(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 202110655840.1 (22)申请日 2021.06.11 (71)申请人 清华大学 地址 100084 北京市海淀区双清路3 0号清 华大学清华园 申请人 北京与光科技有限公司 (72)发明人 崔开宇　熊健　黄翊东　张巍　 冯雪　刘仿　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 杨明月 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度神经网络的微纳结构逆设计方法 及系统 (57)摘要 本发明提供一种基于深度神经网络的微纳 结构逆设计方法及系统， 该方法包括： 步骤101， 根据待进行逆设计的微纳结构， 获取微纳结构初 始数据； 步骤102， 将微纳结构初始数据输入到训 练好的光学参数预测模型中， 得到光学预测参 数； 步骤103， 基于评价函数和光学目标参数， 对 光学预测参数进行评价， 若评价结果未满足预设 条件， 则对微纳结构初始数据进行优化处理， 并 将微纳结构优化数据输入到训练好的光学参数 预测模型中， 再次执行步骤102至步骤103， 直到 当前迭代得到的光学预测参数的评价结果满足 预设条件， 则根据当前迭代中光学预测参数对应 的微纳结构 优化数据进行微纳结构 逆设计。 本发 明使得逆设计的电磁响应 计算时间大幅度缩 减。 权利要求书2页 说明书10页 附图5页 CN 115470687 A 2022.12.13 CN 115470687 A 1.一种基于深度神经网络的微纳结构逆设计方法， 其特 征在于， 包括： 步骤101， 根据待 进行逆设计的微纳结构， 获取微纳结构初始数据； 步骤102， 将所述微纳结构初始数据输入到训练好的光学参数预测模型中， 得到光学预 测参数， 所述训练好的光学参数预测模型是 由标记有光学属 性参数的样本微纳数据， 对深 度神经网络进 行训练得到的， 所述样本微纳数据包括样本微纳结构数据和样本微纳光学特 性数据； 步骤103， 基于评价函数和光学目标参数， 对所述光学预测参数进行评价， 若评价结果 未满足预设条件， 则通过优化算法和所述评价结果， 对所述微纳结构初始数据进行优化处 理， 得到微纳结构优化数据， 并将所述微纳结构优化数据输入到训练好的光学参数预测模 型中， 再次执行步骤102至步骤103， 直到当前迭代得到的光学预测参数的评价结果满足预 设条件， 则根据当前迭代中光学 预测参数对应的微纳结构优化数据进行微纳结构逆设计。 2.根据权利要求1所述的基于深度神经网络的微纳结构逆设计方法， 其特征在于， 所述 训练好的光学参数 预测模型通过以下步骤训练得到： 根据光学属性参数， 对每个样本微纳数据标记对应的标签， 并根据标记标签后的样本 微纳数据和对应的样本光学参数， 构建训练样本集； 将所述训练样本集输入到深度神经网络中进行训练， 得到训练好的光学参数预测模 型。 3.根据权利要求1所述的基于深度神经网络的微纳结构逆设计方法， 其特征在于， 所述 优化算法包括模拟退火算法、 神经网络算法和遗传算法。 4.根据权利要求1所述的基于深度神经网络的微纳结构逆设计方法， 其特征在于， 所述 深度神经网络的输入层连接有 多个卷积层。 5.根据权利要求1所述的基于深度神经网络的微纳结构逆设计方法， 其特征在于， 所述 方法还包括： 步骤201， 获取多个不同的微纳结构初始数据， 并将每个微纳结构初始数据输入到训练 好的光学参数预测模 型中， 得到多个光学预测参数， 并根据多个光学预测参数， 获取光学预 测测量矩阵； 步骤202， 基于评价函数和光学目标参数， 对所述光学预测测量矩阵进行评价， 若测量 矩阵评价结果未满足预设条件， 则通过优化算法和所述测 量矩阵评价结果， 对每个微纳结 构初始数据进行优化处理， 得到微纳结构优化数据， 并将每个微纳结构优化数据输入到训 练好的光学参数预测模型中， 再次执行步骤201至步骤202， 直到当前迭代得到的光学预测 测量矩阵的评价结果满足预设条件， 则根据当前迭代中光学预测测量矩阵对应的多个微纳 结构优化数据进行微纳结构逆设计， 并根据逆设计得到的多个微纳结构， 构建压缩感知器。 6.根据权利要求2所述的基于深度神经网络的微纳结构逆设计方法， 其特征在于， 所述 样本微纳结构数据至少包括单周期微纳结构形状数据和微纳结构周期数据。 7.根据权利要求2所述的基于深度神经网络的微纳结构逆设计方法， 其特征在于， 所述 样本微纳光学 特性数据至少包括 微纳材料的介电常数和色散参数。 8.一种基于深度神经网络的微纳结构逆设计系统， 其特 征在于， 包括： 微纳结构初始参数获取模块， 用于执行步骤101， 根据待进行逆设计的微纳结构， 获取 微纳结构初始数据；权　利　要　求　书 1/2 页 2 CN 115470687 A 2光学参数预测模块， 用于执行步骤102， 将所述微纳结构初始数据输入到训练好的光学 参数预测模型中， 得到光学预测参数， 所述训练好的光学参数预测模型是 由标记有光学属 性参数的样本微纳数据， 对深度神经网络进行训练得到的， 所述样本微纳数据包括样本微 纳结构数据和样本微纳光学 特性数据； 评价和优化模块， 用于执行步骤103， 基于评价函数和光学目标参数， 对所述光学预测 参数进行评价， 若评价结果未满足预设条件， 则通过优化算法和所述评价结果， 对所述微纳 结构初始数据进行优化处理， 得到微纳结构优化数据， 并将所述微纳结构优化数据输入到 训练好的光学参数预测模型中， 再次执行步骤102至步骤103， 直到当前迭代得到的光学预 测参数的评价结果满足预设条件， 则根据当前迭代中光学预测参数对应的微纳结构优化数 据进行微纳结构逆设计。 9.一种电子设备， 包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运 行的计算机程序， 其特征在于， 所述处理器执行所述计算机程序时实现如权利要求1至7任 一项所述基于深度神经网络的微纳结构逆设计方法的步骤。 10.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算 机程序被处理器执行时实现如权利要求1至7任一项所述基于深度神经网络的微纳结构逆 设计方法的步骤。权　利　要　求　书 2/2 页 3 CN 115470687 A 3