图像，其大小为289*289。卷积层有4层，每层有多个卷积核来学习图像的不同特征，每层的卷积核个数分别为16、32、64、64；其对应的卷积核大小为(5，5)、(3，3)、(3，3)、(3，3)。使用的步长为(1，1)，即卷积核在垂直方向和水平方向的移动距离都为1。padding(零填充)采用的为same模式，即在卷积过后保留其输入的特征大小不变，应用的激活函数为relu函数，即f(x)＝max(0，x)。随着卷积层的增加，卷积神经网络学习的特征由浅至深，以便能够更好的拟合透射光谱曲线。
[0067]
池化层紧跟在每一层卷积层的后面，池化层可以有效的缩小权重参数矩阵的尺寸，从而减少卷积神经网络学习的参数。在卷积神经网络中引入池化层可以显著的加快网络训练速度并且可以缓解过拟合现象。池化层采用的为max pooling(最大池化)，即选择池化窗口范围内的最大值作为该区域池化后的值。池化层有4层，每一层的池化窗口的大小都为(3，3)，其步长为(2，2)。
[0068]
全连接层有3层，每一层的神经元个数分别为500，500，250。其中第一层的500个神经元要与展开后的卷积层输出特征进行全链接，最后一层的250个神经元的输出即为对应的250个透射光谱点值。每一层的激活函数都为relu函数，即f(x)＝max(0，x)。
[0069]
三、光学结构参数的寻优。
[0070]
将不同的光学结构参数进行编码形成其基因型，随机初始化第一代种群。再将基因型解码为其对应的结构参数，对于不同的光学结构参数，先得到其对应的光学结构图像，再通过训练好的预测光谱网络预测其对应的透射光谱，获得目标函数。根据预测的透射光谱，得到适应性函数值，以适应性函数值评估不同参数的优劣。根据适应性的高低，采用随机竞争选择适应性高的个体作为父代，后再进行交叉，变异产生下一代的个体。每一次迭代都将此代最优的个体以及适应性函数的值保留下来，以防止在迭代的过程中错过最佳的结构参数。将遗传算法优化出来的最佳结构参数经过时域有限差分建模光学结构并仿真，得到其对应的透射光谱，验证优化结果。
[0071]
例如，对半高全宽对应的待优化的4个结构参数进行二进制编码，每一个结构参数的编码长度为4位，交错每个结构参数的编码组合形成最终基因型编码(16位)。种群的大小可以设置为500。将种群的基因型解码为结构参数，再通过结构参数画出其对应的结构图像，经过灰度处理和归一化处理之后作为训练好的预测光谱网络的输入，根据网络的预测结果可以得到目标函数，即通过透射光谱得到结构的半高全宽，半高全宽越窄，其光学属性越好，即其适应性越好。
[0072]
通过透射光谱得到半高全宽的步骤为：找到透射值的最高点t
max
和最低点t
min
，求得其中心点t
middle
。再以最低点的波长为起始点，向两边寻找最接近t
middle
的光谱值点t
right
和t
left
，将其对应的波长和做差值后得到该结构对应的半高全宽fwhm，对应的公式如下：
[0073]
t
middle
＝(t
max-t
min
)/2
[0074][0075]
具体的，先找到透射值的最低点t
min
，并且选取在该点前10个点和后10个点，在这20个透射值点间，每两个点之间等间隔补充10个透射值，以确保计算得到的半高全宽的精度。种群每次评估一次适应性的时候，保留种群中适应性最好的个体，以防止在迭代的过程中错过了最佳的结构参数。
[0076]
例如，设置交叉概率为0.8，即被选中的父代有80％的可能性进行交叉。在父代中通过随机竞争的选择方式选择两个个体进行交叉。在个体基因型的编码长度内，选择两个不同的叫交叉点，在两个交叉点之间的父代的基因型编码进行交换，在交叉点之外的编码则保留，从而得到新的子代。其次，交叉后的子代再进行变异，设置变异概率为0.003，即子代有0.3％的概率变异，在其编码后的基因型内随意选择一个变异点，将其进行二进制反转。
[0077]
本发明实施例提供的一种基于卷积神经网络的光学微纳结构优化方法至少包括如下技术效果：
[0078]
(1)与传统的利用时域有限差分法(fdtd)进行数值仿真模拟来得到光谱相比，本发明基于卷积神经网络的光谱预测网络能够大幅度的缩短计算时间，节约时间成本。以4000组数据的透射光谱为例，传统的数值模拟仿真方法需要至少600秒的时间，而训练好的光谱预测网络仅需要11秒的时间就可以快速地得到其透射光谱，传统方法相较于本发明提供的方法，时间相差了54倍。并且在优化结构参数时，本发明采用遗传算法在给定参数范围
内自动寻优，能够高效找到最佳的结构参数，可以有效地改善传统光学参数优化容易陷入局部最优的问题，并且排除了人工干预的因素。以一次优化结构参数得到更窄的半高全宽说明，利用遗传算法和卷积神经网络结合的结构参数优化方法相比于传统参数优化，得到了更窄的半高全宽，比原始数据集中最优结果小了0.0672。训练好的基于卷积神经网络的光谱预测网络，其预测值和真实值的误差是极小的，这里评估误差的指标为mse(均方误差)，并且通过调节超参数和网络结构可以进一步的缩小误差，本发明中得到的训练好的光谱预测网络，其预测的透射光谱误差可以达到6.1
×
10-4
。
[0079]
(2)本发明基于卷积神经网络构建的预测光谱网络能够提取更丰富的特征，能够更好地拟合光谱曲线。以目标函数为半高全宽为例，半高全宽是由几个结构参数(例如多个矩形块结构对应的长、宽)决定的，虽然结构参数只有几个，但其对应的图像信息是很丰富的。此外，对于一个更复杂的结构，其结构中不只长宽高改变，如角度、形状、材料也发生改变，而参数是表达不了的，而利用卷积神经网能够很好地提取这些特征，进而更好地拟合光谱曲线。
[0080]
(3)相对于粒子群算法等其他算法，本发明采用的遗传算法不容易陷入局部最优，优化结果更好。
[0081]
(4)本发明所提供的结构参数优化方法容易上手操作，不需要了解太多的光学知识也可以完成结构参数的优化。
[0082]
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。