基于深度神经网络的微纳结构逆设计方法及系统与流程

1.本发明涉及微纳光学技术领域，尤其涉及一种基于深度神经网络的微纳结构逆设计方法及系统。


背景技术：

2.片上微纳结构是在微纳尺度下控制光的重要手段，可用于光的相位、振幅、传播模式和谐振等特性的操控。
3.目前微纳结构的设计仍然处于正向设计的阶段，即根据目标和物理原理提出初始结构，然后通过仿真或者实验获得器件的电磁响应数据，再根据电磁响应数据修改初始结构的参数，在进行下一步的仿真或者实验，最后逐步达到想要实现的器件功能。这种正向设计的思路往往会受到人的主观想法的限制，例如，多使用标准结构(圆形、椭圆形、矩形、正多边形等)，多使用简化的物理模型(如将3d问题简化为2d问题)等。这种人为倾向导致结构的设计是在一个受限的参数空间内进行，最终的设计结果也无法达到最优，甚至部分情况下设计失败；除此之外，正向设计过程耗时长，且大量浪费计算资源和实验设备资源，严重制约了片上光子微纳结构的发展。
4.因此，现在亟需一种基于深度神经网络的微纳结构逆设计方法及系统来解决上述问题。


技术实现要素：

5.针对现有技术存在的问题，本发明提供一种基于深度神经网络的微纳结构逆设计方法及系统。
6.本发明提供一种基于深度神经网络的微纳结构逆设计方法，包括：
7.步骤101，根据待进行逆设计的微纳结构，获取微纳结构初始数据；
8.步骤102，将所述微纳结构初始数据输入到训练好的光学参数预测模型中，得到光学预测参数，所述训练好的光学参数预测模型是由标记有光学属性参数的样本微纳数据，对深度神经网络进行训练得到的，所述样本微纳数据包括样本微纳结构数据和样本微纳光学特性数据；
9.步骤103，基于评价函数和光学目标参数，对所述光学预测参数进行评价，若评价结果未满足预设条件，则通过优化算法和所述评价结果，对所述微纳结构初始数据进行优化处理，得到微纳结构优化数据，并将所述微纳结构优化数据输入到训练好的光学参数预测模型中，再次执行步骤102至步骤103，直到当前迭代得到的光学预测参数的评价结果满足预设条件，则根据当前迭代中光学预测参数对应的微纳结构优化数据进行微纳结构逆设计。
10.根据本发明提供的一种基于深度神经网络的微纳结构逆设计方法，所述训练好的光学参数预测模型通过以下步骤训练得到：
11.根据光学属性参数，对每个样本微纳数据标记对应的标签，并根据标记标签后的
样本微纳数据和对应的样本光学参数，构建训练样本集；
12.将所述训练样本集输入到深度神经网络中进行训练，得到训练好的光学参数预测模型。
13.根据本发明提供的一种基于深度神经网络的微纳结构逆设计方法，所述优化算法包括模拟退火算法、神经网络算法和遗传算法。
14.根据本发明提供的一种基于深度神经网络的微纳结构逆设计方法，所述深度神经网络的输入层连接有多个卷积层。
15.根据本发明提供的一种基于深度神经网络的微纳结构逆设计方法，所述方法还包括：
16.步骤201，获取多个不同的微纳结构初始数据，并将每个微纳结构初始数据输入到训练好的光学参数预测模型中，得到多个光学预测参数，并根据多个光学预测参数，获取光学预测测量矩阵；
17.步骤202，基于评价函数和光学目标参数，对所述光学预测测量矩阵进行评价，若测量矩阵评价结果未满足预设条件，则通过优化算法和所述测量矩阵评价结果，对每个微纳结构初始数据进行优化处理，得到微纳结构优化数据，并将每个微纳结构优化数据输入到训练好的光学参数预测模型中，再次执行步骤201至步骤202，直到当前迭代得到的光学预测测量矩阵的评价结果满足预设条件，则根据当前迭代中光学预测测量矩阵对应的多个微纳结构优化数据进行微纳结构逆设计，并根据逆设计得到的多个微纳结构，构建压缩感知器。
18.根据本发明提供的一种基于深度神经网络的微纳结构逆设计方法，所述样本微纳结构数据至少包括单周期微纳结构形状数据和微纳结构周期数据。
19.根据本发明提供的一种基于深度神经网络的微纳结构逆设计方法，所述样本微纳光学特性数据至少包括微纳材料的介电常数和色散参数。
