申请/专利权人：北京大学

申请日：2019-07-11

公开（公告）日：2024-04-16

公开（公告）号：CN112287594B

主分类号：G06F30/27

分类号：G06F30/27;G06F30/23;G06N3/0464;G06N3/0985;G06F111/10;G06F111/14

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.02.23#实质审查的生效;2021.01.29#公开

摘要：本发明公开了一种用于纳米光子学器件的神经网络自学习系统及其运用，首次利用贝叶斯优化和深度神经网络来分析、研究及优化纳米光子学器件光学性质。本发明的神经网络自学习系统同时利用了神经网络的强数据表征能力和贝叶斯优化的高效数据采样属性，实现了深度神经网络的自学习功能，使得对光子学系统的分析计算具有较强的系统鲁棒性和一定的智能性，避免了传统优化算法对数据拟合能力不足的缺陷，增加了对光学系统全局优化的能力，为纳米光子学器件的分析和设计提供了新的思路。

主权项：1.一种利用神经网络自学习系统对纳米光子学器件进行分析和或设计的方法，所述神经网络自学习系统的神经网络包括下采样层、全连接层和上采样层，其中下采样层位于全连接层和上采样层之上，上采样层和全连接层并列；输入至该神经网络中的纳米光子学结构数据首先被分割为二值矩阵表示的像素图案，并输入到所述下采样层中进行图案特征分析；然后经过扁平化操作输入全连接层，全连接层输出向量形式的光学性质；最后由上采样层对图像化的光学性质进行分析；包括以下步骤：1随机生成纳米结构并表征其光学响应；2利用随机生成的纳米结构及其光学响应数据训练所述神经网络自学习系统；3利用贝叶斯优化针对目标光学参数进行自动采样，其中，贝叶斯优化把纳米结构参数设置为自变量，神经网络输出设置为因变量，利用高斯过程对神经网络学习到的映射进行分析，评估各个参数对应的效用函数，并将效用函数最大的点输出为下一轮采样中应当进行探索的结构参数信息；4选取一定比例采样样本输入所述神经网络自学习系统进行验证和训练，其中，采样样本数据包括纳米结构参数以及对应神经网络预测的光学响应，按照数据获得的置信度和光学响应强弱，将采集样本中适当比例的部分使用数值模拟或者实验手段进行验证，评估神经网络对新数据样本分析预测的计算误差，然后将此部分经过验证的样本数据作为训练数据重新输入神经网络进行训练，使得神经网络对新的光学性质表征进行自学习；5循环进行步骤3和4，实现所述神经网络自学习系统的自学习，在高准确度的结构模型基础上，输出具备最优化光学性质的纳米光子学器件结构参数，由此实现纳米光子学器件设计；或者，利用训练好的所述神经网络自学习系统对输入的纳米光子学器件结构的光学性质进行表征分析。

全文数据：

权利要求：

百度查询： 北京大学 一种用于纳米光子学器件的神经网络自学习系统及其运用

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD