摘要
超表面是二维的超材料，是一种人工层状材料，为亚波长单元在平面上的周期阵列结构。其中，透明吸收型超表面在光窗电磁屏蔽、电磁隐身领域有着广泛的应用。为了设计出具有不同吸收特性（单峰、多峰、一定程度的宽带）的透明吸收型超表面，目前主要有两种方式：一是传统试错法，该方法依靠设计人员的经验和电磁学知识，依赖电磁仿真软件对透明吸收型超表面的微结构进行调整，耗时费力。二是深度学习的方法，搭建深度神经网络生成透明吸收型超表面的微结构，通常在数秒的时间内就能完成设计，但是此类深度神经网络普遍存在“一对多”（One-to-many）问题和“不存在性”（Non-existent）问题。“一对多”问题是指若数据集中存在一对多映射，深度神经网络不能针对一个目标频响输入给出多种具备相应功能的微结构导致设计精度下降的问题，而“不存在性”问题是指深度神经网络输入与数据集中频响差异较大时，会给出随机、错误的结果。 本课题针对目前透明吸收型超表面设计领域中的试错设计法和深度学习设计法两种设计方法存在的问题，基于深度神经网络和协方差自适应调整进化策略，提出了正向和逆向网络。正向网络用于预测透明吸收型超表面微结构的频响，逆向模型用于快速设计透明吸收型超表面微结构。主要的研究内容包括： 1、针对目前无公开高透光性、高吸收率的超表面数据集的问题，本课题采用导体-绝缘介质-导体（Conductor-Insulator-Conductor，CIC）三层结构作为透明吸收型超表面的基础结构，采用“随机矩形对称旋转法”丰富透明吸收型超表面微结构图案，采用CST全波仿真软件获得微结构对应的频响。本课题中数据集共包含70000组数据，其中每组数据由微结构图案，周期，厚度和频响构成。 2、基于卷积神经网络（Convolutional Neural Network，CNN）、自注意力机制（Self-Attention-Mechanism，SAM）和循环神经网络（Recurrent Neural Network， RNN）提出了用于透明吸收型超表面对应频响预测的频响正向预测模型（Frequency Response Forward Prediction Model，FRFPM）。其中 CNN 负责初步提取特征，SA和RNN负责寻求超表面微结构图案中像素与像素的耦合关系。该模型的输入是透明吸收型超表面的微结构参数（图案、周期和厚度），输出是对应的频响。经过训练后，该模型可以在数秒的时间给出透明吸收型超表面微结构参数对应的频响，其曲线与仿真频响曲线的平均拟合优度在0.950以上。 3、基于变分自编码器（VAE）、协方差自适应进化策略（CMAES）和所提出的FRFPM 模型提出了用于设计透明吸收型超表面微结构图案的逆向模型（Structure Reverse Design Model，SRDM）。由于 VAE 是先验生成模型，使得 CMAES 可以针对潜空间中的潜向量进行优化选择。该模型的输入是频响，输出是透明吸收型超表面微结构图案，结构参数由SRDM模型并行运算时择优选择。对于目标频响，该模型能够设计出具备与目标频响差异较小的频响的多组透明吸收型超表面微结构。该模型耗费的时间、资源均远小于传统试错法，微结构设计速度是传统试错法的103倍，且该模型解决了其他神经网络设计超表面时存在的“一对多”问题和“不存在性”问题。 4、制备和测试本课题所提出的SRDM模型设计的透明吸收型超表面样件。经过测试，该模型所设计的超表面制备工艺简单，且其频响与仿真结果较为一致。样件在可见光波段的平均透光率在 90.00%以上，满足了目标要求。表明了所提出的SRDM模型能根据目标频响设计超表面微结构，可针对单峰、多峰、一定程度的宽带频响设计透明吸收型超表面微结构，并任意调控吸收频率和吸收效率，在航空航天领域有着一定的应用前景。
NETL