题名 | 基于深度学习的相位调控型超构表面器件设计 |
作者 | 徐东 |
答辩日期 | 2021-05 |
文献子类 | 硕士 |
授予单位 | 中国科学院大学 |
授予地点 | 中国科学院光电技术研究所 |
导师 | 蒲明博 |
关键词 | 深度学习 迁移学习 遗传算法 相位调控型超构表面 |
学位名称 | 工学硕士 |
学位专业 | 测试计量技术及仪器 |
英文摘要 | 超构表面是一种新兴的二维亚波长人工复合结构或材料,因对电磁波的振幅、相位和偏振等基本参量具有优异的调控能力,自其提出以来,便受到了电磁学领域研究者们的广泛关注。由此而衍生的超构表面器件因具有易于集成,能够实现电磁波的灵活调控等优点,在电磁通信、计算全息和探测成像等领域呈现出较大的潜力。 传统的超构表面器件优化设计方法存在着计算速度慢、易陷入局部最优以及需要反复试错的缺点,这一定程度上制约了该研究领域的发展。深度学习作为一种计算速度非常快的人工智能算法,越来越多的研究者开始将其引入超构表面研究领域,并提出了多种用于设计相位调控型超构表面器件的基于深度学习的方法。本文在结合了人工神经网络和寻优算法的相位调控型超构表面器件基本设计框架上,针对现有的大部分研究中存在的若干问题,提出了一种简单快速的基于迁移学习技术的高效率相位调控器件设计方法。并通过实际器件设计,进一步验证了所提出的方法的性能,主要研究工作包含: 1、现有研究方法常采用庞大的数据集或复杂的网络结构来实现更高的超构表面光谱预测精度,这使得用于建立数据集或调试和训练网络的时间更长。针对该问题,本文提出了一种“预筛选”方法,即通过已有经验、和借鉴已有优秀研究中的超构表面形状或参数,对数据集进行筛选,让建立的数据集更加简洁,从而使得神经网络在1万左右大小的数据集上也能实现高精度的光谱预测能力。 2、针对现有研究方法在提供更多可供选择的超原子基本单元结构时,需要额外大量的电磁仿真数据,并进行额外重复的神经网络调试和训练。本文利用迁移学习,将原始神经网络中学到的知识转移到目标神经网络中,训练结果表明,这不仅使得用于调试和训练神经网络时间缩减了10倍,还将神经网络的光谱测试MSE降低了9.2%。 3、最后,本文还提出了一种基于迁移学习技术和遗传算法的用于设计高效率相位调控型器件的方法,并根据设计流程,快速地设计出了多个相位调控器件,通过全模仿真验证,其中所设计出的超构表面偏折器的偏折效率最高可达92%,设计出的超构透镜的仿真结果参数也同目标设计参数非常接近,器件的成功设计表明该方法在超构表面器件快速设计领域具有较大的发展潜力。 |
语种 | 中文 |
学科主题 | 光学 ; 光学其他学科 ; 电磁学 ; 电磁学其他学科 |
页码 | 83 |
内容类型 | 学位论文 |
源URL | [http://ir.ioe.ac.cn/handle/181551/10177] |
专题 | 光电技术研究所_光电技术研究所博硕士论文 |
推荐引用方式 GB/T 7714 | 徐东. 基于深度学习的相位调控型超构表面器件设计[D]. 中国科学院光电技术研究所. 中国科学院大学. 2021. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论