基于深度学习的复振幅型超表面设计方法及系统和器件

1.本发明涉及光学全息技术领域，特别是一种基于深度学习的复振幅型超表面设计方法及系统和器件。


背景技术：

2.超表面由一组亚波长结构阵列组成，可以通过调整每个单元结构的几何尺寸和取向来任意控制电磁波的振幅、相位和偏振。传统的超表面设计过程中，设计人员需要对超表面单元结构的光学响应做出物理或者经验的推断，通常伴随一个不断试错优化的过程，这需要设计人员具备丰富的专业知识，并且在选择合适的单元结构的过程中包含了大量的优化与选择，整个过程既耗时又耗力。
3.为了解决这个问题，深度学习由于能够挖掘具有不同级别数据的相互表示形式，在近几年来被引入到超表面的设计中。目前基于深度学习的超表面设计常常为纯振幅响应或者纯相位响应，复振幅型超表面(同时调控振幅和相位)能实现更为灵活的电磁调控，需要结合深度学习开展深入研究。目前已有研究将三维单元结构的高度固定，剩下的二维平面作为设计的变量，利用生成对抗性网络设计了双焦透镜与偏振复用透镜，另外也有同样利用生成对抗性网络，将多层超单元作为调控的变量，都实现了振幅与相位的任意调控。
4.二维模型的超单元尽管可以实现振幅与相位的任意调控，但是当设计波段从中红外波段拓展到可见光时，二维模型会带来一些极小的疵点，或者相对于单层结构的多层结构超单元，这两者会给加工带来更大的难度，不利于超表面的实用化发展。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种基于深度学习的复振幅型超表面设计方法及系统和器件，该方法利用深度学习模型确定复振幅性器件的全模结构，降低了设计过程难度，提高了模型设计的精度。
6.为达到上述目的，本发明提供如下技术方案：
7.本发明提供的基于深度学习的复振幅型超表面设计方法，包括以下步骤：
8.确定超单元的结构以及调控结构自由度；
9.采集不同结构参数的超单元的复振幅响应数据集；并收集随机生成的目标复振幅响应数据集，将两个数据集分别划分为训练集、验证集和测试集；
10.构建深度学习模型；所述深度学习模型包括正向预测模型和逆向设计模型，所述正向预测模型用于根据结构参数预测超单元的复振幅响应，所述逆向设计模型用于根据目标响应预测结构参数；
11.根据收集来的训练集与验证集进行训练，训练分两步进行，利用复振幅响应数据集先训练正向预测模型，训练完成之后加载到整个模型中，并冻结正向模型的训练，此时利用目标复振幅数据集训练整个网络，过程中只有逆向设计模型被训练，训练结束之后，从保存的整个模型中导出逆向设计模型；
12.使用训练好的逆向设计模型进行复振幅型超表面器件的设计，根据目标器件生成目标振幅和相位，在逆向设计模型中生成器件的全模结构。
13.进一步，所述逆向设计模型训练结束后，还包括以下步骤：
14.判断逆向设计模型设计的结构参数的预测响应与真实复振幅响应之间的差异是否满足预设阈值，如果是，则结束逆向设计模型的训练过程，如果否，则继续训练直到满足条件。
15.进一步，还包括模型测试过程，所模型测试过程包括以下步骤：
16.使用测试数据集验证精度是否满足要求，将复振幅响应数据测试集的结构参数在正向预测模型中生成对应的预测复振幅响应，将此预测值与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则进行下一步的逆向模型训练，如果不满足，则调整正向模型中的超参数，重新对正向模型进行训练，直至精度满足要求为止；
17.进一步，所述模型测试过程还包括以下步骤：
18.利用目标复振幅数据测试集在逆向设计模型中生成超单元结构参数的预测，根据预测值计算出实际响应，将目标复振幅与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则可以使用模型进行下一步的器件设计，如果存在不满足，则调整逆向模型中的超参数，重新对逆向模型进行训练，直至精度满足要求为止。
19.进一步，所述全模结构按照以下步骤进行：
