CN119494270A 基于cvae和pso的纳米光子超材料结构逆向设计方法 （南京大学）

基于CVAE和PSO的纳米光子超材料结构逆向基于CVAE和PSO的纳米光子超材料结构逆向设计拼接后输入条件变分自编码器网络模型得到候选设计结构，并利用正向预测网络模型进行筛21.一种基于CVAE和PSO的纳米光子超材料结构逆向设计方法，其特征在于，具体步骤S1.构建数据集，所述数据集包括基础灰度图像转换成的二值编码矩阵以及电磁反射S5.将训练集中二值编码矩阵及反射光谱向量作为数据对送入条件变分自编码器网络S6.通过粒子群优化算法寻找最优的潜在向量，将潜在向量与反射光谱向量拼接后输种形状灰度图案样本，进一步将灰度图案转换成64x64二值表面单元，送入电磁仿真软件得到对应的电磁响应反射光谱曲线，频率范围设置为60~S12.将64x64二值编码矩阵作为正向预测网络输入，同时也是作为条件变分自编码器构建正向预测网络模型，所述正向预测网络模型度，将训练集送入正向预测网络模型进行训练，正向预测网络总损失值定义为3条件变分自编码器的编码器包含特征提取网络采用了ResNet34的主干卷积网络模块，接受输入153维反射光谱向量与64x64x1的编码矩阵反射光谱拼接后作为输入经过解码器转置卷积后会生成64x64x1的结构矩阵张量。S51.将训练集的编码矩阵_反射光谱向量以成对形式送入编码器的特征提取网络，得到512维的紧凑特征向量，该向量通过两层密集层之后分别输出近似后验分布的20维统计预测反射光谱；评估更新过程包括利用预测光谱与预期光谱间的误差来更新粒子适应度，行时实现如权利要求1～7中任一项所述的基于CVAE和PSO的纳米光子超材料结构逆向设计9.一种计算机设备，包括存储器、处理器及基于CVAE和PSO的纳米光子超材料结4[0001]本发明属于超材料设计领域，具体涉及一种基于CVAE和PSO的纳米光子超材料结材料设计的正向预测受到数值计算能力的巨大码器(CVAE)和粒子群优化(PSO)智能寻优的纳米光子超材料结构逆向设计方法，针对传统5[0007]为了解决上述技术问题，本发明公开了一种基于CVAE和PSO的纳米光子超材料结[0008]S1.构建数据集，所述数据集包[0010]S3.构建正向预测网络模型，将训练[0011]S4.构建条件变分自编[0012]S5.将训练集中编码矩阵及反射光谱向量作为数据对送入条件变分自编码器网络[0013]S6.通过粒子群优化算法寻找最优的后输入条件变分自编码器网络模型得到候选设计结构，并利用正向预测网络模型进行筛Rxx和Ryy以及交叉极化入射波的反射[0017]S13.对三类电磁反射光谱曲线Rxx、Ry该区域宽度小于l1，在编码图案区域划分为64×64矩阵，编码图案金属金贴片电导率为6为维度，将训练集送入正向预测网络模型进行训练，正向预测网络总损失值定义为Lossforward=MSE(Rf,所,其中，Rf为正向预测数据集的反射光谱向量，为正向预测[0023]条件变分自编码器的编码器包含特征提取网络采用了ResNet34的主干卷积网络向量与反射光谱拼接后作为输入经过解码器转置卷积后会生成64×64×1的结构矩阵张[0025]S51.将训练集的编码矩阵_反射光谱向量以成对形式送入编码器的特征提取网[0030]S61.给定预期反射光谱，从标准正态分布N(误差小于10_3的样本作为随机采样最终设计理器执行时实现本发明的基于CVAE和PSO的纳米光子超材料结构逆向设计方法中处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明的基于CVAE和PSO的7[0038]下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述[0047]图9为本发明实施例中粒子群潜在空间优化搜索算法针对特定光谱进行逆向设计[0049]本发明提出了一种基于CVAE和PSO智能寻优的纳米光子超材料结构逆向设计方8为维度，将训练集送入正向预测网络模型进行训练，正向预测网络总损失值定义为Lossforward=MSE(Rf,就,其中，Rf为正向预测数据集的反射光谱向量，为正向预测[0061]步骤四：构建条件变分自编码器网络模型，包括编码网络Encoder和解码网络[0062]条件变分自编码器的编码器包含特征提取网络采用了ResNet34的主干卷积网络向量与反射光谱拼接后作为输入经过解码器转置卷积后会生成64×64×1的结构矩阵张[0063]步骤五：将模型训练数据集中的编码图案矩阵和153维反射光谱向量作为数据对[0064]条件变分自编码器的训练损失函数包括两大部分，即超表面结构图案的重构损示编码网络以及生成网络的参数。第一项代表超材料与光谱响应联合编码的潜在向量z所形成的近似后验分布qφ(z|x,y)与标准网络输出得到的超材料重构图案与真实图案之间的重构对数似[0068]步骤5.1：将训练集的编码矩阵(64×64×1)[0069]步骤5.2：通过传统重采样方式，获取潜在空间向量z，重采样的具体过程是z=9φ光谱以获取材料图像矩阵，即c=Decoder(concat(latentvector,R)),再将该预测矩阵输[0080]本发明提出的基于条件变分自编码器(CVAE)与优化算法的纳米光子超材料设计每种形状各生成3000个图案样本。将生成好的图案样本送入电磁仿真软件进行数值仿真。据具体实施步骤而分别将数据集分割成大小为19200的训练集，大小为2400的验证集以及大小为2400的测试集。[0085]图4示出了训练早停之前的多个个训练周期过程中总的损失值下降情况，正向预到较低数值，正向预测网络具有较高精度和泛化性，经过2500周期训练后，训练集Loss[0089]图5示出了个训练周期过程中总损失以及所包含的重构损失和KL散度损失变化情[0093]在变分自编码器网络训练好之后，本实施例采用优化算法迭代搜索潜在空间样时实现实施例1的基于CVAE和PSO的纳米光子超材料结[0099]本实施例的计算机可读存储介质用于存储计算机程序以及终端所需的其他程序[0104]本方案是参照根据本方案实施例的方法、和计算机程序产品的流程图和/或方框图来描述的，应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方图一个流程或多个流程和/或方框图一个方框或多个方框中指定的[0105]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一[0108]本发明提供