技术摘要：
本申请实施例中提供了一种基于深度学习的电磁超表面设计方法及装置，电磁超表面设计方法根据深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应  全部
背景技术：
电磁超材料指是一些具有人工设计的结构并呈现出天然材料所不具备的超常物 理性质的复合材料，电磁超表面是指一种厚度小于波长的人工层状材料，电磁超表面可视 为电磁超材料的二维对应。电磁超表面，由亚波长结构按照特定方式排列的二维超材料，具 有很多自然材料没有的功能，同时可以表现出很多自然材料没有的超常物理现象，例如负 折射、完美透镜以及隐身衣。与传统的笨重的光学器件相比，电磁超表面具有质量轻、体积 小、损耗低、易集成等优点，能够实现对电磁波相位、振幅和偏振灵活有效的调控。 电磁波是由同相振荡且互相垂直的电场与磁场在空间中以周期波动的形式进行 能量和动量传递的一种波。电磁波谱包括电磁辐射所有可能的频率，电磁波谱频率从低到 高分別列为无线电波、微波、红外线、可见光、紫外线、X射线和伽马射线。电磁波谱是无限 的，而且是连续的。对于电磁超表面，可以通过设计超表面的亚波长结构来实现对电磁波的 操控。 在过去的几十年里，电磁超表面因其特殊的电磁特性而引起人们极大的兴趣。在 国内，2014年崔铁军等提出了编码电磁超表面与数字电磁超表面的概念，建立了电磁超表 面物理学与数字信息科学之间的联系。例如，对于1位编码，具有180度相位差的编码超材料 0和1。2016年杨怡豪等提出了一种三维全极化的电磁超表面隐身衣，并实验恢复了不同极 化反射波的幅度和相位。近期还提出了基于可调电磁超表面的自适应控制和基于形状记忆 材料的红外温控电磁超表面。 然而，目前的电磁超表面设计依赖于繁杂冗长的电磁数值仿真，且需要大量的人 为参与和监督，大大降低了设计效率；另外，目前的电磁超表面设计只注重于单个电磁超单 元的设计，而忽略了亚波长结构相互之间的耦合效应，导致实际效果与理论效果的不匹配。 一个全面有效的电磁超表面的设计方案应该包含两个主要功能:1.根据给定的超表面结 构/排布输出其对应的全光学响应，即正向预测；2.根据所需要的光学响应输出超表面结 构/排布，即逆向设计。 在目前的电磁超表面设计方法中，正向预测通过大量的数值迭代解决麦克斯韦方 程组，直到整个求解过程收敛为止，此过程耗时费力，事倍功半。逆向设计过程复杂，无法表 达成通用数学模型。常见的方法包括遗传算法，水平集方法和拓扑优化。然而，这种随机算 法的性能受到其随机搜索性质的严重限制，随着问题和复杂性的增加，目前的电磁超表面 设计方法不能满足电磁超表面的设计。 与数值优化方法相比，基于深度学习的数据驱动方法可以表示和泛化复杂的函数 或数据，从而发现大量变量之间的未知关系。深度学习允许计算模型一层一层地学习数据 并进行多层抽象表示。不仅改善了语音识别、视觉对象识别等传统领域的技术水平，也逐渐 4 CN 111611683 A 说　明　书 2/8 页 渗入到材料科学、化学、粒子物理、量子力学和显微学等许多其他研究领域。 在电磁学领域中，神经网络作为深度学习体系结构中应用最广泛的构件，在解决 一些电磁设计和预测问题中得到了广泛的应用，比如用深度神经网络来预测层状纳米球的 散射谱。但是，这些神经网络主要是通过叠加几个完全连接层来构建的，由于其浅层结构和 较差的表达能力，这些神经网络只能应用于单个的简单的电磁超表面设计，应用效果十分 有限，并不适用于整个电磁超表面的宏观设计。
技术实现要素：
本发明提出了一种基于深度学习的智能电磁超表面设计方法及装置，旨在解决现 有技术由于设计方法的缺陷造成在电磁超设计中设计的实际效果与理论效果不匹配的问 题。 根据本申请实施例的第一个方面，提供了一种基于深度学习的电磁超表面设计方 法，包括以下步骤： 构建深度学习模型M1、深度学习模型M2以及训练集； 输入训练集至深度学习模型M1进行训练，输入训练集至深度学习模型M2进行训 练； 根据训练后的深度学习模型M1进行电磁超设计的正向预测得到电磁超表面结构/ 排列与对应光学响应的正向映射关系；根据训练后的深度学习模型M2进行电磁超设计的逆 向预测得到电磁超表面结构/排列与对应光学响应的逆向映射关系。 可选地，训练集的元素包括入射波信息、电磁超表面结构/排列及其对应的光学响 应。 可选地，训练集的样本通过以下方式得到： 采用电磁仿真软件对不同电磁超表面结构/排列进行仿真，得到对应的光学响应 结果； 将光学响应结果与电磁超表面结构/排列一一组合，得到深度学习模型的训练样 本。 