本发明涉及超表面设计，尤其涉及一种基于深度学习且分区调控全息图权重的超表面设计方法。
背景技术：
1、超表面是由亚波长人工微结构构成的、二维分布的超材料。具有体积小、损耗低、对光有超强操纵能力等优点，且在对光束波前整形方面体现出独特的优势。传统的设计超表面的方法是一次性地、反复实验的过程，主要依赖于对物理性质的理解与试验经验。单元结构的几何参数需要大量参数扫描或通过迭代的数值计算进行精细的调整，直到达到期望的性能标准。但传统方法效率低、搜索有限，在设计目标较为复杂时较为耗时，并可能会错过最优解。近年来，基于深度学习设计超表面技术的兴起为超表面的自动化设计开辟了新的道路。
2、深度学习作为人工智能领域的一个分支，通过模拟人类大脑的神经网络结构来学习和理解数据，发现其中的模式和特征。在超表面设计中，深度学习作为一个强大的计算工具，它能够揭示单元结构的几何形状和电磁响应之间隐藏的复杂函数，应用于正向光谱预测和反向结构设计。
3、发明人在实现本发明的过程中，发现现有技术中至少存在以下的缺点和不足：
4、1、在逆向设计结构问题中，由于存在单个响应曲线对应多个结构的情况，使得神经网络无法收敛的问题；
5、2、利用神经网络挑选超表面结构时，依赖于数据库中结构的几何特征，自由度不高，当利用神经网络设计功能复杂的超表面时，设计效果不理想。
6、因此，如何实现超表面的高效、准确设计成为一个长久探索的方向。
技术实现思路
1、本发明提供了一种基于深度学习且分区调控全息图权重的超表面设计方法，本发明解决了现有神经网络设计超表面中超原子结构参数自由度不高的问题；解决了深度学习用于设计3d全息成像时，在物理空间中无解析解时无法成像的问题；当设计目标在物理空间中有解析解存在时，可以利用网络进行全自动设计；当设计目标的解析解不存在时，可根据图案特征精细化控制loss(损失函数)设计，在容许一定噪声的情况下完成目标任务，详见下文描述：
2、一种基于深度学习且分区调控全息图权重的超表面设计方法，所述方法包含以下步骤：
3、确定超原子设计参数，包括材料特性、几何形状，并在确定的几何结构参数范围内进行随机采样，利用电磁数值仿真工具进行仿真，用于计算并预测超原子在不同设计参数下的电磁响应频谱，针对每个结构参数采样点，记录仿真的结构参数和相应的电磁响应频谱，构成最终的数据集；
4、利用最终的数据集，基于深度学习框架，训练由结构参数到相应的电磁响应频谱正向网络；
5、冻结训练好的正向网络的梯度，并串联由卷积网络构成的逆向网络进行训练，使得在逆向网络中输入不同位置的目标全息图时，网络自动赋值超表面的结构参数，并将此超表面的结构参数输入正向网络进行预测二维振幅分布，与目标图进行对比，确定loss计算区域与权重，迭代优化超表面结构参数。
6、其中，训练电磁响应频谱正向网络时，输入为矩形柱的长、宽两个结构参数；训练逆向网络时，通过偏振转换公式计算辅助，得到矩形柱的长、宽及旋转角三个结构参数输出。
7、其中，在训练逆向网络时，会对旋转后超出单元结构周期范围的超原子旋转角进行最大临界角度赋值。
8、进一步地，输入目标为多张二维图像组成的三维图案，或直接输入三维数据，神经网络利用三维卷积核进行特征提取。
9、其中，针对存在物理空间解析解的目标自动化完成超表面设计，针对不存在物理空间解析解的目标对其loss进行精细化控制，赋予目标图案、残影及背景噪声不同权重。
10、本发明提供的技术方案的有益效果是：
11、1、本发明提出一种实现超越物理空间解析解的超表面设计方案，即按照图像特征提取出图案及其边缘部分、背景部分、残影部分，精细化控制各部分loss权重，从而实现复杂立体全息功能；
12、2、本发明设计的超原子结构参数自由度高，可以同时改变超原子的长、宽与旋转角度，设计目标范围广，可以对任意偏振、对数据库中包含的所有频率进行设计；
13、3、本发明可实现对超原子结构参数的自动化选择，不再需要按照固定步长扫参后人工挑选，本发明可以最大化拟合响应目标，给出数据库中不存在的结构参数设计；
14、4、本发明设计完成后用法简便，只需给出目标全息图案、目标成像位置和目标成像频率即可；
15、5、本发明充分利用了gpu(图形处理器)并行计算的特性，通过一次运算，即可获得整个超表面内所有超原子的电磁频谱，无需逐个计算，极大地缩短了运行时长。
1.一种基于深度学习且分区调控全息图权重的超表面设计方法，其特征在于，所述方法包含以下步骤：
2.根据权利要求1所述的一种基于深度学习且分区调控全息图权重的超表面设计方法，其特征在于，构建数据库时，需确定超原子材料特性、几何形状，并在确定的几何参数范围内随机采样，利用电磁数值仿真工具计算超原子在不同结构参数下的电磁响应频谱，记录仿真的结构参数和相应的电磁响应频谱。
3.根据权利要求1所述的一种基于深度学习且分区调控全息图权重的超表面设计方法，其特征在于，训练逆向网络时，需冻结已训练好的正向网络的梯度。
4.根据权利要求1所述的一种基于深度学习且分区调控全息图权重的超表面设计方法，其特征在于，训练电磁响应频谱正向网络时，输入为矩形柱的长、宽两个结构参数；训练逆向网络时，通过偏振转换公式计算辅助，得到矩形柱的长、宽及旋转角三个结构参数输出。
5.根据权利要求4所述的一种基于深度学习且分区调控全息图权重的超表面设计方法，其特征在于，在训练逆向网络时，会对旋转后超出单元结构周期范围的超原子旋转角进行最大临界角度赋值。
6.根据权利要求1所述的一种基于深度学习且分区调控全息图权重的超表面设计方法，其特征在于，输入目标为多张二维图像组成的三维图案，或直接输入三维数据，神经网络利用三维卷积核进行特征提取。
