本發(fā)明涉及超表面設計技術，特別是涉及一種基于錨點網絡控制的生成對抗網絡的超表面逆向設計方法。

背景技術：

1、近年來，隨著光子技術的快速發(fā)展，超表面(metasurface)因其在納米尺度下操控電磁波特性的獨特能力，成為了光學和光子學領域的研究熱點。超表面通過結構設計，可以在亞波長尺度上精確調控光的振幅、相位和偏振狀態(tài)，使其在光學器件、小型化傳感器、成像系統(tǒng)和能量轉換裝置等方面展現出巨大的應用潛力。然而，現有的超表面設計方法主要依賴于經驗性規(guī)則和有限元分析，雖然能夠生成一些具有特定功能的結構，但在面對復雜光譜需求時，現有方法往往力不從心，尤其是在設計具有復雜光譜特性的超表面時，現有方法難以同時滿足光譜精度和計算效率的要求。

2、典型的金屬-絕緣體-金屬(mim)結構超表面因其在金屬-電介質界面處產生的等離子共振而具有廣泛的洛倫茲吸收譜，這種結構在熱輻射控制和光熱能量轉換應用中具有優(yōu)勢。然而，這類超表面在設計時存在著光譜響應過于寬泛，難以實現精細光譜調控的問題。同時，混合電介質超表面通過亞波長腔體共振產生法諾共振，其獨特的尖銳光譜特性使其在高精度光學傳感中表現出色，但此類結構的設計過程復雜，對參數的敏感度較高，容易出現設計參數與目標光譜不一致的現象。現有的逆向設計方法雖然能夠一定程度上緩解這些問題，但往往局限于均方誤差(mse)和平均絕對誤差(mae)等傳統(tǒng)損失函數的應用，這些損失函數無法捕捉光譜特性中的關鍵細節(jié)，例如共振峰和特定吸收帶，從而導致生成的超表面在精確光譜匹配方面存在明顯不足。

3、面對上述挑戰(zhàn)，現有技術在超表面設計的光譜特性精細調控和高效設計空間探索方面仍然存在顯著的不足。傳統(tǒng)的設計方法在處理復雜光譜需求時難以兼顧精度和效率，常規(guī)的損失函數無法有效識別和優(yōu)化光譜中的重要細節(jié)。

4、需要說明的是，在上述背景技術部分公開的信息僅用于對本技術的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

技術實現思路

1、本發(fā)明的主要目的在于提供一種基于錨點網絡控制的生成對抗網絡的超表面逆向設計方法，解決現有技術中存在的光譜調控精度不足和設計效率低下的問題。

2、為實現上述目的，本發(fā)明采用以下技術方案：

3、在本發(fā)明的第一方面，一種基于錨點網絡控制的生成對抗網絡的超表面逆向設計方法，包括以下步驟：

4、s1.確定超表面設計所需的光譜特性，并確定目標光譜；收集和預處理訓練數據，包括收集超表面設計參數和相應的光譜響應數據，并進行預處理以適配深度學習模型，將超表面設計參數編碼為深度學習模型可處理的格式；

5、s2.利用k-means聚類算法對訓練數據進行聚類分析，生成與特定光譜類別相關的結構化控制向量；

6、s3.構建包含生成器、判別器和錨點網絡anchornet的acgan框架，其中，引入光譜相似性度量soc作為評估生成光譜與目標光譜相似度的手段，集成到生成器和判別器的損失函數中；

7、s4.使用對抗訓練方法訓練生成器生成符合目標光譜特性的超表面設計，同時訓練判別器和anchornet以快速預測和評估光譜響應；

8、s5.利用訓練好的生成器，根據控制向量和隨機噪聲生成一系列候選超表面設計；

9、s6.使用評估工具對候選設計進行篩選，選擇最優(yōu)設計。

10、進一步地，步驟s1中，將金屬-絕緣體-金屬mim和混合電介質超表面的物理參數編碼為統(tǒng)一的rgb圖像格式，并進行適當的數據預處理，以確保模型能夠有效學習和預測光譜響應；