20.本发明还提供一种基于深度神经网络的微纳结构逆设计系统，包括：
21.微纳结构初始参数获取模块，用于执行步骤101，根据待进行逆设计的微纳结构，获取微纳结构初始数据；
22.光学参数预测模块，用于执行步骤102，将所述微纳结构初始数据输入到训练好的光学参数预测模型中，得到光学预测参数，所述训练好的光学参数预测模型是由标记有光学属性参数的样本微纳数据，对深度神经网络进行训练得到的，所述样本微纳数据包括样本微纳结构数据和样本微纳光学特性数据；
23.评价和优化模块，用于执行步骤103，基于评价函数和光学目标参数，对所述光学预测参数进行评价，若评价结果未满足预设条件，则通过优化算法和所述评价结果，对所述微纳结构初始数据进行优化处理，得到微纳结构优化数据，并将所述微纳结构优化数据输入到训练好的光学参数预测模型中，再次执行步骤102至步骤103，直到当前迭代得到的光学预测参数的评价结果满足预设条件，则根据当前迭代中光学预测参数对应的微纳结构优化数据进行微纳结构逆设计。
24.本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述基于深度神经网络的微纳结构逆设计方法的步骤。
25.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度神经网络的微纳结构逆设计方法的步骤。
26.本发明提供的基于深度神经网络的微纳结构逆设计方法及系统，利用深度神经网络，对结构参数对应的电磁响应进行预测，即训练神经网络去预测微纳结构的电磁特性，并根据预设的光学目标参数，通过迭代优化得到符合目标的最优结构参数。由于计算原理是基于预测，相比采用仿真软件直接计算电磁响应，电磁响应的计算时间大幅度缩减(速度能提升105倍)，使得可以利用优化算法进行迭代优化。最终实现的设计结果相较正向设计，不仅能得到趋于全局最优的参数，设计时间也大幅度缩短，并节省大量人力资源。
附图说明
27.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
28.图1为本发明提供的基于深度神经网络的微纳结构逆设计方法的流程示意图；
29.图2为本发明提供的基于单连通随机微纳结构的预测示意图；
30.图3为本发明提供的基于多连通随机微纳结构的预测示意图；
31.图4为本发明提供的正多边形微纳结构的设计示意图；
32.图5为本发明提供的具有高度值的正多边形微纳结构的设计示意图；
33.图6为本发明提供的随机图像微纳结构的设计示意图；
34.图7为本发明提供的具有高度值的随机图形微纳结构的设计示意图；
35.图8为本发明提供的具有对称性的随机图形微纳结构的设计示意图；
36.图9为本发明提供的具有多个随机图案的微纳结构的设计示意图；
37.图10为本发明提供的具有高度值的随机图形微纳结构的设计示意图；
38.图11为本发明提供的基于深度神经网络的微纳结构逆设计系统的结构示意图；
39.图12为本发明提供的电子设备的结构示意图。
具体实施方式
40.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
41.逆设计的整体设计思路是首先设定器件的目标性能，接着根据设定的性能要求，利用各类优化算法，最终计算设计出器件波导的具体结构。本发明利用平面微纳制造工艺，可以在表面上制备各种随机形状的微纳结构，通过人工神经网络结合遗传算法和粒子群算法等优化算法，对随机形状的微纳结构的参数进行自动优化，最终达到振幅、相位和通光谱等器件性能的设计要求。本发明利用深度神经网络的加速功能，可以将结构电磁仿真的时间缩短105倍，同时优化效果也有较大提升。
42.图1为本发明提供的基于深度神经网络的微纳结构逆设计方法的流程示意图，如图1所示，本发明提供了一种基于深度神经网络的微纳结构逆设计方法，包括：
43.步骤101，根据待进行逆设计的微纳结构，获取微纳结构初始数据。
