[发明专利]一种宽频光学器件的逆设计方法

说明书

本发明提供一种宽频光学器件的逆设计方法，包括：利用电磁仿真软件批量计算数万组结构基元的向量相位分布的样本库；搭建改进版的生成对抗网络，所述生成对抗网络的由生成器和判别器组成；利用样本库来训练生成对抗网络；由智能算法确定目标光学器件的各个位置的目标向量相位分布；利用生成器生成各个位置的目标向量相位分布所对应的结构基元，然后将各个位置的结构基元组合，得到目标光学器件的超表面结构。本发明的设计方法结合生成对抗网络和智能算法，不仅改善了光学器件逆向设计的耗时低效，同时也保证了生成样本的多样性，为高性能、多功能的超表面光学器件的设计提供了新方案，可更大概率的避免陷入局部最优。

技术领域

本发明属于微纳光子学领域，特别是涉及一种宽频光学器件的逆设计方法。

背景技术

超表面是人为设计的、具有亚波长特征尺寸、按照特定方式排布的微纳结构阵列，它具有重量轻、设计自由度高、结构灵活等特点。基于不同结构类型的亚波长散射体组成的超表面，可实现对电磁波振幅、相位、偏振、频率等的操控。例如，美国哈佛大学F.Capasso等2011年基于V形金属天线实现了对电磁波束任意偏折角度的调制，该工作首次提出了基于超表面的电磁场传播调控原理。美国加州理工大学Changhuei Yang等2018年基于SiNx纳米柱设计了无序的超构表面，通过波前整形实现了高数值孔径(NA0.5)聚焦和荧光成像。相较传统的光学器件，超表面光学器件具有特殊的电磁特性和优异的界面操控能力，使其在新一代成像/传感的薄光学系统中具有广阔的应用前景。

超表面超高的设计自由度，同时也导致设计难度的显著提高，特别是对高性能超表面光学器件(如宽带消色差超透镜)的设计，传统的数值仿真软件、优化算法的设计方法不仅需要消耗大量的时间，且难以得到最优解，极大地限制了超表面功能器件的应用。

而深度学习的出现为解决上述问题提供一种有效的解决方案，深度学习方法可揭示大量数据间的内在规律和关系，自2018年，国内外科研院所纷纷将深度学习方法应用于超表面光学器件的逆设计中。例如，利用级联前馈神经网络设计全介质超构表面，利用生成对抗网络设计超宽带的各向异性超构表面。但是利用生成对抗网络来设计宽频光学器件，一方面不能绝对避免局部最优，且另一方面面临稳定性差的问题。

但目前大多工作仅实现了简单功能的超表面光学器件的逆设计，而宽频超表面光学器件的逆向设计仍面临着巨大的挑战。

发明内容

本发明的目的在于提供一种宽频光学器件的逆设计方法，以解决宽频光学器件的设计低效耗时、易陷入局部最优的问题。

为了实现上述目的，本发明提供一种宽频光学器件的逆设计方法，一种宽频光学器件的逆设计方法，其适用于逆设计宽频且超表面的目标光学器件，包括：

S1：利用电磁仿真软件批量计算数万组结构基元的向量相位分布的样本库；

S2：搭建改进版生成对抗网络，所述生成对抗网络的由生成器和判别器组成；

S3：利用样本库来训练生成对抗网络；

S4：由智能算法确定目标光学器件的各个位置的目标向量相位分布；

S5：利用生成器生成各个位置的目标向量相位分布所对应的结构基元，然后将各个位置的结构基元组合，得到目标光学器件的超表面结构。

所述生成器由至少3层转置卷积层组成，所述判别器由至少3层卷积层组成。

所述样本库中的样本的数量为数万组，每个样本均包括结构基元及其对应的透射振幅和向量相位分布，所述样本库中的结构基元所对应的透射振幅和向量相位分布利用电磁仿真软件计算得到。

所述结构基元通过选定多种不同形状的基本类型，通过改变基本类型的结构参数来得到。

所述生成对抗网络为WGAN-GP。

所述步骤S3包括：