一种基于深度学习的可定制全息超表面设计方法

1.本发明涉及超表面全息技术领域，具体涉及一种基于深度学习的可定制全息超表面设计方法。


背景技术：

2.超表面是由周期性或准周期性人工原子按一定排列组成的二维平面结构，在电磁控制方面具有较高的自由度超表面作为超材料的二维对应物，继承了超材料的电磁控制特性，在平面上表现出更灵活的控制策略。编排的结构，加上预制的排列，使得在调制电磁波特性方面具有优越的性能，如相位、振幅、偏振、传播模式等。通过超表面对电磁特性的处理，有效地扩展了电磁功能器件的应用。
3.随着电磁调制技术的发展，几何相位、传输相位、迂回相位的机理都是有效的方法，在异常反射、散射抵消、聚焦等方面都表现出了巨大的应用价值。在振幅调制方面，介绍了利用均匀超表面控制电磁波振幅的几种有效机制，如调节吸收效率和调节极化转换比。然而，单属性调制的功能往往是有限的，这限制了高维功能设计的可扩展性。因此，结合多种机制控制电磁波将进一步提高超表面的设计尺寸，并可扩展到许多奇妙的功能。超表面技术基于对电磁波在不同尺度上的通用操作，开发了大量复杂而精细的功能。当结合相位和振幅特性来操纵电磁波时，超表面在某些功能上可以实现更强大的性能，如超透镜、全息等。相位和振幅的同时调制提高了设计的灵活性，但也显著增加了设计的复杂性，导致超表面设计的耗时。
4.全息成像是一种成熟的成像技术，最早的全息成像技术指的是利用干涉及衍射原理记录空间中光的相位和幅值信息并再现物体二维或三维图像的技术。然而全息图的设计中成像质量与超表面设计的维度深深相关。通过设计超表面的幅值和相位信息可以快速实现全息成像效果，但是通过对相位和幅值全息图进行计算无疑是相当耗时费力的工作，而机器学习的出现对智能设计产生了深远的影响，有望降低设计的复杂性。
5.为此，本发明提出一种基于深度学习的可定制全息超表面设计方法。


