基于自注意力的深度神经网络编码光子晶体的方法

技术特征：
1.一种基于自注意力的深度神经网络编码光子晶体的方法，其特征在于，将povit模型应用到编码光子晶体，所述povit模型包括：嵌入模块、位置编码模块、transformer编码模块以及全连接层模块；所述方法包括步骤：获取光子晶体的几何结构参数图像；其中，所述光子晶体具有若干个空气孔，若干个空气孔排列形成周期性空气孔阵列，所述几何结构参数图像的每个像素包括：空气孔的位置和半径；对所述几何结构参数图像进行维度重塑，得到若干个补丁图像；将所述补丁图像输入所述嵌入模块和位置编码模块，得到符号序列；其中，所述符号序列按照补丁图像在几何结构参数图像中对应的位置排序；将所述符号序列输入所述transformer编码模块，得到编码特征；将所述编码特征输入所述全连接层模块，得到品质因子q和模式体积v。2.根据权利要求1所述的基于自注意力的深度神经网络编码光子晶体的方法，其特征在于，所述transformer编码模块包括：若干个编码block，每个编码block包括：第一标准化层、多头自注意力层、第一dropout层、第二标准化层、mlp模块以及第二dropout层；其中，所述mlp模块包括：第一线性层、abs激活层、第三dropout层、第二线性层以及第四dropout层。3.根据权利要求2所述的基于自注意力的深度神经网络编码光子晶体的方法，其特征在于，采用adam优化器进行训练，学习率为0.0001~0.01。4.根据权利要求1所述的基于自注意力的深度神经网络编码光子晶体的方法，其特征在于，对所述几何结构参数图像进行维度重塑，得到若干个补丁图像，包括：根据空气孔的位置和半径，以及空气孔的初始位置和初始半径，确定空气孔的x轴偏移量图像、y轴偏移量图像以及半径偏移量图像；当所述空气孔的x轴偏移量图像、y轴偏移量图像以及半径偏移量图像的大小无法被补丁大小整除时，对所述空气孔的x轴偏移量图像、y轴偏移量图像以及半径偏移量图像补充维度；当所述空气孔的x轴偏移量图像、y轴偏移量图像以及半径偏移量图像的大小被补丁大小整除时，将所述空气孔的x轴偏移量图像、y轴偏移量图像以及半径偏移量图像，按照预设高度和预设宽度分割成若干个补丁图像。5.根据权利要求4所述的基于自注意力的深度神经网络编码光子晶体的方法，其特征在于，所述几何结构参数图像中有54个空气孔，且分成5排；所述初始半径为89.6nm，所述初始位置为相邻孔中心距为320nm的孔位置；所述补丁图像的数量为18。6.根据权利要求1所述的基于自注意力的深度神经网络编码光子晶体的方法，其特征在于，在收集数据时，按照高斯分布随机改变空气孔的初始位置和初始半径，得到训练数据。7.根据权利要求1所述的基于自注意力的深度神经网络编码光子晶体的方法，其特征在于，所述povit模型基于mse损失、预测误差以及相关系数进行评估。8.根据权利要求7所述的基于自注意力的深度神经网络编码光子晶体的方法，其特征在于，所述mse损失为：
其中，mse表示mse损失，t
i
表示第i个目标输出，p
i
表示第i个预测输出，n表示训练样本的数量，∑表示求和符号；所述预测误差为：其中，表示预测误差；所述相关系数为：所述相关系数为：其中，表示相关系数，表示数学期望，表示目标输出的平均值，表示预测输出的平均值。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

技术总结
本发明公开了一种基于自注意力的深度神经网络编码光子晶体的方法，提出了POViT模型，并将其应用到编码光子晶体；方法包括步骤：获取光子晶体的几何结构参数图像；光子晶体具有若干个空气孔，其几何结构参数图像的每个像素包括：空气孔的位置和半径；对几何结构参数图像进行维度重塑，得到若干个补丁图像；将补丁图像输入嵌入模块和位置编码模块，得到符号序列；将符号序列输入transformer编码模块，得到编码特征；将编码特征输入全连接层模块中，得到品质因子Q和模式体积V。POViT应用自注意力Transformer模型到光电设计领域，提高了预测光子晶体的Q因子和模式体积V的速度和准确度。光子晶体的Q因子和模式体积V的速度和准确度。光子晶体的Q因子和模式体积V的速度和准确度。


技术研发人员：张昭宇 李文烨 李任杰 俞跃耀
受保护的技术使用者：香港中文大学（深圳）
技术研发日：2022.12.05
技术公布日：2022/12/30