[发明专利]一种基于深度学习的纳米结构设计方法

说明书

本发明提供了一种基于深度学习的纳米结构设计方法，包括：建立一个训练数据集，包含任意一种纳米结构信息；对训练数据集进行预处理，以将训练数据集中的数据进行转置和归一化；构建频谱预测网络SPN和几何形状预测网络GPN；将频谱预测网络SPN和几何形状预测网络GPN整合成一个神经网络模型，频谱预测网络SPN的输出连接几何形状预测网络GPN的输入；使用预处理后的训练数据集对整合的神经网络模型进行训练，当损失函数达到预设值时，神经网络模型训练完成；将待建立的纳米结构对应的X和Y两个极化方向的频谱和材料性质输入到训练完成的神经网络模型中，就可以得到纳米结构的8个纳米结构表征点，进而得到纳米结构的几何形状。

技术领域

本发明属于纳米光子学和深度学习技术领域，具体涉及一种基于深度学习的纳米结构设计方法。

背景技术

近年来，纳米光子学领域通过在亚波长结构上操纵光子与物质的相互作用，彻底改变了光学领域。然而，纳米结构材料需要大量的人工制造，因此必须预先准确预测所设想的元表面的光谱和结构。这就受限于复杂的迭代过程，循环建模，纳米加工和纳米表征。其根本原因在于，在纳米尺度上描述这些光与物质相互作用的复杂物理机制不能用广义理论来解决，因此预测材料的光学性质和近似结构依赖于通过有限元建模(FEM)或时域有限差分(FDTD)方法实现的先进迭代计算。

另外一方面，有更多显著的反向设计问题，即按照需求的频谱响应设计出对应的纳米结构；这一类问题具有高度的非线性，即使最先进数值计算方法也几乎无法完成；与此同时，计算机科学得到了充分利用，以解决纳米光子成像中的挑战性任务如设计和表征。主要方法有：1.目标增强。2.衍射极限范围外的成像和表征(超分辨率技术，如PALM和STORM技术)。而深度学习方法是一种由非线性模型组合而成的表征学习技术，通过分层的方式将上一级的表征转化为更高、更抽象的层次。其中，进一步优化诸如浅层神经网络、进化算法和线性回归已经在解决逆问题任务方面取得了一些成功。

将深度学习方法与纳米光子学领域相结合是近几年来纳米结构设计新兴的技术。随着相关技术的进展，如表征技术、纳米材料数据库的建设、大数据、算力以及数学算法等技术；相关研究者在超表面领域中对纳米棒(nanorod)、纳米微球(nanosphere)、纳米棱镜(nanoprism)、纳米薄膜(thin film)等方向都发表了研究成果。

Zhaocheng Liu等人在NANO LETTERS期刊发表了“Generative Model for theInverse Design of Metasurfaces”，公布了使用生成对抗网络解决超颖表面(metasurface)方向的反向设计问题，Itzik Malkie等人发表了利用全连接神经网络解决纳米结构的反向设计问题；Dianjing Liu等人发表“Training Deep Neural Networks forthe Inverse Design of Nanophotonic Structures”，以解决神经网络在纳米结构反向设计中难以收敛的问题。人工智能技术用于设计和寻找纳米材料，正逐渐从决策树、支持向量机、线性回归、随机森林、贝叶斯线性回归等传统机器学习算法过渡到深度学习中的人工神经网络技术中；已有的研究中网络模型已涉及全连接神经网络、卷积神经网络、生成对抗网络等结构。

深度学习应用于纳米结构的设计，关键在于如何建立深度神经网络模型处理纳米结构的双向设计问题。深度学习需要大量的数据集以使网络学习研究对象所存在的函数关系，数据集很大程度决定了网络最终的能力，因此，怎样设计神经网络的数据集也显得十分重要。此外，本实验主要研究超颖表面(metasurface)纳米结构的设计，在该课题内不同形状的金属纳米颗粒的频谱响应有很大差距，选择怎样类别、性质的金属纳米颗粒进行研究将会对实验起着巨大影响。