44.在本发明中，根据待进行逆设计的微纳结构，首先，生成一个结构和该微纳结构较为接近的多边形微纳结构，然后根据这个多边形微纳结构，生成一组初始参数，即微纳结构初始数据。本技术可根据任意随机多边形的微纳结构，实现光学参数的预测，从而根据每次预测得到的光学参数，对前一次的多边形微纳结构进行优化，使得该最终得到的多边形微纳结构的结构数据满足目标光学参数。
45.步骤102，将所述微纳结构初始数据输入到训练好的光学参数预测模型中，得到光学预测参数，所述训练好的光学参数预测模型是由标记有光学属性参数的样本微纳数据，对深度神经网络进行训练得到的，所述样本微纳数据包括样本微纳结构数据和样本微纳光学特性数据。
46.步骤103，基于评价函数和光学目标参数，对所述光学预测参数进行评价，若评价结果未满足预设条件，则通过优化算法和所述评价结果，对所述微纳结构初始数据进行优化处理，得到微纳结构优化数据，并将所述微纳结构优化数据输入到训练好的光学参数预测模型中，再次执行步骤102至步骤103，直到当前迭代得到的光学预测参数的评价结果满足预设条件，则根据当前迭代中光学预测参数对应的微纳结构优化数据进行微纳结构逆设计。
47.在本发明中，基于深度神经网络训练得到的光学参数预测模型，根据微纳结构初始参数，预测出对应的器件电磁响应(如透射谱和q值等)；然后，通过评价函数和光学目标参数，计算出器件电磁响应的评价值(figure of merit)，在本发明中，根据实际设计目标，评价函数可以任取，设计目标包括但不限于：预设频点的谐振、增大谐振q值、预设通光谱形状、预设电场振幅大小和预设相位响应等；再通过优化算法，根据得到的评价值，对微纳结构初始参数，从而生成一组优化后的参数，继续神经网络的预测、预测结果评价以及参数优化更新的过程，最终得到接近全局最优值对应的微纳结构参数，以根据该微纳结构参数实现逆设计。
48.本发明提供的基于深度神经网络的微纳结构逆设计方法，利用深度神经网络，对结构参数对应的电磁响应进行预测，即训练神经网络去预测微纳结构的电磁特性，并根据预设的光学目标参数，通过迭代优化得到符合目标的最优结构参数。由于计算原理是基于预测，相比采用仿真软件直接计算电磁响应，电磁响应的计算时间大幅度缩减(速度能提升105倍)，使得可以利用优化算法进行迭代优化。最终实现的设计结果相较正向设计，不仅能得到趋于全局最优的参数，设计时间也大幅度缩短，并节省大量人力资源。
49.在上述实施例的基础上，所述训练好的光学参数预测模型通过以下步骤训练得到：
50.根据光学属性参数，对每个样本微纳数据标记对应的标签，并根据标记标签后的样本微纳数据和对应的样本光学参数，构建训练样本集，所述样本微纳数据包括样本微纳结构数据和样本微纳光学特性数据；
51.将所述训练样本集输入到深度神经网络中进行训练，得到训练好的光学参数预测模型。
52.在本发明中，深度神经网络的隐藏层数在3-20层左右，输入层的数据维度，根据实际的结构复杂度的变化有所不同，大致在3～10000维左右，输出参数，即深度神经网络预测得到的光学预测参数可包括但不限于谐振波长、谐振q值、通光谱、振幅和相位响应等，输出参数的维度大致在1～1000维左右。在本发明中，深度神经网络的训练样本和测试样本，可通过fdtd、fem或rsoft等商业软件计算得到；也可以通过编程，使用傅里叶模态法(又名严格耦合模分析法)计算得到。
