本申请涉及超表面设计，具体地，涉及一种超表面正向与逆向设计方法。
背景技术：
1、超表面技术作为一种能够对入射光的振幅、相位和偏振等进行高度灵活调控的光学器件，吸引了广泛的关注。传统上，为了预测超表面的光学性质，人们常常依赖于有限元建模(fem)或时域有限差分(fdtd)等数值模拟方法。然而，这些方法存在一些明显的缺点，例如计算耗时长、复杂结构的建模难度大，以及受到人为引导误差的固有影响。
技术实现思路
1、为了克服现有技术中的至少一个不足，本申请提供一种超表面正向与逆向设计方法。
2、第一方面，提供一种超表面正向设计方法，包括：
3、构建吸收谱预测模型；吸收谱预测模型包括深度卷积神经网络、集成学习模型和线性回归模型；
4、对吸收谱预测模型进行训练，得到训练后的吸收谱预测模型；
5、将超表面结构参数输入到训练后的吸收谱预测模型，预测得到吸收谱；深度卷积神经网络用于基于超表面结构参数进行特征特征和回归预测，得到第一预测结果；集成学习模型用于基于超表面结构参数，得到第二预测结果；线性回归模型用于融合第一预测结果和第二预测结果，得到吸收谱。
6、在一个实施例中，深度卷积神经网络包括依次连接的卷积层、densenet块、最大池化层、flatten层和全连接层。
7、在一个实施例中，集成学习模块采用gradient boosting回归器。
8、在一个实施例中，对吸收谱预测模型进行训练，采用的数据集中的样本为随机生成的设计范围内的超表面结构参数，以及对应的吸收谱采样点。
9、第二方面，提供一种超表面逆向设计方法，包括：
10、基于训练后的深度卷积神经网络，采用强化学习的方法，得到最佳的超表面结构参数。
11、在一个实施例中，基于训练后的深度卷积神经网络，采用强化学习的方法，得到最佳的超表面结构参数，包括：
12、强化学习包括多个训练过程，每个训练过程包括多个训练轮次；
13、在每个训练轮次中，随机生成设计范围内的超表面结构参数，作为初始结构参数；
14、sac代理选择动作作用于初始结构参数，以改变初始结构参数，得到改变后的结构参数；动作为增加参数数值或者减少参数数值；
15、将改变后的结构参数输入到训练后的深度卷积神经网络，预测得到吸收谱；
16、根据吸收谱确定训练轮次对应的奖励值；
17、针对每个训练过程，保存所有奖励值中的最大的奖励值，以及对应的改变后的结构参数；
18、将所有训练过程中，保存的奖励值中的最大值对应的改变后的结构参数，作为最佳的超表面结构参数。
19、在一个实施例中，根据吸收谱确定训练轮次对应的奖励值，包括：
20、若吸收谱中吸收率的最大值对应的波长为指定波长，则奖励值为吸收率的最大值的设定倍数；
21、若吸收谱中吸收率的最大值对应的波长不为指定波长，则奖励值为吸收率的最大值。
22、第三方面，提供一种超表面正向设计装置，包括：
23、模型构建模块，用于构建吸收谱预测模型；吸收谱预测模型包括深度卷积神经网络、集成学习模型和线性回归模型；
24、训练模块，用于对吸收谱预测模型进行训练，得到训练后的吸收谱预测模型；
25、预测模块，用于将超表面结构参数输入到训练后的吸收谱预测模型，预测得到吸收谱；深度卷积神经网络用于基于超表面结构参数进行特征特征和回归预测，得到第一预测结果；集成学习模型用于基于超表面结构参数，得到第二预测结果；线性回归模型用于融合第一预测结果和第二预测结果，得到吸收谱。
26、第四方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的超表面正向设计方法，或者上述的超表面逆向设计方法。
27、第五方面，提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时，以实现上述的超表面正向设计方法，或者上述的超表面逆向设计方法。
28、相对于现有技术而言，本申请具有以下有益效果：本申请的超表面正向设计方法，通过线性组合训练好的深度卷积神经网络和集成学习模型，可以瞬时实现对吸收谱的预测，这种替代方式可以大大减少计算时间，并在设计过程中提供更快速的反馈。本申请的超表面逆向设计方法，通过强化学习中的智能体与深度卷积神经网络的交互，系统能够通过强化学习来调整结构参数，与其他方法相比，在相同的迭代次数下可以获得更好的效果，实现了对特定波长的等离子体共振效应快速高效的设计。
1.一种超表面正向设计方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述深度卷积神经网络包括依次连接的卷积层、densenet块、最大池化层、flatten层和全连接层。
3.如权利要求1所述的方法，其特征在于，所述集成学习模块采用gradient boosting回归器。
4.如权利要求1所述的方法，其特征在于，其中，对所述吸收谱预测模型进行训练，采用的数据集中的样本为随机生成的设计范围内的超表面结构参数，以及对应的吸收谱采样点。
5.一种超表面逆向设计方法，其特征在于，包括：
6.如权利要求5所述的方法，其特征在于，其中，基于训练后的深度卷积神经网络，采用强化学习的方法，得到最佳的超表面结构参数，包括：
7.如权利要求6所述的方法，其特征在于，所述根据所述吸收谱确定所述训练轮次对应的奖励值，包括：
8.一种超表面正向设计装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，以实现权利要求1-4任意一项所述的超表面正向设计方法，或者权利要求5-7任意一项所述的超表面逆向设计方法。
10.一种计算机程序产品，其特征在于，包括计算机程序/指令，所述计算机程序/指令被处理器执行时，以实现权利要求1-4任意一项所述的超表面正向设计方法，或者权利要求5-7任意一项所述的超表面逆向设计方法。
