1.一种基于LDM‑PNN和粒子群算法的超原子逆向设计方法,其步骤为:
S01、确定超原子的结构信息参数,使用现有数据集训练LDM模型;训练LDM模型中的编解码器,编解码器包括编码器M和解码器D,编解码器提供低维的潜在空间来训练扩散模型;
其中现有数据集是由全电介质超原子的结构信息参数及其对应的光谱响应透射系数的实部和虚部组成;超原子的结构信息参数为:2D结构图像和三个一维结构参数,其中2D结构图像是高折射率介电组件的俯视图,俯视图为64*64像素组成的图像,而三个一维结构参数为结构折射率、厚度和结构的尺寸;现有数据集中,超原子是由具有不同折射率的两层介电组件堆叠而成,其中底层是正方形的低折射率介电组件,上层是任意对称形状的高折射率介电组件;
S02、LDM模型训练完成后,超原子结构图像通过LDM模型中的编码器M将数据从高维空间编码压缩到低维空间,即潜在空间,在潜在空间中形成潜在特征向量;将编码后的超原子结构图像和结构参数一起输入到LDM模型的扩散模型中,经过扩散模型扩散后在潜在空间中生成由超原子结构图像和结构参数组成的超原子结构信息参数;解码器D再将超原子结构图像解码恢复到原始的高维空间;
S03、通过现有数据集对PNN模型进行训练,模型训练完成后,将解码后的超原子结构图像和结构参数输入到PNN模型中,预测超原子结构一一对应的光谱响应透射系数的实部和虚部;
S04、给定目标光谱响应透射系数,通过粒子群算法在潜在空间中寻找对应的最优超原子,最优超原子的光谱响应透射系数误差小于阈值;如果找到最优超原子,则输出超原子结构图像和结构参数;否则,由粒子群算法更新结构信息参数;通过LDM模型中的解码器D解码后输入到PNN模型中;重复此类操作,直到找到近似最优超原子或达到指定的迭代次数。
2.根据权利要求1所述的一种基于LDM‑PNN和粒子群算法的超原子逆向设计方法,其特征在于:步骤S02中,LDM模型分为两个部分:编解码器和扩散模型,其中,编解码器也分为编码器M和解码器D,编码器M是将超原子结构图像编码压缩为低维的图像,而解码器D是将低维的图像还原成超原子结构图像,编解码器训练的损失函数为重构项损失函数lossre,即输入超原子结构图像和重构超原子结构图像的均方误差,lossre为:其中,x为重构的超原子结构图像,为输入的超原子结构图像。
3.根据权利要求2所述的一种基于LDM‑PNN和粒子群算法的超原子逆向设计方法,其特征在于:步骤S02中,扩散模型的扩散过程分为前向扩散过程和反向扩散过程;前向扩散过程为:αt=1‑βt (4);
其中,x0表示原始超原子结构图像,xt表示第t步添加噪声后得到的超原子结构图像,q(xt\x0)表示以x0为均值的高斯分布,αt为过渡函数值,β为高斯分布的方差,0<βt<1,N为正态分布, 为αt从时间步长1到t的累积值, 为正态分布的均值和, 为正态分布的方差,∈t为在时间步长t时的服从N(0,1)的高斯噪声;xt从高斯分布中采样得到且服从正态分布 t∈[1,T],[1,T]是一系列固定的值;
前向扩散过程是在原始超原子结构图像x0上逐步添加噪声,且每一步得到的超原子结构图像xt只和上一步超原子结构图像xt‑1相关,直至第T步变为纯高斯噪声xT的过程;
反向扩散过程是对给定的纯高斯噪声xT通过逐步去噪,直至最终恢复为原始超原子结构图像x0的过程;反向扩散过程为:其中,z为服从N(0,1)的高斯噪声,∈t(xt,t)为预测噪声;
∈t(xt,t)通过扩散模型的损失函数进行更新,扩散模型的损失函数为:
其中,ε(x)为潜在特征向量, 为要预测的高斯噪声,E为反向扩散过程的均值。
4.根据权利要求3所述的一种基于LDM‑PNN和粒子群算法的超原子逆向设计方法,其特征在于:步骤S03中,PNN模型的训练过程为:将现有数据集按照比例分为训练集、验证集、测试集;使用训练集来训练PNN模型,通过验证集判断是否可以提前终止训练,迭代次数为
100;将训练好的PNN模型应用于测试集;PNN模型在训练过程中,用均方误差MSE计算PNN模型损失函数,PNN模型损失函数LossPNN表示为:其中,SRpr为基于PNN模型预测出来的光谱响应透射系数,SRsim为目标光谱响应透射系数,N为数量;
PNN模型预测结果的平均误差率ErrorPNN为:
其中,max(SRsim)表示目标光谱响应透射系数的最大值,min(SRsim)表示目标光谱响应透射系数的最小值;
PNN模型在预测超原子结构的光谱响应透射系数过程中,2D结构图像通过三层的卷积神经网络输出特征图,结构参数通过神经张量网络进行扩展,将卷积神经网络和神经张量网络的输出通过卷积神经网络和全连接神经网络进行拼接,输出光谱响应透射系数;神经张量网络的操作为:T [1:k]
output=f(eW e+b) (10);
其中,e是结构参数,e大小为3×1,w为k=64的可训练权重矩阵,w大小为3×3,b为偏差项,b大小为1×3,f()为Relu激活函数。
5.根据权利要求4所述的一种基于LDM‑PNN和粒子群算法的超原子逆向设计方法,其特征在于:步骤S04中,粒子群算法在潜在空间中寻找最优超原子过程为:给定目标光谱响应透射系数,通过在同一目标光谱响应上多次运行粒子群算法并进行随机初始化,可以找到分散在整个潜在空间中的多个近似解;再通过LDM模型中的解码器D,将每个近似解解码为
2D结构图像和三个一维结构参数,通过PNN模型快速预测和评估个体的光谱响应。
6.根据权利要求5所述的一种基于LDM‑PNN和粒子群算法的超原子逆向设计方法,其特征在于:粒子群算法是一种基于种群的智能算法,种群中每个成员叫做粒子,代表着一个潜在的可行解;粒子群算法在寻找最优超原子过程中,每个粒子在寻找到最优超原子后,将其记为当前个体极值,并将个体极值与整个粒子群里的其他粒子共享,找到最优的个体极值作为整个粒子群的当前全局最优解,粒子群中的所有粒子根据自己找到的当前个体极值和整个粒子群共享的当前全局最优解来调整自己的速度和位置;
vi(t0)=ω*vi(t0)+c1*r1(t0)*(yi(t0)‑xi(t0))+c2*r2(t0)*(yi(t0)‑xi(t0))(11);
xi(t0+1)=xi(t0)+vi(t0) (12)
其中,i=1,2,3,…,N0,N0是群中粒子的总数,t0为时间,vi(t0)是t0时刻粒子的速度,r1(t0)和r2(t0)是介于(0,1)之间的随机数,xi为粒子的当前位置,即当前的结构信息参数,c1和c2是学习因子,yi(t0)为i粒子个体的最优结构信息参数,ω是惯性因子,ω的动态变化公式为:其中,Gk是最大迭代次数,ωini是初始惯性权值,ωend是迭代至最大进化代数时的惯性权值。