基于深度学习的太赫兹编码频率选择表面优化设计
1 引言
太赫兹波频率范围介于红外与微波之间,为0.1~10 THz,以能量低、穿透力强、谱信息丰富等特性,在6G通信[1]、安全检查[2]、生物医学[3-5]等诸多应用领域有着广泛的应用前景。频率选择表面(FSS)作为一种二维平面结构的超材料,可对太赫兹波前振幅、相位、偏振等参量进行灵活多样的调控,从而为微型化、高性能的太赫兹微纳光学器件设计提供全新的平台。然而FSS设计面临着单元结构繁多、参数优化耗时等困难,如何通过简洁高效统一的方法完成各类FSS的设计是FSS从仿真走向工程实践亟须解决的问题之一。
常用的FSS设计方法有等效电路法和全波仿真法。等效电路法不能计算散射场的相位和偏振信息,严重限制了应用范围。全波仿真法对计算资源要求高,单次计算时间较长,严重影响了FSS设计及优化效率。另外对于复杂结构FSS,等效电路法和全波仿真法均难以精确建立单元结构参数,包括几何尺寸参数、电磁特性参数,与散射参数之间的精准解析关系[6],亦无法对FSS设计加以明确指导。因此在FSS新结构的设计中,只能依靠科研人员的经验不断尝试,效率低下且具有极大的盲目性。即使有学者通过将FSS的周期结构单元离散化,联合全波仿真法和遗传算法[7]、粒子群优化算法[8]完成对FSS的智能化设计[9],也无法改变其迭代法的本质[10],需要反复求解麦克斯韦方程组,冗长的计算时间和高昂的计算成本成为其难以克服的瓶颈问题。
近年来,随着人工智能的发展,深度学习通过对输入数据进行特征提取和特征映射,从大量数据中“学习”内在规律,完成复杂的非线性数据映射,已经广泛应用于图像识别与分类[11]、自然语言处理[12]、自动驾驶[13]等领域。在光学超表面领域,Wiecha等[14]使用卷积神经网络(CNN)对硅纳米柱和平面多边形金纳米结构的近场和远场响应进行快速预测。Liu等[15]使用对抗式生成网络(GAN)完成了不同几何模式的FSS的光谱预测和按需设计。Qiu等[16]使用多层感知机(MLP)实现了基于FSS的三波段吸波器设计。可以看出,采用深度学习方法设计FSS具有极高的效率优势,然而如何对自由度更大的FSS实现更精准的预测,从而对THz实现按需调控仍需深入研究。
本文对FSS进行离散拓扑编码,使用卷积神经网络对自由度更高的FSS的频谱响应实现精准预测,并结合遗传算法简洁高效地完成各类典型带通和带阻FSS优化设计,克服了传统方法产生FSS新结构的盲目性,同时极大提高了FSS的优化设计效率。
2 基于深度学习的FSS光谱预测
2.1 FSS结构与数据集制作
FSS仿真结构示意图如
图 1. FSS仿真结构示意图。(a)三维仿真结构;(b)FSS拓扑编码
Fig. 1. Schematic of the FSS simulation structure. (a) 3D simulation structure; (b) FSS topological code
考虑FSS的极化稳定性,所有FSS设置为旋转对称结构,具体流程如
FSS旋转对称结构建模完成后,使用COMSOL软件完成模型仿真,采用Floquet边界条件模拟无限大周期阵列,仿真频段为0.5~3 THz,步长为0.02 THz,总计126个频点。采用总透射率、总反射率和总吸收率表征FSS的电磁特性。
数据集是深度学习的核心关键,数据集的数量和质量均直接影响神经网络的训练效果。本文数据集包括两部分,FSS对应的“0/1”矩阵和FSS的频谱响应。为了提高数据获取效率,使用Python程序随机产生26000组两两不同的“0/1”矩阵,利用Python程序控制COMSOL软件依次构建“0/1”矩阵对应的FSS模型,并完成计算,最后将计算结果传入Python程序加以保存。
由于需要收集大量数据,为了节省计算时间,使用“过渡边界条件”代替薄金层,避免对其进行网格剖分。同时对网格剖分进行设置,尽量减少单元数量,加快计算速度。
2.2 神经网络结构与预测结果
使用CNN对FSS光谱进行预测,CNN结构如
图 5. 卷积神经网络结构示意图
Fig. 5. Illustration of the structure of the convolutional neural network
式中:
神经网络训练过程中,采用Adam算法更新权重,初始学习率设置为0.001,采用指数衰减调整学习率的方法,即每隔5轮,学习率下降为原来的0.5,学习率的计算公式为
式中:
将数据集按照8∶2划分为训练集和测试集进行训练,使用平均绝对误差(MAE)和均方根误差(RMSE)监控训练过程,如
图 6. 卷积神经网络的训练过程。(a)损失值变化;(b)RMSE变化
Fig. 6. Illustration of CNN training process. (a) Loss value variation; (b) RMSE variation
训练完成后,对测试集进行预测,预测结果与仿真结果相比,MAE为0.0592,RMSE为0.1005,R2为0.6692。R2用于评价预测结果与仿真结果的拟合度,越接近1,表明两者的拟合度越高,公式为
式中:
图 7. CNN预测结果与仿真结果对比。(a)~(d)训练集;(e)~(h)测试集
Fig. 7. Comparison of prediction results and simulation results of CNN. (a)‒(d) Training set; (e)‒(h) testing set
3 典型滤波FSS优化设计
使用遗传算法(GA)优化设计FSS的流程如
式中:
图 9. 窄带带通FSS设计结果。(a)优化结果;(b)拓扑编码矩阵
Fig. 9. Narrowband bandpass FSS design result. (a) Optimal result; (b) topological encoding matrix
图 10. 宽带带通FSS设计结果。(a)优化结果;(b)拓扑编码矩阵
Fig. 10. Broadband bandpass FSS design result. (a) Optimal result; (b) topological encoding matrix
图 11. 窄带带阻FSS设计结果。(a)优化结果;(b)拓扑编码矩阵
Fig. 11. Narrowband bandstop FSS design result. (a) Optimal result; (b) topological encoding matrix
图 12. 宽带带阻FSS设计结果。(a)优化结果;(b)拓扑编码矩阵
Fig. 12. Broadband bandstop FSS design result. (a) Optimal result; (b) topological encoding matrix
图 13. 双频窄带带通FSS设计结果。(a)优化结果;(b)拓扑编码矩阵
Fig. 13. Dual-band narrowband bandpass FSS design result. (a) Optimal result; (b) topological encoding matrix
4 结论
使用基于拓扑编码-卷积神经网络-遗传算法的FSS设计方法实现了各类典型FSS滤波器。将太赫兹波段FSS离散拓扑编码,使其与16×16的“0/1”矩阵一一对应,采用旋转对称结构保证FSS的极化稳定性,利用CNN实现对FSS频谱响应的精准预测,测试集平均绝对误差为0.06,且单次计算时间为0.09 s,相对于优化后的COMSOL软件单次全波仿真时间2 min 22 s,效率提高了上千倍,验证了深度学习方法在FSS设计中的准确性和高效性。在此基础上,结合遗传算法,完成了带宽为0.1 THz的单频带通和带阻FSS、带宽为0.5 THz的单频带通和带阻FSS、带宽为0.2 THz的双频带通FSS设计,它们均具有良好的极化稳定性。该FSS设计方法极大简化了FSS的设计难度,大幅提高了FSS的设计效率,克服了人为尝试FSS新结构的盲目性,可在相同的基础结构上对0.5~3 THz范围内的太赫兹波实现按需调控,在太赫兹滤波、太赫兹成像、太赫兹通信等领域有着广泛的应用前景。
[1] 王羚, 高峰, 滕书华, 等. 太赫兹介质超表面实现双域多信道复用[J]. 光学学报, 2023, 43(3): 0324001.
[2] 冯辉, 卜伟华, 王文静, 等. 单探测器快速扫描被动太赫兹人体成像系统[J]. 光学学报, 2020, 40(7): 0711002.