53.进一步地，在构建训练集时，针对不同需求的光学参数预测，首先将样本微纳数据(包括样本微纳结构数据和样本微纳光学特性数据)标记不同的光学属性参数，并和对应的样本光学参数构建为一个样本组，例如，假定当前组样本微纳结构的参数数据(包括微纳结构数据和微纳光学特性数据)用于通光谱的预测(即标记“用于通光谱预测”的光学属性参数)，那么这组微纳结构的参数数据和实际计算得到的通光谱参数(即样本光学参数)就构成了一组样本集合，如果用于其他用途(例如光强、谐振q值等)，则这组微纳结构的参数数据就和对应的实际计算得到的光学参数组合，构成样本集合。不同的样本集合分别作为训练集，用于训练得到不同的预测网络，可以用来预测不同微纳结构的各种光学参数。在本发明中，样本微纳数据包括样本微纳结构数据和样本微纳光学特性数据，其中，所述样本微纳结构数据至少包括单周期微纳结构形状数据(例如，微纳结构对应多边形的边数和高度值，微纳结构边缘点数据以及微纳平板厚度等)和微纳结构周期数据，对于标准结构的多边形，还可以包括微纳结构的旋转角度；所述样本微纳光学特性数据至少包括微纳材料的介电常数和色散参数。
54.具体地，图2为本发明提供的基于单连通随机微纳结构的预测示意图，可参考图2所示，深度神经网络由3-100层全连接层和输入层/输出层构成，输入层的数据有3～100维左右，数据依次为随机多边形的每个点(多边形轮廓边缘点p1、p2、p3、
…
、pn)的坐标(若多边形的形状为标准结构，例如圆形、椭圆形或矩形等，也可以将边缘点和标准结构中心点的距离作为输入数据)，除此之外，输入的数据包括不限于微纳材料的介电常数，微纳材料的色散，平板厚度以及单元周期等参数，输出层的数据大致在1～1000维左右。通过在输入的数据中定义一个高度值，可以使得逆设计得到随机多边形为孔洞(即刻蚀掉多边形区域)，也可以是柱体(即蚀掉多边形以外的区域，成为柱体)。在本发明中，设计的微纳结构厚度在50nm-3μm左右，周期在100nm到100μm左右。在通过深度神经网络和优化算法对微纳结构数据进行迭代优化后，得到接近于全局最优值的结构参数，从而通过逆设计得到对应的单连通微纳结构。
55.在上述实施例的基础上，所述深度神经网络的输入层连接有多个卷积层。
56.图3为本发明提供的基于多连通随机微纳结构的预测示意图，可参考图3所示，深度神经网络的输入层前面连接有多层卷积层，输入为一张具有随机性质的图形结构，该随机结构为任意拓扑数的孔洞或者柱体，其他参数和单连通随机微纳结构类似。随机结构通过计算机随机生成，利用多层卷积层提取随机结构的图像数据，最终得到m
×
m(100～10000维)个像素的卷积层数据，将这些数据扁平化处理得到m2的数组数据，然后传输到深度神经网络中进行光学参数预测。另外，在本发明中，除m2的数组数据外，还将微纳材料的介电常数，材料的色散，平板厚度和单元周期等参数输入到深度神经网络中，在通过深度神经网络和优化算法对微纳结构数据进行迭代优化后，得到接近于全局最优值的结构参数，从而通
过逆设计得到对应的多连通微纳结构。利用深度神经网络，可以精确预测随机结构的电磁响应，所得结果可以用于逆设计优化。
57.在上述实施例的基础上，所述优化算法包括模拟退火算法、神经网络算法和遗传算法。
58.在本发明中，使用最优化理论的三大非经典算法，模拟退火(simulated annealing，简称sa)算法、神经网络(neural network，简称nn)和遗传算法(genetic algorithm，简称ga)，可以极大地提高最终优化结果的品质，得到接近全局最优的好结果。另外，可以根据实际问题，选用不同的优化算法，以达到最好效果，例如，粒子群算法、下山算法或蒙特卡罗法等。
59.本发明针对微纳结构存在多种随机多边形的情况，通过以下几个实施例进行说明。
60.在一实施例中，以微纳结构的形状为正多边形，通过预测通光谱进行微纳结构参数的优化进行说明，图4为本发明提供的正多边形微纳结构的设计示意图，可参考图4所示，正多边形微纳结构的参数定义如下：多边形边数n，周期p，边缘点离中心点的距离r1和r2，以及旋转角度θ。具体地，首先给定一个预设的通光谱形状，通过优化器(可通过优化算法)产生一个初始参数；然后通过深度神经网络预测出初始参数对应的通光谱，并通过评价函数对预测的通光谱进行评价，在本发明中，评价函数设定为评价值f＝mse(评价值f＝预测的通光谱-设定的目标通光谱)，mse表示均方误差值。评价值f输入到优化器中(可以使用遗传算法、模拟退火或粒子群等算法)，然后生成一个新的参数，再将这个新的参数输入到深度神经网络中。通过逐步迭代，最终参数能迭代优化到接近全局最优值。另外，微纳结构可以用多边形孔或者多边形柱体，图5为本发明提供的具有高度值的正多边形微纳结构的设计示意图，可参考图5所示，输入到深度神经网络的微纳结构参数除上述参数以外(多边形边数n，周期p，边缘点离中心点的距离r1和r2，以及旋转角度θ)，还包括高度值h。
