基于深度学习的太赫兹多功能超表面设计与研究.pdf

中文摘要

超表面是一种人工亚波长结构的准二维材料，由于其可灵活设计、低功耗、超薄

结构和易加工等特点，逐渐成为调控太赫兹波的有效工具。传统的超表面设计一般是

基于迭代优化试错的方法，不仅非常耗时而且很大程度上依赖于研究者的设计经验，

使得超表面仿真的计算成本都很高。近年来，随着深度学习算法的快速发展，越来越

多的研究聚焦于超表面与深度学习相结合的新兴交叉领域。深度学习算法具有强大

的数据处理能力和学习能力，能够处理超表面设计中涉及大量变量的复杂问题，从而

提高超表面设计的效率和准确性，为超表面的研究工作开辟新的途径。

本文以多功能超表面为设计对象，基于深度学习方法对超表面响应频谱的正向

预测和结构逆向设计展开研究，主要工作内容如下：

（1）制作具有自由图案的多功能超表面数据集。目前基于深度学习方法进行超

表面设计的研究中，通常采用简单的全连接网络或卷积神经网络对有限的几何结构

参数进行优化，大大限制了超表面设计的灵活性和多样性。为了提高设计自由度，满

足多功能超表面的多目标设计要求，本文将超表面结构转化为16×16像素的二值图

像表示，构建了一个具有自由结构图案的多功能超表面数据集。

（2）本文基于残差网络构建了一种高效的正向预测模型，通过训练该模型，可

以对不同功能模式下输入的超表面结构实现响应频谱正向预测。测试结果显示所预

测的频谱与真实的仿真频谱拟合很好，且在整个测试集上的平均均方误差仅为3.14

×10-3，响应速度在毫秒量级，证明了该模型的准确性和有效性。该预测模型能够替

代传统耗时的仿真计算，大大缩短设计周期，提高超表面设计的效率。

（3）基于条件生成对抗网络实现多功能超表面结构的逆向设计。在详细阐述生

成器和鉴别器的结构和训练策略基础上，通过采用改进的Unet++网络作为生成器主

体结构，解决了生成对抗网络训练不稳定的问题。此外，通过在网络框架中嵌入预训

练的正向预测网络，并重构生成器的损失函数，显著提升了生成图案的质量。实验结

果表明，所提出的逆向设计网络模型对于吸收和极化转换两种功能模式分别实现了

96.04%和94.95%的平均精度，验证了其在太赫兹多功能超表面逆向设计中的有效性。

关键词：多功能超表面；深度学习；正向预测；逆向设计；条件生成对抗网络

I

ABSTRACT

Metasurfacesarequasi-2Dmaterialswithartificialsubwavelengthstructuresthathave

becomeeffectivetoolsformanipulatingterahertzwavesduetotheirflexibledesign,low

powerconsumption,ultra-thinstructure,andeaseoffabrication.Traditionalmetasurface

designgenerallyreliesoniterativeoptimizationthroughtrialanderror,whichisnotonly

verytime-consumingbutalsoheavilydependentontheresearchers’designexperience,re-

sultinginhighcomputationalcostsformetasurfacesimulations.Inrecentyears,withthe

rapiddevelopmentofdeeplearningalgorithms,moreandmoreresearcheshavefocusedon

theemerginginterdisciplinaryfieldofcombiningmetasurfaceswithdeeplearning.Deep