20.将目标器件设置为在近场显示纳米印刷图像和在夫琅禾费区显示全息像的复振幅复用器件，设置目标纳米印刷图和目标全息图像，目标振幅根据纳米印刷图确定，利用gs算法计算出目标相位，最后将确定的目标复振幅输入到逆向设计模型中生成预测的全模结构。
21.进一步，还包括以下步骤：
22.采用有限差分时域法对全模结构进行全模仿真，在x方向、y方向和z方向上使用完美匹配层边界条件，采用左旋圆偏光入射，得到仿真结果并提取右旋圆偏光进行显示。
23.本发明提供的基于深度学习的复振幅型超表面设计系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器包括：
24.参数设置单元，用于确定超单元的结构以及调控结构自由度；
25.数据采集单元，用于采集不同结构参数的超单元的复振幅响应数据集；并收集随机生成的目标复振幅响应数据集，将两个数据集分别划分为训练集、验证集和测试集；
26.模型构建单元，用于构建深度学习模型；所述深度学习模型包括正向预测模型和逆向设计模型，所述正向预测模型用于根据结构参数预测超单元的复振幅响应，所述逆向设计模型用于根据目标响应预测结构参数；
27.模型训练单元，根据收集来的训练集与验证集进行训练，训练分两步进行，利用复振幅响应数据集先训练正向预测模型，训练完成之后加载到整个模型中，并冻结正向模型的训练，此时利用目标复振幅数据集训练整个网络，过程中只有逆向设计模型被训练，训练结束之后，从保存的整个模型中导出逆向设计模型；
28.器件全模生成单元，使用训练好的逆向设计模型进行复振幅型超表面器件的设计，根据目标器件生成目标振幅和相位，在逆向设计模型中生成器件的全模结构。
29.进一步，所述模型训练单元设置有训练控制单元和模型测试单元，所述训练控制
单元按照以下步骤进行：
30.判断逆向设计模型设计的结构参数的预测响应与真实复振幅响应之间的差异是否满足预设阈值，如果是，则结束逆向设计模型的训练过程，如果否，则继续训练直到满足条件。
31.所述模型测试单元按照以下步骤进行：
32.使用测试数据集验证精度是否满足要求，将复振幅响应数据测试集的结构参数在正向预测模型中生成对应的预测复振幅响应，将此预测值与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则进行下一步的逆向模型训练，如果不满足，则调整正向模型中的超参数，重新对正向模型进行训练，直至精度满足要求为止；
33.利用目标复振幅数据测试集在逆向设计模型中生成超单元结构参数的预测，根据预测值计算出实际响应，将目标复振幅与实际响应做差并求的差的平均值，判断此误差是否满足预设条件；如果满足条件，则可以使用模型进行下一步的器件设计，如果存在不满足，则调整逆向模型中的超参数，重新对逆向模型进行训练，直至精度满足要求为止。
34.本发明提供的复振幅型超表面，所述复振幅型超表面是按照上述的基于深度学习的复振幅型超表面设计方法制作的超表面器件。
35.本发明的有益效果在于：
36.本发明提供的一种基于深度学习的复振幅型超表面设计方法及系统和器件，该方法降低设计复振幅型超表面的难度，同时保证超表面的加工可行度。实现了超单元的振幅与相位响应的任意调控，并且不需要设计人员根据所学原理对不同结构的超单元的响应进行物理推断，也省去了大量的优化与选择的过程，大大降低了设计复振幅型超表面的门槛；此外，由于使用的深度学习模型为全连接层结构，此模型搭建简单并且训练极易收敛，因此在搭建模型与训练模型的过程中，设计人员不需要深入了解深度学习的相关原理，就能实现高精度的训练；训练好的模型可以根据目标器件极快地实现结构参数的预测，因此这种方法可以拓展到更多不同复振幅型器件的设计中；最后由于使用的单元结构是相对平滑的单层结构，这保证了足够的加工可行度。
37.本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
38.为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
