[发明专利]离散编码超表面单元电磁响应预测方法及设备

说明书

离散编码超表面单元电磁响应预测方法及设备，属于深度学习和电磁超表面技术领域。为了解决现有的对自由度较高超表面正向预测过程中，存在的预测精度不够及无法同时预测相位频谱和幅值频谱的问题。本发明首先选定基底材料，基于离散编码对离散编码超表面单元进行建模；将超表面单元输入电磁仿真软件得到该超表面单元的电磁响应，分别是水平极化和垂直极化S参数的幅值Am和相位Ph频谱，处理后将之作为对应数据的标签；将数据集输入预测神经网络模型得到预测的离散超表面电磁响应，基于仿真的电磁响应和预测的电磁响应构建损失函数，基于损失函数训练预测神经网络；最后利用训练好的预测神经网络进行离散编码超表面单元电磁响应预测。

技术领域

本发明属于深度学习和电磁超表面技术领域，具体涉及一种离散编码超表面单元电磁响应预测方法及设备。

背景技术

超表面是二维亚波长散射结构单元组成的二维阵列。其主要作用是控制空间中反射/透射电磁波的相位、振幅和极化。研究者可以通过人为地调制超表面上单元的幅度、相位分布实现各种各样的功能，因而大量新颖的功能性器件如平面隐身衣、惠更斯超表面、双曲超表面、OAM波束激发器、消色差超表面、可重构超表面、全光计算超表面，以及其它多功能超表面等应用被研究者提出并实现。目前，超表面由于在操纵电磁波方面的巨大自由度而受到学者和工程师的广泛关注。

组成超表面的超表面单元形状可以是特定的结构(如方形，圆环，耶路撒冷十字等等)。它也可以是自由形式的结构。然而，设计一个满足复杂需求的超表面单元并非易事。大多数传统的设计方法包含以下两个费时费力过程。

1.由经验丰富的专家根据以往的经验或者艰深的电磁理论选定若干可能具有目标性能的超表面单元的基本形状。

2.通过扫描超表面单元基本几何参数来大规模、迭代地计算元原子的电磁响应，这是非常耗时的。

为了解决上述问题，近年来虽然一些方法将深度学习引入到超表面的设计中，但其中的大多数都只局限于某些特殊形状或者单频点的超表面。目前还缺乏一个可以应用于超表面设计的通用框架，尤其是高自由度超表面的电磁响应预测或逆向设计仍是一个难点。

发明内容

本发明是为了解决现有的对自由度较高超表面正向预测过程中，存在的预测精度不够及无法同时预测相位频谱和模值频谱的问题。

离散编码超表面单元电磁响应预测方法，利用训练好的预测神经网络进行离散编码结构超表面单元电磁的响应预测，所述预测神经网络的训练过程包括以下步骤：

步骤一、选定基底材料，确定需要进行离散编码的超表面随机排列的金属方形贴片区域的范围，对超表面单元进行建模，并将随机排列的金属方形贴片区域抽象为数值矩阵；

将超表面单元输入电磁仿真软件得到超表面的电磁响应，分别是水平极化和垂直极化S参数的模值Am和相位Ph频谱，将模值和相位值做如下处理：

将模值取对数值，即lg(Am)，记为a；

将相位值分别取正弦和余弦值，即sin(Ph)和cos(Ph)，记为b和c；

将a,b,c作为数据集中数据的标签；

步骤二、搭建预测神经网络模型；预测神经网络模型输入为超表面离散编码对应的数值矩阵，输出超表面电磁响应A、B、C；A代表S参数的模值的对数值，B和C分别代表S参数的相位值的正弦和余弦值，A＝lg(Am_pre)，B＝cos(Ph_pre)，C＝sin(Ph_pre)；其中Am_pre为预测神经网络预测的S参数模值，Ph_pre为预测神经网络预测的S参数相位值；

步骤三、基于仿真的电磁响应a、b、c和预测的电磁响应A、B、C构建损失函数；

步骤四、利用数据集训练预测神经网络得到训练好的预测神经网络。