11、對mim超表面設計參數進行編碼，具體包括：

12、利用rgb圖像格式對mim結構的設計參數進行編碼，每個像素代表一個預定尺寸的單位單元；

13、其中，在rgb圖像的紅色通道中編碼金屬共振器的等離子頻率，該頻率決定金屬納米結構的光學特性；

14、其中，在rgb圖像的藍色通道中編碼電介質層的厚度，該厚度調節(jié)等離子共振頻率，影響吸收光譜；

15、其中，rgb圖像的綠色通道在編碼過程中未使用，固定設為零；

16、對混合電介質超表面設計參數進行編碼，具體包括：

17、利用rgb圖像格式對混合電介質結構的設計參數進行編碼，每個像素代表一個預定尺寸的單位單元；

18、其中，在rgb圖像的綠色通道中編碼電介質共振器的實數折射率，作為影響電介質光學性能的核心參數；

19、其中，在rgb圖像的藍色通道中編碼電介質層的厚度，該厚度影響混合電介質結構中的共振行為；

20、其中，rgb圖像的紅色通道在編碼過程中未使用，固定設為零。

21、進一步地，步驟s1中，所述預處理包括光譜數據離散化，將光譜數據在特定波長范圍內劃分為多個離散點，每個離散點對應于特定波長下的光譜響應強度，并對離散化后的光譜數據進行標準化處理，將不同物理量級的參數縮放至統(tǒng)一的范圍。

22、進一步地，步驟s2具體包括：

23、光譜數據聚類：使用聚類算法對訓練光譜數據集進行分割，將數據集劃分為多個具有獨特光譜特性的簇，每個簇由一個質心代表，質心為該簇中光譜數據的平均特征；

24、質心的確定：每個簇的質心作為該簇內光譜數據的代表，通過優(yōu)化聚類算法的目標函數來確定，確保簇內數據點與質心的光譜特性高度相似；

25、光譜相似性度量soc的計算：計算光譜相似性度量soc來衡量給定光譜與質心之間的相似性，通過比較光譜在每個波長處的最小值和最大值來直接衡量重疊程度，計算soc值越接近零表示光譜相似性越高；

