(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211341320.4 (22)申请日 2022.10.28 (71)申请人 南京大学 地址 210033 江苏省南京市栖霞区仙林大 道163号 (72)发明人 邱港　王琼　柏业超　唐岚　 张兴敢　 (74)专利代理 机构 南京业腾知识产权代理事务 所(特殊普通 合伙) 32321 专利代理师 马静静 (51)Int.Cl. G16C 60/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习和结构变量的电磁超材 料设计方法 (57)摘要 本发明提供一种基于深度学习和结构变量 的电磁超材料设计方法， 属于电磁超 材料设计领 域， 包括以下步骤： 步骤一： 将电磁超表面单元结 构设计及相关参数周期排列结构送入电磁仿真 软件， 得到对应的电磁响应， 构建正向预测数据 集和反向设计数据集； 步骤二： 将正向预测数据 集和反向设计数据集， 分别分割为80％的训练集 和20％的测试集； 步骤三： 构建正向预测网络模 型； 步骤四： 构建反向设计网络模型， 初始化网络 参数； 步骤五： 将反向设计数据集送入反向设计 网络模型生成网络R ‑Generator和网络I ‑ Generator， 并进行迭代 循环训练。 本发明采用间 接式生成模型， 克服了离散映射时带来的误差， 提升了模型最终的精度， 通过结构变量的引入解 决了反向设计中离 散误差大和灵活性 不足问题。 权利要求书2页 说明书9页 附图5页 CN 115482893 A 2022.12.16 CN 115482893 A 1.一种基于深度学习和结构变量的电磁超材 料设计方法， 其特 征在于， 包括以下步骤： 步骤一： 将电磁超表面单元结构设计及相关参数周期排列结构送入电磁仿真软件， 得 到对应的电磁响应， 构建正向预测数据集和反向设计数据集； 正向预测数据集和反向设计 数据集包括 生成的电磁响应数据， 电磁响应数据包括实部 仿真值和虚部 仿真值； 步骤二： 将步骤一中构建的正向预测数据集和反向设计数据集， 分别分割为80％的训 练集和20％的测试集； 步骤三： 构建正向预测网络模型， 将分割后的正向预测数据集进行正向预测网络的模 型训练， 训练完成后固定正向预测网络模型参数； 步骤四： 构建反向设计网络模型， 包括实部生成网络R ‑Generator和虚部生成网络I ‑ Generator， 初始化网络参数； 步骤五： 将反向设计数据集中的实部训练子集送入反 向设计网络模型的实部生成网络 R‑Generator， 将反向设计数据集中的虚部训练子集送入反向设计网络模型的虚部生成网 络I‑Generator， 并进行迭代循环训练。 2.根据权利要求1所述的一种基于深度学习和结构变量的电磁超材料设计方法， 其特 征在于， 所述 步骤一中， 构建正向预测数据集和反向设计数据集的步骤如下： 所述电磁超表面单元， 包括上层、 中层和下层； 所述上层分为编码图案区域， 宽度l2＝ 8mm； 在编码图案区域中划分为16 ×16矩阵， 编码图案金属铜贴片电导率为5.8e+007S/m， 宽 度l3＝0.5mm， 厚度t2＝0.017mm， 编码图案样式采用中心对称方式； 所述中层介质基板材质 为F4B， 介电常数为2.65(1+0.003i)， 宽度l1＝10mm， 厚度t1＝2mm； 所述下层为全金属铜覆 盖， 电导率为5.8e+0 07S/m， 厚度t2＝0.017m m； 1)随机产生16 ×16编码矩阵， 构建对应的电磁超表面单元， 送入电磁仿真软件得到对 应的电磁响应， 频率范围设置为8 ‑12Ghz； 2)将16×16的编码矩阵进行横向和纵向复制扩充为32 ×32编码矩阵作为网络 输入； 3)电磁响应的幅值A和相位 与电磁响应的实部Re和虚部Im存在以下对应关系： 将电磁响应分解为实部Re和虚部Im， 同时对实部Re和虚部Im进行采样间隔为0.1Ghz的 均匀频率采样， 将实部Re和虚部Im分别表 示为41维向量， 作为数据集的标签， 构建出正向预 测数据集； 4)、 将实部Re和虚部Im表示 为41维向量同时作为输入和标签， 构建出反向设计数据集。 