(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110658416.2 (22)申请日 2021.06.15 (65)同一申请的已公布的文献号 申请公布号 CN 113705031 A (43)申请公布日 2021.11.26 (73)专利权人 西安电子科技大 学 地址 710071 陕西省西安市雁塔区太白南 路2号 (72)发明人 王树龙　马兰　段小玲　王国生　 刘晨钰　赵蓉　吴介豫　 (74)专利代理 机构 西安睿通知识产权代理事务 所(特殊普通 合伙) 61218 专利代理师 惠文轩 (51)Int.Cl. G06F 30/23(2020.01)G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/10(2019.01) G06F 111/10(2020.01) 审查员 高宇峰 (54)发明名称 基于深度学习的纳米天线阵列电磁性能预 测方法 (57)摘要 本发明属于光电器件与人工智能技术领域， 具体公开了一种基于深度学习的纳米天线阵列 电磁性能预测方法， 本发明利用传统的机器学习 来自行建立超表面性能预测模型， 对纳米天线阵 列超表面的电磁性能即散射截面积进行精准预 测， 建立了纳米天线阵列的结构参数与电磁性能 之间的映射 关系， 从而利用网络的推断能力和计 算力来解决纳米天线阵列设计过程中费时费力 的问题， 有望突破纳米光学领域中器件设计的问 题， 也为工程师 带来便利。 权利要求书2页 说明书5页 附图3页 CN 113705031 B 2022.09.16 CN 113705031 B 1.基于深度学习的纳米天线阵列电磁性能预测方法， 其特 征在于， 包括以下步骤： 步骤1， 确定纳米天线阵列的结构设计参数和电磁性能参数； 获取多组已设计完成的纳 米天线阵列数据作为待训练数据， 构建训练样本集； 其中， 所述结构设计参数包含纳米天线阵列中纳米棒的长、 宽、 高和波长， 所述电磁性 能参数为散射截面积； 所述纳米天线阵列数据包 含纳米棒的长、 宽、 高、 波长和散射截面积； 步骤2， 构建深度神经网络预测模型， 所述深度神经网络预测模型包含线性扩展模块、 深度空洞卷积模块、 卷积模块和全连接模块； 所述线性扩展模块用于将输入数据拓展到更 高维度； 所述深度 空洞卷积模块用于对高纬度数据进行不同尺度的特征提取， 所述全连接 模块用于对变量之间的相互依赖关系进行回归处 理； 步骤3， 采用训练样本集对深度神经网络预测模型进行训练， 利用损失函数对预测模型 的网络参数进行迭代更新， 得到训练完成的预测模型； 步骤4， 给定待预测纳米天线阵列的结构设计参数， 并将其输入训练完成的预测模型， 输出待预测纳米天线阵列的散射截面积预测值。 2.根据权利要求1所述的基于深度学习的纳米天线阵列电磁性能预测方法， 其特征在 于， 步骤1中， 所述待训练数据的获取过程为： 利用软件的波动光学模块进行有限元数值模 拟， 仿真纳米天线阵列结构， 并通过对纳米天线的散射横截面进行归一化来计算纳米棒的 散射效率； 通过改变纳米棒的长、 宽、 高， 从而得到多组散射截面积数据。 3.根据权利要求2所述的基于深度学习的纳米天线阵列电磁性能预测方法， 其特征在 于， 所述纳米棒的长度的取值范围为200 ‑290nm之间， 取值间隔10nm； 其宽度的取值范围为 20‑70nm， 取值间隔为10nm； 其高度的取值范围为20 ‑60nm， 取值间隔10nm。 4.根据权利要求1所述的基于深度学习的纳米天线阵列电磁性能预测方法， 其特征在 于， 所述线性扩展模块包含多个依次级联的线性扩展层， 每个线性扩展层由线性化层、 归一 化层和Mish 激活函数组成； 所述深度空洞卷积模块包含多个依次级联的深度 卷积单元， 每个深度 卷积单元包含相 互并列的空洞卷积层和深度可分离卷积单元， 所述深度可分离卷积单元 由点卷积层、 深度 可分离卷积层、 点卷积层和卷积层组成， 每个网络层的后面都加入归一化层和Mish激活函 数； 所述全连接模块由多个全连接层组成。 5.根据权利要求1所述的基于深度学习的纳米天线阵列电磁性能预测方法， 其特征在 于， 所述深度神经网络预测 模型还包含dropout模块， 所述dropout模块位于全连接模块之 前。 6.根据权利要求1所述的基于深度学习的纳米天线阵列电磁性能预测方法， 其特征在 于， 所述采用训练样本集对深度神经网络预测模型进行训练， 具体过程 为： 3.1， 对所述深度神经网络预测模型的网络参数进行随机初始化； 3.2， 将纳米天线阵列中纳米棒的长、 宽、 高、 波长和波长的平方作为一组数据输入初始 化网络参数的深度神经网络预测模型； 3.3， 通过计算每批次训练的损失函数， 反向传播优化网络参数， 采用ADAM优化器优化 网络参数， 直至模型收敛， 得到训练完成的预测模型。 7.根据权利要求6所述的基于深度学习的纳米天线阵列电磁性能预测方法， 其特征在权　利　要　求　书 1/2 页 2 CN 113705031 B 2于， 所述损失函数的计算公式为： 其中， N是训练样本集中的样本个数， R ′为预测值， R为标签。权　利　要　求　书 2/2 页 3 CN 113705031 B 3