技术实现要素：

6.为解决上述问题，本发明提供一种基于深度学习的可定制全息超表面设计方法。
7.本发明提供了如下的技术方案。
8.一种基于深度学习的可定制全息超表面设计方法，包括以下步骤：
9.确定弯曲的“i”形的超表面单元结构，以及根据预成像图案定制超表面幅值和相位排布；
10.构建深度学习网络模型；
11.输入每个超表面单元结构幅值和相位信息，根据训练好的深度学习网络模型利用参数扫描方法推算出单元结构参数信息；
12.根据单元结构参数信息，调控各“i”形的超表面单元结构的幅值和相位；
13.填充各调控后的“i”形的超表面单元构成全息超表面。
14.优选地，所述深度学习模型包括依次连接的1个卷积层，1个残差模块和3个全连接层。
15.优选地，所述残差模块包含有两个卷积层。
16.优选地，所述根据训练好的深度学习网络模型利用参数扫描方法推算出超表面单元结构参数信息，包括以下步骤：
17.采用深度学习网络模型，通过合并超表面单元幅值和相位的响应信息，并使用二维卷积进一步共同提取幅值和相位的高维特征实现对幅值和相位的特征信息的提取，通过幅值相位快速推演结构参数。
18.优选地，所述各“i”形的超表面单元结构的幅值和相位的调控，采用改变结构的开口角度和旋转角度实现退幅值和相位的共同调控，
19.优选地，所述深度学习网络模型基于pytorch框架。
20.优选地，所述深度学习网络模型的网络结构参数采用adam作为优化器进行优化。
21.本发明的有益效果：在保证设计好目标全息图的情况下，通过推演其相位和幅值分布，通过训练深度网络实现了全息超表面的快速生成，且制作工艺简单，设计结构简单，具有强的实用性。
附图说明
22.图1是本发明实施例的基本结构示意图；
23.图2是本发明实施例的深度学习模型结构；
24.图3是本发明实施例的模型训练过程性能变化示意图；
25.图4是本发明实施例的全息图仿真和理论计算结果；
26.图5是本发明实施例的实验测试验证结果。
具体实施方式
27.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
28.实施例1
29.本发明的一种基于深度学习的可定制全息超表面设计方法，如图1-5所示：
30.首先，使用少量卷积层、残差层和全连接层共同构建了一个深度学习网络框架。其次，选择了可以调控幅值和相位的弯曲的“i”形超表面单元结构，通过改变结构的开口角度和旋转角度实现退幅值和相位的共同调控，利用参数扫描方法实现对数据集的收集，其中输入为幅值相位信息，输出为单元结构信息。经过训练所设计的网络，实现了针对不同的预成像图案快速填充幅值相位分布图实现成像功能的效果。该深度学习模型的制作基于pytorch框架下实现，通过该模型生成的全息超表面通过pcb工艺加工实现，实现方法工艺简单，成本低，实用性强。所设计的深度学习模型在超表面功能设计方面具有广泛的应用价值。
31.初始化的超表面结构单元如附图1所示，总共有五层组成，其中包括：两层介质基
板(f4b材质)、三层金属贴片(铜)。在初始单元的基础上，通过使用深度学习网络实现对结构参数的优化，深度学习模型架构如图2所示，通过合并幅值和相位的共同特征实现对参数的特征提取。对该深度网络的训练过程及结果如图3所示。通过计算机理论计算设计了两个字母
‘
a’和
‘
i’所对应的全息图，并通过全波仿真软件对超表面模型进行了仿真，仿真和计算结果如图4所示，可以看出呈现面清晰的呈现出了所设计的图案。加工的样品图案以及测试环境如图5所示，将样品放置在微波暗室中进行近场扫描。近场扫描的结果如图5cd所示。可以看出，测试的电场分布清晰的显示出了所设计的图案。
32.以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种基于深度学习的可定制全息超表面设计方法，其特征在于，包括：确定弯曲的“i”形的超表面单元结构，以及根据预成像图案定制超表面幅值和相位排布；构建深度学习网络模型；输入每个超表面单元结构幅值和相位信息至深度学习网络模型进行训练，根据训练好的深度学习网络模型利用参数扫描方法推算出超表面单元结构参数信息；根据超表面单元结构参数信息，调控各“i”形的超表面单元结构的幅值和相位；填充各调控后的“i”形的超表面单元并构成全息超表面。2.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述深度学习模型包括依次连接的1个卷积层，1个残差模块和3个全连接层。3.根据权利要求2所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述残差模块包含有两个卷积层。4.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述根据训练好的深度学习网络模型利用参数扫描方法推算出超表面单元结构参数信息，包括以下步骤：采用深度学习网络模型，通过合并超表面单元幅值和相位的响应信息，并使用二维卷积进一步共同提取幅值和相位的高维特征实现对幅值和相位的特征信息的提取，通过幅值相位快速推演结构参数。5.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述各“i”形的超表面单元结构的幅值和相位的调控，采用改变结构的开口角度和旋转角度实现退幅值和相位的共同调控，6.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述深度学习网络模型为基于pytorch框架构建的模型。7.根据权利要求1所述的基于深度学习的可定制全息超表面设计方法，其特征在于，所述深度学习网络模型的网络结构参数采用adam作为优化器进行优化。

技术总结
本发明提供一种基于深度学习的可定制全息超表面设计方法，包括：确定弯曲的“I”形的超表面单元结构，以及根据预成像图案定制超表面幅值和相位排布；构建深度学习网络模型；输入每个超表面单元结构幅值和相位信息，根据训练好的深度学习网络模型利用参数扫描方法推算出单元结构参数信息；根据单元结构参数信息，调控各“I”形的超表面单元结构的幅值和相位；填充各调控后的“I”形的超表面单元构成全息超表面。本发明在保证设计好目标全息图的情况下，通过推演其相位和幅值分布，通过训练深度网络实现了全息超表面的快速生成，且制作工艺简单，设计结构简单，具有强的实用性。具有强的实用性。具有强的实用性。


技术研发人员：王甲富 朱瑞超 富新民 刘同豪 楚遵天 韩亚娟 随赛 邱天硕 屈绍波
受保护的技术使用者：中国人民解放军空军工程大学
技术研发日：2022.07.12
技术公布日：2022/10/11