26、控制向量的生成：將計算得到的soc值形成一個向量，該向量描述了輸入光譜與預定義光譜類別之間的相似度信息，捕捉了光譜的細節(jié)和整體特征。

27、綜合控制向量的構建：將控制向量與原始光譜數據拼接，生成綜合控制向量，該綜合控制向量作為生成器和判別器的輸入，用于指導超表面設計過程。

28、進一步地，步驟s3中，生成器的設計具體包括：

29、設計生成器以接收控制向量和隨機噪聲向量作為輸入，其中控制向量包含原始光譜數據和聚類相似度信息，隨機噪聲向量引入設計空間的隨機性；

30、生成器的網絡架構通過一系列反卷積層將輸入向量轉換為超表面結構的空間模式，以使生成的超表面在結構上與真實樣本相似，并在光譜響應上與目標光譜對齊；

31、生成器產生超表面結構作為設計空間中的候選結構，該結構滿足設定的光譜特性要求；

32、構建生成器的綜合損失函數，該函數由對抗損失、光譜損失和結構損失三部分組成，以平衡生成器在生成超表面設計時的多個優(yōu)化目標；

33、其中，對抗損失用于衡量生成器生成的超表面結構被判別器判定為真實的概率，確保生成器能夠生成高質量、高逼真度的設計；

34、其中，光譜損失使用光譜相似性度量(soc)評估生成的超表面光譜響應與目標光譜之間的相似度；

35、其中，結構損失使用結構相似性指數(ssim)衡量生成的超表面結構與參考結構之間的相似度；

36、設置不同的權重參數以平衡對抗損失、光譜損失和結構損失在整體優(yōu)化過程中的影響。

37、進一步地，步驟s3中，判別器的設計具體包括：

38、設計判別器以負責評估生成的超表面設計是否符合真實數據的分布；

39、判別器網絡架構通過一系列卷積層對輸入的超表面結構進行逐級分析，提取區(qū)分真實與偽造結構的特征；

40、構建判別器的損失函數，包含對抗損失、不匹配損失和光譜損失，以準確評估生成的設計；

41、其中，對抗損失用于評估判別器對真實和生成設計的區(qū)分能力，通過比較判別器對真實樣本與生成樣本的打分來實現；

42、其中，不匹配損失增強判別器檢測輸入條件與生成設計之間不一致性的能力，使判別器能夠識別不符合預期的設計；

43、其中，光譜損失使用光譜相似性度量(soc)來評估生成的光譜與目標光譜之間的相似度。

44、進一步地，步驟s3中，錨點網絡anchornet的設計具體包括：

45、設計anchornet以預測超表面設計的光譜響應；

46、anchornet采用瓶頸resnet架構構建；

47、構建anchornet的損失函數，該函數基于anchornet預測的光譜與通過電磁模擬得到的真實光譜之間的差異，以使其最小化作為優(yōu)化目標。

48、進一步地，所述生成器的網絡架構包括：

49、輸入層，其接收組合了控制向量和隨機噪聲的張量；

50、多層卷積和反卷積操作，用于從高維空間降維生成三維超表面圖像，每層后接批歸一化和leaky?relu激活函數；

51、輸出層，采用tanh激活函數，使生成圖像像素值在[-1,1]范圍內，與輸入數據標準化一致；

52、所述判別器的網絡架構包括：

53、輸入層，其接收超表面圖像，用于評估結構和光譜特性；

54、多層卷積層，用于提取輸入圖像特征，使用批歸一化和leaky?relu激活函數；

55、全連接層，其將卷積層提取的特征映射為一維向量，通過sigmoid激活函數輸出概率值，表示圖像真實性得分；

56、所述錨點網絡anchornet的網絡框架包括：

57、輸入層，其接收超表面圖像，用于光譜響應預測；

58、殘差瓶頸塊，用于深層次特征提取，通過卷積層、批歸一化和relu激活函數，以及跳躍連接保留重要信息；其中，多個瓶頸塊執(zhí)行不同規(guī)模卷積操作，以提取和保留圖像特征；

59、輸出層，其輸出一個一維光譜向量，通過卷積層和全連接層將提取的特征映射到光譜響應空間，根據光譜的要求選用激活函數使輸出光譜數值范圍符合預期。

60、進一步地，步驟s4中，acgan的訓練過程包括：

61、訓練數據包括參考超表面、目標光譜樣本和控制向量；

62、初始化操作，生成器和判別器的參數初始化，包括權重的隨機初始化；

63、anchornet預訓練，進行預訓練以預測超表面設計的光譜特性；

64、訓練迭代，對每個訓練輪次進行數據打亂、噪聲樣本和控制向量的抽樣，以及樣本對的獲?。?/p>

65、判別器更新，執(zhí)行判別器的多次更新步驟，包括生成超表面、對參考和生成超表面的輸出評估，以及不匹配數據的輸出；

66、判別器損失計算，根據特定公式計算判別器的損失，并據此更新判別器參數；

67、生成器更新，生成超表面并計算生成器的損失，隨后更新生成器參數；

68、完成訓練后輸出訓練好的判別器和生成器模型。

69、在本發(fā)明的第二方面，一種計算機程序產品，包括計算機程序，所述計算機程序由處理器執(zhí)行時實現所述的基于錨點網絡控制的生成對抗網絡的超表面逆向設計方法。

70、本發(fā)明具有如下有益效果：

71、本發(fā)明提出了一種基于對抗生成網絡(acgan)的超表面逆向設計方法，提供創(chuàng)新設計框架，通過引入創(chuàng)新的光譜相似性度量(soc)，以及結構化的控制向量，顯著提升了超表面設計的光譜匹配精度和設計效率。本發(fā)明的超表面逆向設計方法能夠精確捕捉光譜特征、提升設計效率，并適用于多種超表面類型。

72、首先，本發(fā)明在現有的均方誤差(mse)和平均絕對誤差(mae)的基礎上，創(chuàng)新性地提出了引入光譜相似性度量(soc)作為損失函數評估的一部分，用于精確衡量生成光譜與目標光譜之間的重疊程度。soc通過計算光譜之間的最小值和最大值的比值，能夠更好地捕捉光譜中如共振峰和特定吸收帶等關鍵特征，大幅提高了超表面光譜調控的精度。這一創(chuàng)新點直接解決了傳統(tǒng)損失函數無法捕捉光譜細節(jié)的不足，確保生成的超表面在光譜匹配方面更加精確。

73、其次，本發(fā)明在設計框架中引入了結構化的控制向量，通過k-means聚類算法對訓練光譜數據進行分割和聚類，生成與特定光譜類別相關聯的控制向量，并與原始光譜數據結合輸入生成器和判別器中。這種雙層數據處理方法不僅保留了光譜的細節(jié)信息，還增強了模型在設計空間中的探索能力，避免了傳統(tǒng)方法在應對復雜光譜需求時可能出現的誤差放大問題。這一創(chuàng)新點有效解決了現有設計方法在處理復雜光譜特性時精度和效率不足的問題，使得生成的超表面設計能夠在多種應用場景下滿足嚴苛的光譜要求。

74、此外，本發(fā)明還通過acgan框架中的錨點網絡(anchornet)模塊，快速預測超表面設計的光譜響應，減少了設計迭代的計算時間，提高了整體設計效率。錨點網絡不僅在對抗生成過程中提供了精確的光譜響應預測，還通過早停機制防止模型過擬合，保證了生成超表面設計的廣泛適用性和高效性。這些創(chuàng)新點綜合提升了超表面的設計能力，為光子學領域的先進應用提供了更為強大的技術支持。

75、通過本發(fā)明的創(chuàng)新設計方法，克服了現有技術在光譜特性精細調控和高效設計探索方面的不足，為下一代光學器件和傳感技術的發(fā)展提供了堅實的基礎。

76、本發(fā)明實施例中的其他有益效果將在下文中進一步述及。