61.在另一实施例中，以微纳结构的形状为随机图形，通过预测通光谱进行微纳结构参数的优化进行说明书，图6为本发明提供的随机图像微纳结构的设计示意图，可参考图6所示，随机图形微纳结构的参数定义如下：随机结构多边形点数n，周期p，边缘点的位置r1、r2、...、rn等。具体地，首先给定一个预设的通光谱形状，通过优化器产生一个初始参数；然后通过深度神经网络预测出初始参数对应的通光谱，并通过评价函数对预测的通光谱进行评价，在本发明中，评价函数设定为评价值f＝mse(评价值f＝预测的通光谱-设定的目标通光谱)，mse表示均方误差值。评价值f输入到优化器中，然后生成一个新的参数，再将这个新的参数输入到深度神经网络中。通过逐步迭代，最终参数能迭代优化到接近全局最优值。另外，微纳结构可以为随机多边形孔或者随机多边形柱体，图7为本发明提供的具有高度值的随机图形微纳结构的设计示意图，可参考图7所示，输入到深度神经网络的微纳结构参数除上述参数以外(随机结构多边形点数n，周期p，边缘点的位置r1、r2、...、rn等)，还包括高度值h1和h2。
62.在上述实施例的基础上，所述方法还包括：
63.步骤201，获取多个不同的微纳结构初始数据，并将每个微纳结构初始数据输入到训练好的光学参数预测模型中，得到多个光学预测参数，并根据多个光学预测参数，获取光学预测测量矩阵；
64.步骤202，基于评价函数和光学目标参数，对所述光学预测测量矩阵进行评价，若测量矩阵评价结果未满足预设条件，则通过优化算法和所述测量矩阵评价结果，对每个微纳结构初始数据进行优化处理，得到微纳结构优化数据，并将每个微纳结构优化数据输入到训练好的光学参数预测模型中，再次执行步骤201至步骤202，直到当前迭代得到的光学预测测量矩阵的评价结果满足预设条件，则根据当前迭代中光学预测测量矩阵对应的多个微纳结构优化数据进行微纳结构逆设计，并根据逆设计得到的多个微纳结构，构建压缩感知器。
65.在本发明中，以预测得到通光谱对n个微纳结构构成的压缩感知器的参数进行优化说明。压缩感知是近年兴起的学科，通过设计多个微纳结构的响应各不相同，将多个微纳结构综合起来，可构成一个压缩感知器。这种压缩感知器可以用来探测入射光场的多种参数，通过对微纳结构的响应进行优化，可以实现压缩感知性能的提升。具体地，在本发明中，首先，探测器(微纳结构)数目设为n，若每个探测器需要m个描述参数，那么深度神经网络的输入数据为m维，n次调用深度神经网络(或者直接使用并行化计算)可以预测得到这n个微纳结构的电磁响应(通光谱)。在预测得到通光谱后，将所有通光谱数据构成一个测量矩阵(每个微纳结构的通光谱作为矩阵的一行)，压缩感知器的品质等价于测量矩阵的列矢量相关性的平均值，这个值作为评价值(figure of merit)，和上述实施例中单个光学预测参数的处理过程类似，调用遗传算法等优化算法，可以开始自动优化设计。最终得到n个结构的整体设计结果，这n个微纳结构构成的压缩感知器，具有趋于全局最优的性能。
66.在另一实施例中，对于具有一定对称性的随机图形，与上述各实施例中输入的微纳结构参数有部分区别，图8为本发明提供的具有对称性的随机图形微纳结构的设计示意图，可参考图8所示，孔的形状具有90度旋转对称性，并且还同时具有x、y轴镜像对称性，因而可以将该微纳结构的定义参数缩减至5个，一个参数用于定义微纳结构的周期p，另外四个参数用来定义随机孔的形状(即r1、r2、r3和r4)。在本发明中，对称性的随机图形的微纳结构逆设计，设计步骤和上述几个实施例相同，可以将该对称性随机图形作为一个整体微纳结构进行优化设计，也可以将其作为多个微纳结构进行优化设计。同时，还可以将挖孔改为柱体(设置对应的高度值)。
