基于深度学习在反射-透射超材料设计的研究.pdf

目录

摘要IV

ABSTRACTVI

1绪论1

1.1研究背景及意义1

1.2国内外研究现状3

1.2.1周期性超材料研究现状3

1.2.2阵列型超材料研究现状4

1.3本文研究内容及章节安排6

2深度学习在材料设计的基本概述9

2.1引言9

2.2单元结构材料优化算法9

2.2.1参数优化9

2.2.2材质形状优化10

2.2.3一对多优化设计11

2.3阵列结构设计算法12

2.4常见的深度学习基本网络层13

2.4.1全连接神经网络14

2.4.2卷积神经网络15

2.4.3循环神经网络16

2.5生成对抗模型17

2.6残差网络19

2.6深度学习框架20

2.7本章小结21

3基于全连接网络的一对一逆向设计22

3.1引言22

3.2双环形EIT结构22

3.3数据获取及预处理24

3.4模型结构设计及训练26

3.5结果和讨论27

3.6本章小结29

4基于Improved-StarGAN的EIT逆向设计30

4.1引言30

4.2模型结构设计及训练30

4.2.1网络结构31

4.2.2损失函数32

4.2.3模型训练35

4.3结果和讨论36

4.3.1模型测试及分析36

4.3.2仿真及测试40

4.4本章小结43

5基于CNN的反射阵设计45

5.1引言45

5.2阵列单元结构及仿真45

5.3数据获取及预处理48

5.4模型结构设计及训练49

5.5结果和讨论51

5.6本章小结53

6总结与展望54

6.1工作总结54

6.2工作展望55

致谢63

攻读硕士学位期间主要研究成果64

贵州师范大学学位论文原创性声明65

贵州师范大学学位论文使用授权书65

摘要

超材料，作为一种可以自由调控电磁波的热门材料，因具有众

多传统材料结构所不具备的能力，从而在微波领域受到了众多研究

者的青睐。得益于计算机性能的提高，设计者可以直接借助仿真软

件在较短的时间内完成相应结构的仿真、优化和分析。但是，随着

时代的发展，对电磁波调控能力的需求逐渐提高，超材料的结构也

变得越发复杂。此时，传统的材料优化方法也将面临着试错成本高

等一系列问题。同时，对于超材料发展的两个方向：单元结构和阵

列结构来说，它们的优化思路也不尽相同，但是，它们在电磁波的

反射和透射方面的应用场景都十分常见。在这种条件背景下，本文

就考虑借助神经网络方法，对反射类和透射类超材料进行一系列的

逆向设计研究。

本论文的创新点就是针对不同的情况，提出了不同的网络模型

设计及训练方法，以使得设计者可以快速推理出所需要的材料结构。

首先，针对复杂的周期性材料结构的优化设计，本文以超材料的透

射场景为例，设计了一个双环形EIT结构。同时基于残差思想，设

计了一个全连接网络模型，该模型成功地将结构的参数和透射频谱

联系起来，实现目标结构的一对一逆向设计。通过训练的各项损失

值，以及模型预测结果的仿真频谱和实际频谱的对比可以看出，该

模型能够准确实现目标结构的逆向设计。也就是说，该模型可以在

忽略频谱中大量数据的前提下，高效且准确地得到所需结构。这种

网络结构简单有效，为需要优化复杂材料结构的设计者提供一种新

的思路。

接下来，本文着重考虑了物理限制等因素带来的影响，并基于

Star-GAN网络设计了一个用于一对多逆向设计的生成模型。在这个

模型中，本文创新性地利用参数共享的思想，将判别器的大部分参

数用于结构的正向预测任务。同时，判别器也不需要进行额外的预

训练。此外，本文还采用谱归一化和隐空间正则化等多种方法来提

高模型的性能，并基于数据集数量和正则化两个角度，进行不同的

实验