39.图1为超单元结构。
40.图2为深度学习模型架构。
41.图3为正向预测模型训练过程。
42.图4为逆向设计模型训练过程。
43.图5为设计目标图与全模仿真效果图。
具体实施方式
44.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
45.实施例1
46.本实施例提供的基于深度学习的复振幅型超表面设计方法，该方法的基本原理如下：超表面由一组亚波长结构阵列组成，可以通过调整每个单元结构的几何尺寸来任意控制电磁波的振幅、相位和偏振。深度学习由模拟人脑进行分析学习的神经网络构成，能够挖掘具有不同级别数据的相互表示形式，构成超表面的超单元的结构参数与其对应的光学响应是具有复杂非线性关系的两个数据集，引入深度学习可以挖掘出这两组数据集的隐式关系，根据这种关系可以进行相关超表面器件的设计。
47.本实施例提供的基于深度学习的复振幅型超表面设计方法，具体包括以下步骤：
48.1、确定超单元的结构以及其可以调控的结构自由度，然后使用cst microwave studio软件采集不同结构参数的超单元的复振幅响应数据集，并收集随机生成的目标复振幅响应数据集，将两个数据集分别划分为训练集、验证集和测试集。
49.2、使用tensorflow和keras框架搭建预设的深度学习模型，整个模型由两部分组成，可以根据结构参数预测超单元的复振幅响应的正向预测模型和可以根据目标响应预测结构参数的逆向设计模型，与单网络相比，这种模型可以解决逆设计过程中可能出现多解进而导致预测精度不高的问题。
50.3、根据收集来的训练集与验证集进行训练，训练分两步进行，利用复振幅响应数据集先训练正向预测模型，训练完成之后加载到整个模型中，并冻结正向模型的训练，此时利用目标复振幅数据集训练整个网络，过程中只有逆向设计模型被训练，训练结束之后，如果逆向设计模型设计的结构参数的预测响应接近于它的真实复振幅响应，即此时目标复振幅与超单元的实际复振幅响应几乎相等，就意味着此时的逆向设计模型可以根据目标复振幅实现超单元结构参数的预测。最后从保存的整个模型中导出逆向设计模型。
51.4、使用测试数据集验证精度是否满足要求，将复振幅响应数据测试集的1000个结构参数在正向预测模型中生成对应的预测复振幅响应，将此预测值与实际响应做差并求的差的平均值，判断此误差是否满足预设条件(平均振幅偏差小于0.01，平均相位偏差小于5
°
)，如果满足条件，则进行下一步的逆向模型训练，如果不满足，则调整正向模型中的超参数，重新对正向模型进行训练，直至精度满足要求为止；利用目标复振幅数据测试集在逆向设计模型中生成超单元结构参数的预测，将预测值在cst microwave studio软件中计算出实际响应，将目标复振幅与实际响应做差并求的差的平均值，判断此误差是否满足预设条件(平均振幅偏差小于0.05，平均相位偏差小于5
°
)，如果满足条件，则可以使用模型进行下一步的器件设计，如果存在不满足，则调整逆向模型中的超参数，重新对逆向模型进行训练，直至精度满足要求为止。
52.5、使用训练好的逆向设计模型进行复振幅型超表面器件的设计，根据目标器件生成目标振幅和相位，在逆向设计模型中生成器件的全模结构；
53.6、对全模结构进行全模仿真，从仿真结果中提取最终效果并进行显示。
54.实施例2
55.本实施例利用基于深度学习构建复振幅型超表面设计的方法，具体步骤如下：
56.确定超单元的结构以及其可以调控的结构自由度，如图1所示，超单元由下层二氧化硅(sio2)基底与上层(tio2)十字形结构组成，其中h,w,p的值固定为600nm,80nm,460nm，十字形结构由两个长宽分别为lx、w和ly、w且相互垂直的长方体组成，整个十字形结构旋转了θ度。接着使用cst microwave studio软件采集21000组不同结构参数{lx,ly,θ}的超单元的复振幅响应数据集(波长为532nm的左旋圆偏光从超单元基底入射，收集出射的右旋圆偏光的响应结果)，并收集21000组随机生成的目标复振幅响应数据集，将两个数据集分别划分16000组为训练集、4000组为验证集、1000组为测试集；