67.在又一实施例中，对于有多个随机图案的微纳结构，可按照微纳结构的周期，将单个周期内的区域划分为网格，然后随机定义哪些网格处的材料不被挖空，图9为本发明提供的具有多个随机图案的微纳结构的设计示意图，可参考图9所示，输入的微纳结构参数包括：1、所有网格构成一个二值矩阵，矩阵的元素若设置为1，则将对应位置的材料挖空；若矩阵元素若设置为0，则不做操作；2、周期p；3、高度h(即平板厚度)。利用这个微纳结构进行逆设计，可以将该具有多个随机图案作为一个整体微纳结构进行优化设计，也可以将其作为多个微纳结构进行优化设计，另外，微纳结构还可以用柱体，图10为本发明提供的具有高度值的随机图形微纳结构的设计示意图，当微纳结构为柱体时，可参考图10所示。
68.需要说明的是，本发明中的微纳结构，所用的材料包括但不限于硅、氮化硅、二氧化硅、gaas、ingaas以及ingaasp等。
69.本发明最核心的理念在于利用深度神经网络的加速电磁仿真，将严格计算微纳结构的电磁响应，转化为用深度神经网络预测微纳结构的电磁响应。相比起严格计算，预测不涉及到大规模的矩阵求解，因而能够极大地加快计算速度(约105倍)。同时，使用优化算法，
可以极大地提高最终优化结果的品质，可以得到接近全局最优的好结果。对于正向设计，本发明的逆向设计过程为全自动化，只需人为设定优化目标，然后计算机便会自动进行迭代优化，最终直接得到设计结果，因而节约了大量人力资源。除此之外，逆向设计擅长设计随机结构，而正向设计局限于规则结构，因此逆向设计的优化参数张成的空间更复杂，更容易得到较好的设计结果；并且可拓展性高，不仅可以设计微纳结构的随机形状，还适用于介电常数、结构尺寸以及加入其他参数实现优化，可对微纳结构的任何电磁响应特性进行逆设计/优化。
70.图11为本发明提供的基于深度神经网络的微纳结构逆设计系统的结构示意图，如图11所示，本发明提供了一种基于深度神经网络的微纳结构逆设计系统，包括微纳结构初始参数获取模块1101、光学参数预测模块1102以及评价和优化模块1103，其中，微纳结构初始参数获取模块1101用于执行步骤101，根据待进行逆设计的微纳结构，获取微纳结构初始数据；光学参数预测模块1102用于执行步骤102，将所述微纳结构初始数据输入到训练好的光学参数预测模型中，得到光学预测参数，所述训练好的光学参数预测模型是由标记有光学属性参数的样本微纳数据，对深度神经网络进行训练得到的，所述样本微纳数据包括样本微纳结构数据和样本微纳光学特性数据；评价和优化模块1103用于执行步骤103，基于评价函数和光学目标参数，对所述光学预测参数进行评价，若评价结果未满足预设条件，则通过优化算法和所述评价结果，对所述微纳结构初始数据进行优化处理，得到微纳结构优化数据，并将所述微纳结构优化数据输入到训练好的光学参数预测模型中，再次执行步骤102至步骤103，直到当前迭代得到的光学预测参数的评价结果满足预设条件，则根据当前迭代中光学预测参数对应的微纳结构优化数据进行微纳结构逆设计。
71.本发明提供的基于深度神经网络的微纳结构逆设计系统，利用深度神经网络，对结构参数对应的电磁响应进行预测，即训练神经网络去预测微纳结构的电磁特性，并根据预设的光学目标参数，通过迭代优化得到符合目标的最优结构参数。由于计算原理是基于预测，相比采用仿真软件直接计算电磁响应，电磁响应的计算时间大幅度缩减(速度能提升105倍)，使得可以利用优化算法进行迭代优化。最终实现的设计结果相较正向设计，不仅能得到趋于全局最优的参数，设计时间也大幅度缩短，并节省大量人力资源。
72.本发明提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