3.根据权利要求2所述的一种基于深度学习和结构变量的电磁超材料设计方法， 其特 征在于， 所述 步骤二中： 正向预测数据 集输入为32 ×32编码矩阵， 对应的标签为41维的实部Re向量和41维的虚 部Im向量； 反向设计数据 集输入为41维的实部Re向量和41维的虚部Im向量， 对应的标签与输入相 同， 也为41维的实部Re向量和41 维的虚部Im向量。 4.根据权利要求3所述的一种基于深度学习和结构变量的电磁超材料设计方法， 其特 征在于， 所述 步骤三中：权　利　要　求　书 1/2 页 2 CN 115482893 A 2构建的正向预测网络模型， 其实部网络RNet和虚部网络INet采用完全相同的网络结 构， 所述实部网络RNet输出为 实部向量， 拟合电磁响应的实部； 所述虚部网络INet输出为虚 部向量， 拟合电磁 响应的虚部； 实部网络RNet和虚部网络INet均采用ResNet18结构； 实部网 络RNet优化器设置为Adam， 学习率为1e ‑3； 虚部网络INet优化器设置为Adam， 学习率为1e ‑ 3； 用 表示网络损失函数， 其 中y为真实值, 为预测值,m为维度， 将正向预测数据集送入正向预测网络模型进行训练， 正向预测网络总损失值定义为 其中， Ref为正向预测数据集响应实 部， 为正向预测网络预测实部， Imf为正向预测数据集响应虚部， 为正向预测网络预测 虚部， Af为正向预测数据集响应幅值， 为计算所得的预测网络预测幅值， 训练完成后固定正向预测网络模型参数。 5.根据权利要求4所述的一种基于深度学习和结构变量的电磁超材料设计方法， 其特 征在于， 所述 步骤四中： 实部生成网络R ‑Generator和虚部生成网络I ‑Generator采用相同的网络结构， 实部生 成网络R‑Generator由反卷积层构成， 将输入的实部41维向量Re经过反卷积操作将会生成 64×64×1的实部预置换矩阵； 虚部生成网络I ‑Generator也由反卷积层构成， 将输入的虚 部41维向量Im经过反卷积 操作将会生成64 ×64×1的虚部预置换矩阵。 6.根据权利要求5所述的一种基于深度学习和结构变量的电磁超材料设计方法， 其特 征在于， 所述 步骤五中， 每一轮的迭代计算过程 步骤如下： 步骤5.1： 将反向设计数据集的实部训练子集送入实部生成网络R ‑Generator， 反向设 计数据集的虚部训练子集送入虚部生成网络I ‑Generator， 分别 得到实部预置换矩阵和虚 部预置换矩阵； 步骤5.2： 将实部预置换矩阵与虚部预置换矩阵按照通道维度拼接， 经过1 ×1卷积层融 合通道， 再经过gumbel ‑sinkhorn算子得到 置换矩阵； 步骤5.3： 引入结构变量， 形式为离散向量； 将结构变量与 步骤5.2中得到的置换矩阵进 行向量乘积计算间接得到生成的超表面 排列样式； 步骤5.4： 将步骤5.3生成得到的超表面排列样式送入步骤三中构建的正向预测网络， 分别得到实部预测值、 虚部预测值和幅值预测值； 步骤5.5： 通过实部预测值、 虚部预测值和幅值预测值计算误差， 进行反向传播算法更 新实部生成网络R ‑Generator、 虚部生成网络I ‑Generator和1 ×1卷积融合层参数。权　利　要　求　书 2/2 页 3 CN 115482893 A 3