基于深度学习神经网络的衍射元件的设计方法及系统与流程
- 国知局
- 2024-06-21 12:41:44
本申请涉及微纳光学领域,涉及一种衍射光学元件设计方法,尤其涉及一种基于深度学习神经网络的衍射元件的设计方法及系统。
背景技术:
1、衍射光学元件(diffractive optical elements,简称doe)是一种基于光波的衍射理论发展起来的器件,具有传统光学元件所不具备的特点,极大地促进了光学系统的小型化、集成化和阵列化,已经在激光光束整形、光斑校正、光束质量提高及激光加工效率提升等领域得到了广泛的应用,特别是近几年兴起的人脸识别、三维探测等领域的需求日益增大。
2、目前可以通过标量gs算法(gerchberg-saxton)及其改进算法进行doe的设计,但是在大视场角情况下,微结构的特征尺寸降至300-500nm,已经小于工作波长810nm、940nm,此时标量衍射理论的近似精度会下降,为了保证设计结果的准确性,必须借助于矢量的设计方法,常见的矢量设计方法有严格耦合波理论(rigorous coupled wave analysis,rcwa)、时域有限差分法(finite-difference time-domain,fdtd)等等。在进行doe设计时,往往需要用到电磁仿真软件对其进行结构建模、仿真计算,再结合一些智能优化算法(比如遗传算法(genetic algorithm,ga)、模拟退火算法(simulated annealing,sa)、粒子群算法(particle swarm optimization,pso)等)做参数优化,当结构较为复杂时,是一件非常耗时的工作;因此,急需一种基于深度学习神经网络的衍射元件的设计方法,用于解决在设计衍射元件中存在的问题,提升衍射元件(doe)的设计效率。
技术实现思路
1、为了解决现有的技术问题,本申请的目的是提供一种基于深度学习神经网络的衍射元件的设计方法及系统,用于通过构建深度学习神经网络,根据获取的矢量电磁仿真数据集进行网络训练,同时设计目标光场,输入到训练好的网络模型中进行doe的逆设计,进而提升了doe设计的效率。
2、为了实现上述技术目的,本申请提供了一种基于深度学习神经网络的衍射元件的设计方法,包括以下步骤:
3、s10:根据衍射元件的关键参数,生成多组衍射元件结构,通过对衍射元件结构进行电磁矢量计算得到对应的衍射效率数据,多组衍射元件结构及其对应的衍射效率数据形成数据集;
4、s20:选择一个深度学习架构,将衍射效率数据作为输入,衍射元件结构作为输出,构建深度学习神经网络模型,利用所述数据集对所述深度学习神经网络进行训练和测试,以得到深度学习神经网络模型;
5、s30:设计目标光场以获取对应的目标衍射效率数据,并将目标衍射效率数据输入到训练过的深度学习神经网络模型中,获取用于生成目标衍射元件的结构数据。
6、优选地,在生成所述多组衍射元件的doe结构的过程中,关键参数包括目标光场视场角(fov)、工作波长(λ)、元件尺寸、采样矩阵、采样分辨率、台阶数和材料折射率等。
7、优选地,所述多组衍射元件结构为随机产生,或根据所述关键参数,采用标量gs算法对所述目标光场进行计算生成。
8、优选地,在构建深度学习神经网络模型的过程中,深度学习神经网络由输入层、卷积层、池化层、全连接层和输出层构成,激活函数选取relu函数和sigmoid函数,优化器选取自适应时刻估计法;
9、深度学习神经网络模型的输入为m*n的衍射效率矩阵,输出为m*n的衍射元件结构数据矩阵。
10、优选地,在构建深度学习神经网络模型的过程中,卷积层包括第一卷积层、第二卷积层、第三卷积层;
11、池化层包括第一最大池化层和第二最大池化层;
12、全连接层包括第一全连接层、第二全连接层、第三全连接层;
13、输入层通过第一卷积层与第一最大池化层连接;
14、第一最大池化层通过第二卷积层与第二最大池化层连接;
15、第二最大池化层通过第三卷积层与第一全连接层连接;
16、第一全连接层通过第二全连接层与第三全连接层连接;
17、第三全连接层与输出层连接。
18、优选地,在构建深度学习神经网络模型的过程中,第一全连接层和第二全连接层使用relu激活函数,第三全连接层使用sigmoid激活函数。
19、本发明公开了一种基于深度学习神经网络的衍射元件的设计系统,包括:
20、数据采集与处理模块,用于根据衍射元件的关键参数,生成多组衍射元件结构,通过对衍射元件结构进行电磁矢量计算得到对应的衍射效率数据,多组衍射元件结构及其对应的衍射效率数据形成数据集;
21、模型构建与结构设计模块,将所述衍射效率数据作为输入,所述衍射元件结构作为输出,构建深度学习神经网络,通过数据集对深度学习神经网络进行训练得到深度学习神经网络模型,通过设计目标光场,获取目标衍射效率数据,并将目标衍射效率数据输入到深度学习神经网络模型中,获取结构数据,生成目标衍射元件。
22、本申请通过将矢量电磁仿真和深度学习神经网络结合在一起,提高了衍射元件的设计效率。
技术特征:1.一种基于深度学习神经网络的衍射元件的设计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述一种基于深度学习神经网络的衍射元件的设计方法,其特征在于:
3.根据权利要求2所述一种基于深度学习神经网络的衍射元件的设计方法,其特征在于:
4.根据权利要求3所述一种基于深度学习神经网络的衍射元件的设计方法,其特征在于:
5.根据权利要求4所述一种基于深度学习神经网络的衍射元件的设计方法,其特征在于:
6.根据权利要求5所述一种基于深度学习神经网络的衍射元件的设计方法,其特征在于:
7.一种基于深度学习神经网络的衍射元件的设计系统,其特征在于,包括:
技术总结本申请公开了一种基于深度学习神经网络的衍射元件的设计方法及系统,设计方法包括:根据衍射元件的关键参数,生成多组衍射元件结构,通过对所述衍射元件结构进行电磁矢量计算得到对应的衍射效率数据,多组衍射元件结构及其对应的衍射效率数据形成数据集;选择一个深度学习架构,构建深度学习神经网络,利用所述数据集对所述深度学习神经网络进行训练和测试,以得到深度学习神经网络模型;设计目标光场以获取对应的目标衍射效率数据,并将所述目标衍射效率数据输入到所述训练过的深度学习神经网络模型中,获取用于生成目标衍射元件的结构数据。本申请通过将矢量电磁仿真和深度学习神经网络结合在一起,提高了衍射元件的设计效率。技术研发人员:李瑞彬,杨博文,杨明,朱平,罗明辉,乔文受保护的技术使用者:苏州苏大维格科技集团股份有限公司技术研发日:技术公布日:2024/6/13本文地址:https://www.jishuxx.com/zhuanli/20240618/28691.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表