73.图12为本发明提供的电子设备的结构示意图，如图12所示，该电子设备可以包括：处理器(processor)1201、通信接口(communicationsinterface)1202、存储器(memory)1203和通信总线1204，其中，处理器1201，通信接口1202，存储器1203通过通信总线1204完成相互间的通信。处理器1201可以调用存储器1203中的逻辑指令，以执行基于深度神经网络的微纳结构逆设计方法，该方法包括：步骤101，根据待进行逆设计的微纳结构，获取微纳结构初始数据；步骤102，将所述微纳结构初始数据输入到训练好的光学参数预测模型中，得到光学预测参数，所述训练好的光学参数预测模型是由标记有光学属性参数的样本微纳数据，对深度神经网络进行训练得到的，所述样本微纳数据包括样本微纳结构数据和样本微纳光学特性数据；步骤103，基于评价函数和光学目标参数，对所述光学预测参数进行评价，若评价结果未满足预设条件，则通过优化算法和所述评价结果，对所述微纳结构初始数据进行优化处理，得到微纳结构优化数据，并将所述微纳结构优化数据输入到训练好的光
学参数预测模型中，再次执行步骤102至步骤103，直到当前迭代得到的光学预测参数的评价结果满足预设条件，则根据当前迭代中光学预测参数对应的微纳结构优化数据进行微纳结构逆设计。
74.此外，上述的存储器1203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
75.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于深度神经网络的微纳结构逆设计方法，该方法包括：步骤101，根据待进行逆设计的微纳结构，获取微纳结构初始数据；步骤102，将所述微纳结构初始数据输入到训练好的光学参数预测模型中，得到光学预测参数，所述训练好的光学参数预测模型是由标记有光学属性参数的样本微纳数据，对深度神经网络进行训练得到的，所述样本微纳数据包括样本微纳结构数据和样本微纳光学特性数据；步骤103，基于评价函数和光学目标参数，对所述光学预测参数进行评价，若评价结果未满足预设条件，则通过优化算法和所述评价结果，对所述微纳结构初始数据进行优化处理，得到微纳结构优化数据，并将所述微纳结构优化数据输入到训练好的光学参数预测模型中，再次执行步骤102至步骤103，直到当前迭代得到的光学预测参数的评价结果满足预设条件，则根据当前迭代中光学预测参数对应的微纳结构优化数据进行微纳结构逆设计。
76.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于深度神经网络的微纳结构逆设计方法，该方法包括：步骤101，根据待进行逆设计的微纳结构，获取微纳结构初始数据；步骤102，将所述微纳结构初始数据输入到训练好的光学参数预测模型中，得到光学预测参数，所述训练好的光学参数预测模型是由标记有光学属性参数的样本微纳数据，对深度神经网络进行训练得到的，所述样本微纳数据包括样本微纳结构数据和样本微纳光学特性数据；步骤103，基于评价函数和光学目标参数，对所述光学预测参数进行评价，若评价结果未满足预设条件，则通过优化算法和所述评价结果，对所述微纳结构初始数据进行优化处理，得到微纳结构优化数据，并将所述微纳结构优化数据输入到训练好的光学参数预测模型中，再次执行步骤102至步骤103，直到当前迭代得到的光学预测参数的评价结果满足预设条件，则根据当前迭代中光学预测参数对应的微纳结构优化数据进行微纳结构逆设计。
77.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其
中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
78.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
79.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。