可选地，深度学习模型M1的输入为给定的电磁超表面结构/排列信息以及入射波 信息，输出对应的光学响应；深度学习模型M2的输入为自定义的光学响应以及入射波信息， 输出对应的电磁超表面结构/排列。 可选地，深度学习模型M1包含多个卷积神经网络层与反卷积神经网络层，具体的： 将电磁超表面结构/排列以及入射波信息量量化构成一个矩阵，作为深度学习模 型M1的输入矩阵； 将光学响应量化构成另一个矩阵，作为深度学习模型M1的输出矩阵； 根据输入矩阵以及输出矩阵训练深度学习模型M1，得到电磁超表面结构/排列与 对应光学响应的正向映射关系。 可选地，深度学习模型M2包含多个卷积神经网络层与反卷积神经网络层，具体的： 将光学响应以及入射波信息量化构成一个矩阵，作为深度学习模型M2的输入矩 阵； 将电磁超表面结构/排列量化构成另一个矩阵，作为深度学习模型M2的输出矩阵； 5 CN 111611683 A 说　明　书 3/8 页 根据输入矩阵以及输出矩阵训练深度学习模型M2，得到电磁超表面结构/排列与 对应光学响应的逆向映射关系。 可选地，光学响应为远场辐射方向图；入射波信息包含入射电磁波的频率、入射角 度以及电磁波极化。 根据本申请实施例的第二个方面，提供了一种基于深度学习的电磁超表面设计装 置，具体包括： 深度学习模型构建模块：用于构建深度学习模型M1、深度学习模型M2以及训练集； 深度学习模型训练模块：用于输入训练集至深度学习模型M1进行训练，用于输入 训练集至深度学习模型M2进行训练； 电磁超表面设计模块：用于根据训练后的深度学习模型M1进行电磁超设计的正向 预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根据训练后的深度学习 模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应的逆向映射 关系。 根据本申请实施例的第三个方面，提供了一种电磁超表面，其由电磁超单元拼接 而成，电磁超单元包括上介质层、中间介质层以及下介质层，具体的： 上介质层固定在中间介质层的上表面，上介质层具有全极化功能的谐振结构； 中间介质层是非金属层； 下介质层是金属层，下介质层的上表面与中介质层的下表面紧贴且完全吻合。 根据本申请实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有 计算机程序；计算机程序被处理器执行以实现基于深度学习的电磁超表面设计方法。 采用本申请实施例中的基于深度学习的智能电磁超表面设计方法及装置，设计方 法中，首先构建深度学习模型M1、深度学习模型M2以及训练集；其次，输入训练集至深度学 习模型M1进行训练，输入训练集至深度学习模型M2进行训练；最后，根据深度学习模型M1进 行电磁超设计的正向预测得到电磁超表面结构/排列与对应光学响应的正向映射关系；根 据深度学习模型M2进行电磁超设计的逆向预测得到电磁超表面结构/排列与对应光学响应 的逆向映射关系。通过深度学习模型M1在电磁超表面的正向预测中，克服了传统方法依赖 于数值模拟迭代解决麦克斯韦方程繁杂耗时的缺点，极大地降低了计算复杂度，缩短了计 算时间。通过深度学习模型M2在电磁超表面的逆向设计中，利用训练所得的逆向设计的深 度学习模型有效地发现和优化电磁超单元的几何参数，实时得出不同入射波信息下的电磁 超表面结构/排列，实现了用户自定义的、随需应变的电磁超表面设计。解决了现有技术由 于设计方法的缺陷造成在电磁超设计中设计的实际效果与理论效果不匹配的问题。 附图说明 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申 请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中： 图1中示出了根据本申请实施例的基于深度学习的电磁超表面设计方法的步骤流 程图； 图2中示出了根据本申请实施例的电磁超表面的电磁超单元的结构示意图； 图3中示出了根据本申请实施例中覆盖电磁超表面后的平板模型的结构示意图； 6 CN 111611683 A 说　明　书 4/8 页 图4中示出了根据本申请实施例中覆盖电磁超表面后的飞碟模型的结构示意图； 图5示出了根据本申请实施例3的基于深度学习的电磁超表面设计方法的流程图； 图6示出了根据本申请实施例中电磁超表面结构对应的光学响应的远场辐射图； 图7示出了根据本申请实施例的基于深度学习的电磁超表面设计装置的结构示意 图。