57.使用tensorflow and keras框架搭建预设的深度学习模型，如图2所示，整个模型由两部分组成，可以根据结构参数预测超单元的复振幅响应的正向预测模型和可以根据目标响应预测结构参数的逆向设计模型，如图2所示，图中，dense(i)表示全连接层，i表示此层的神经单元数，dense(400)表示拥有400个神经单元的全连接层；
58.batcnormalization层可以调整各层的激活值分布使其拥有适当的广度，进而加快模型的训练速度，一定程度可以抑制过拟合(训练损失下降而验证损失不下降甚至上升的现象)；
59.dropout层可以在训练的过程中随机删除神经元，这可以有效抑制过拟合，dropout(0.25)表示在训练过程中，将上一层的神经单元按0.25的比例随机删除，再传入下一层；
60.input(2)表示逆向设计模型的输入层，输入二维为振幅与相位响应，input(3)表示正向预测模型的输入层，输入3维结构参数；
61.预测结构参数包括{lx,ly,θ}；
62.其中，输入目标复振幅响应表示输入设定光场的目标振幅与目标相位；
63.输出预测复振幅响应表示逆向设计模型当根据某个目标复振幅响应做出结构参数的预测后，此结构参数的预测值在输入到正向预测模型后会输出预测的复振幅响应；
64.两个网络除了输入层与输出层之外，都是由神经单元数分别为400，1000，2500，1000，400的5层全连接层(dense)组成，为了抑制过拟合，分别在逆向设计模型和正向预测模型中使用了batchnormalization和dropout策略，前向模型使用了relu函数，逆向设计模型使用了sigmoid函数，整个训练过程使用平均绝对误差作为损失函数，使用的学习率和批数目分别为10-6
和100；
65.根据收集来的训练集与验证集进行训练，训练分两步进行，利用复振幅响应数据集先训练正向预测模型，训练过程如图3所示；训练完成之后加载到整个模型中，并冻结正向模型的训练，此时利用目标复振幅数据集训练整个网络，过程中只有逆向设计模型被训练，训练过程如图4所示。训练结束之后，逆向设计模型设计的结构参数的预测响接近于它的真实复振幅响应，即此时目标复振幅与超单元的实际复振幅响应几乎相等，就意味着此时的逆向设计模型可以根据目标复振幅实现超单元结构参数的预测。最后从保存的整个模型中导出逆向设计模型；
66.使用测试数据集验证精度是否满足要求，将复振幅响应数据测试集的1000个结构参数在正向预测模型中生成对应的预测复振幅响应，将此预测值与实际响应做差并求得差的平均值，经计算平均振幅预测偏差为0.002，平均相位预测偏差为3.11
°
，精度已满足要求；利用目标复振幅数据测试集在逆向设计模型中生成超单元结构参数的预测，将预测值
在cst软件中计算出实际响应，将目标复振幅与实际响应做差并求的差的平均值，经计算平均振幅预测偏差为0.01，平均相位预测偏差为3.28
°
，精度已满足要求；
67.使用训练好的逆向设计模型进行复振幅型超表面器件的设计，目标器件设置为可以在近场显示纳米印刷图像和在夫琅禾费区显示全息像的复振幅复用器件，目标纳米印刷图和目标全息图像分别设置为图5中的(a)和(b)，目标振幅可以根据纳米印刷图确定，利用gs算法(本实施例中提供的gs算法是现有技术，其具体计算过程这里不再赘述)可以计算出目标相位，最后将确定的目标复振幅输入到逆向设计模型中生成预测的全模结构。
68.采用有限差分时域法(fdtd)对全模结构进行全模仿真，在x方向、y方向和z方向上使用完美匹配层边界条件，采用左旋圆偏光入射，从仿真结果中提取右旋圆偏光并显示最终效果，如图5(c)和(d)所示，展示的纳米打印灰度图显示出良好的视觉效果，全息像显示出很高的分辨率。
69.以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。