[3] Siegel P H. Terahertz technology in biology and medicine[J]. IEEE Transactions on Microwave Theory and Techniques, 2004, 52(10): 2438-2447.
[4] 裘燕青, 王钢棋, 郎婷婷. 基于双开口环结构的太赫兹超材料生物传感器[J]. 光学学报, 2023, 43(4): 0428002.
[5] 王馨达, 宋正勋, 李岩, 等. 基于太赫兹光谱的DNA检测及应用综述[J]. 激光与光电子学进展, 2020, 57(17): 170003.
[6] 吴文, 宗志园, 方大纲. 频率选择表面的等效电路设计方法综述[J]. 微波学报, 2022, 38(5): 73-79.
Wu W, Zong Z Y, Fang D G. Overview of equivalent circuit design methods for frequency selective surfaces[J]. Journal of Microwaves, 2022, 38(5): 73-79.
[7] Bossard J A, Werner D H, Mayer T S, et al. A novel design methodology for reconfigurable frequency selective surfaces using genetic algorithms[J]. IEEE Transactions on Antennas and Propagation, 2005, 53(4): 1390-1400.
[8] Zhang Q, Wan X, Liu S, et al. Shaping electromagnetic waves using software-automatically-designed metasurfaces[J]. Scientific Reports, 2017, 7: 3588.
[9] 贾宇翔, 王甲富, 陈维, 等. 基于智能算法的超材料快速优化设计方法研究进展[J]. 雷达学报, 2021, 10(2): 220-239.
Jia Y X, Wang J F, Chen W, et al. Research progress on rapid optimization design methods of metamaterials based on intelligent algorithms[J]. Journal of Radars, 2021, 10(2): 220-239.
[10] 刘彻, 马骞, 李廉林, 等. 人工智能超材料[J]. 光学学报, 2021, 41(8): 0823004.
[11] 郑远攀, 李广阳, 李晔. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12): 20-36.
Zheng Y P, Li G Y, Li Y. Survey of application of deep learning in image recognition[J]. Computer Engineering and Applications, 2019, 55(12): 20-36.
[12] Lauriola I, Lavelli A, Aiolli F. An introduction to deep learning in natural language processing: models, techniques, and tools[J]. Neurocomputing, 2022, 470: 443-456.
[13] Wen L H, Jo K H. Deep learning-based perception systems for autonomous driving: a comprehensive survey[J]. Neurocomputing, 2022, 489: 255-270.
[14] Wiecha P R, Muskens O L. Deep learning meets nanophotonics: a generalized accurate predictor for near fields and far fields of arbitrary 3D nanostructures[J]. Nano Letters, 2020, 20(1): 329-338.
[15] Liu Z C, Zhu D Y, Rodrigues S P, et al. Generative model for the inverse design of metasurfaces[J]. Nano Letters, 2018, 18(10): 6570-6576.
[16] Qiu T S, Shi X, Wang J F, et al. Deep learning: a rapid and efficient route to automatic metasurface design[J]. Advanced Science, 2019, 6(12): 1900128.
[17] Grischkowsky D, Keiding S, van Exter M, et al. Far-infrared time-domain spectroscopy with terahertz beams of dielectrics and semiconductors[J]. Journal of the Optical Society of America B, 1990, 7(10): 2006-2015.
[18] 李润泽, 董希谱, 程洁嵘, 等. 基于神经网络的高角色散宽带介质超光栅的快速优化[J]. 光学学报, 2020, 40(23): 2305001.
周攀, 巩蕾, 阳志强, 王利国, 杨利红, 李瑶, 王海斌, 于洁. 基于深度学习的太赫兹编码频率选择表面优化设计[J]. 激光与光电子学进展, 2024, 61(4): 0424001. Pan Zhou, Lei Gong, Zhiqiang Yang, Liguo Wang, Lihong Yang, Yao Li, Haibin Wang, Jie Yu. Optimized Design of Terahertz Coding Frequency Selection Surface Based on Deep Learning[J]. Laser & Optoelectronics Progress, 2024, 61(4): 0424001.