1.基于深度学习算法的多频带声拓扑绝缘体逆向设计方法,其特征在于,包括以下步骤:
1)获取绝缘体的原始结构信息数据;
2)将步骤1)绝缘体在仿真环境中运行、更新结构信息数据,计算出能带频率值;
3)将绝缘体的原始结构信息数据、更新后的结构信息数据以及能带频率值组合成实验数据,采取深度学习算法对实验数据进行训练。
2.如权利要求1所述的基于深度学习算法的多频带声拓扑绝缘体逆向设计方法,其特征在于,所述深度学习算法为CSA‑LSTM 模型算法。
3.如权利要求2所述的基于深度学习算法的多频带声拓扑绝缘体逆向设计方法,其特征在于,CSA‑LSTM 模型算法包括以下步骤:a)数据预处理;
b)确定寻优超参数:初始化LSTM神经网络所需参数和结构,包括一层LSTM隐含层和一层dropout层;同时确定 LSTM 网络模型中寻优的超参数以及寻优范围,选取需要优化的超参数;
c)采取CSA算法对需要优化的超参数进行寻优,得到最优超参数;
d)将最优超参数自动赋值给LSTM神经网络进行建模,并对绝缘体结构参数数据进行训练及预测。
4.如权利要求3所述的基于深度学习算法的多频带声拓扑绝缘体逆向设计方法,其特征在于,步骤a)数据预处理:对绝缘体结构的参数数据进行数据清洗,并进行归一化处理后,分为训练集和测试集。
5.一种多频带声拓扑绝缘体,其特征在于,绝缘体包括均匀分布于同一圆周上的数个晶胞元以及与每个晶胞元内侧相连接的胞元架,胞元架包括数个基架,晶胞元与所在圆周的相切点与该晶胞元相接的基架的两侧边的延长线的交点相重合。
6.如权利要求5所述的多频带声拓扑绝缘体,其特征在于,绝缘体包括3个相同的呈圆形结构的晶胞元和3个基架,绝缘体所在的圆周的中心与该散射体结构内的胞元架的中心相重合。
7.如权利要求6所述的多频带声拓扑绝缘体,其特征在于,晶胞元和胞元架呈星状结构。