申请/专利权人：天津大学

申请日：2024-01-23

公开（公告）日：2024-04-26

公开（公告）号：CN117933042A

主分类号：G06F30/25

分类号：G06F30/25;G06F30/27;G06T17/00;G06N3/0464;G16C20/50

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开了一种基于深度学习且分区调控全息图权重的超表面设计方法，包含：借助电磁数值仿真工具计算超原子在不同结构参数下的电磁响应频谱，构成数据集；基于深度学习框架，训练由结构参数到相应的电磁响应频谱正向网络；冻结正向网络的梯度，串联由卷积网络构成的逆向网络进行训练，使得在逆向网络中输入不同位置的目标图像时，网络自动赋值超表面的结构参数；将此超表面的结构参数输入正向网络进行预测二维振幅分布，与目标图进行对比；当设计目标在物理空间中不存在解析解时，提取出图案及其边缘、背景、残影三部分区域，放宽背景噪声约束，增加图案及其边缘、残影部分Loss的权重，迭代优化超表面结构参数，实现复杂三维全息成像。

主权项：1.一种基于深度学习且分区调控全息图权重的超表面设计方法，其特征在于，所述方法包含以下步骤：借助电磁数值仿真工具，构建超原子结构参数与其相应的电磁响应频谱数据集；利用最终的数据集，基于深度学习框架，训练由结构参数到相应的电磁响应频谱的正向网络；将正向网络串联由卷积网络构成的逆向网络进行训练，使得在逆向网络中输入不同位置的目标全息图时，网络自动赋值超表面的结构参数，并将此超表面的结构参数输入正向网络进行预测二维振幅分布，与目标图进行对比，迭代设计超表面结构参数；针对存在物理空间解析解的目标自动化完成超表面设计，针对不存在物理空间解析解的目标对其Loss进行精细化控制：将目标图像上的图案加边距作为图案部分、将图案部分以外的区域作为背景部分、利用自相关操作提取到的除目标位置外极大值位置作为残影部分；不同成像位置统一计算Loss，放宽背景Loss约束，增加图案Loss、残影Loss权重，提高图形的可辨识度。

全文数据：

权利要求：

百度查询： 天津大学 基于深度学习且分区调控全息图权重的超表面设计方法

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