(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210695660.0 (22)申请日 2022.06.20 (71)申请人 南京大学 地址 210000 江苏省南京市 鼓楼区汉口路 22号 (72)发明人 王琼　王木也　魏洪波　邱港　 柏业超　唐岚　张兴敢　 (74)专利代理 机构 南京业腾知识产权代理事务 所(特殊普通 合伙) 32321 专利代理师 缪友益 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/774(2022.01) G06F 30/20(2020.01)G06F 113/26(2020.01) (54)发明名称 一种电磁超表面单元及超表面电磁响应快 速预测方法 (57)摘要 本发明公开了一种电磁超表面单元及超表 面电磁响应快速预测方法， 涉及电磁超材料设计 领域， 超表 面电磁响应快速预测方法包括如下步 骤： 步骤一、 获取电磁参数； 步骤二、 制作数据集： 步骤三、 预训练， 构建网络模型： 步骤四， 对预训 练后的实部网络和虚部网络进行剪枝操作。 本发 明在保证电磁超表面正向预测设计的精度和泛 化性能的同时， 解决了 现有技术中神经网络训练 模型所占内存空间过大、 训练时间过长的问题。 权利要求书3页 说明书11页 附图3页 CN 114936630 A 2022.08.23 CN 114936630 A 1.一种电磁超表面单元， 包括上层、 中层和下层， 其特征在于， 所述上层为编码图案区 域， 其宽度为l2＝8mm， 在编码图案区域可划分为互为中心对称的4个8 ×8矩阵， 所述矩阵上 贴有金属铜贴片， 其中金属铜贴片的电导率为5.8e+007S/m， 宽度l3＝0.5mm， 厚度t2＝ 0.017mm； 所述中层为介质基板， 其材质具体为F4B； 下层为全金属铜覆盖 。 2.根据权利要求1所述的电磁超表面单元， 其特征在于， 所述电磁超表面单元对应的电 磁响应取决于编码图案的样 式， 所述编码图案的样 式采用4个中心对称的8 ×8矩阵合并为 16×16矩阵的方式， 在神经网络输入时将以二维复制延拓的形式将4个16 ×16的矩阵扩展 为32×32矩阵。 3.根据权利要求2所述的电磁超表面单元， 其特征在于， 矩阵以随机产生的8 ×8编码矩 阵为核心， 经过中心对称复制与二维延拓复制后构建对应的电磁超表面单元， 经电磁仿真 软件进行物理仿 真计算后输出超表 面的电磁 响应， 频率范围设置为8 ‑12Ghz； 所述电磁响应 的幅值A和相位 与电磁响应的实部Re和虚部Im存在以下对应关系： 4.一种基于权利要求3所述的电磁超表面单元衍生出的超表面电磁响应快速预测方 法， 其特征在于， 包括如下步骤： 步骤一、 获取电磁参数： 将超表面图案编码数据集送入电磁仿真软件， 批量对所有超表面进行电磁参数计算， 收集超表面对应的S参数集合{Imagei， Imi， Rei， Ampi， Phi}， 其中内容分别为超表面图案编码 矩阵、 虚部、 实部、 幅值、 相位； 电磁仿真软件输出的数据集为[1001， 4]的矩阵， 对数据集以 步长25为间隔采样得[41， 4]的矩阵， 频率区间为8 ‑12Ghz， 采样间隔为0.1Gh z； 步骤二、 制作数据集： 将电磁仿真软件输出的数据集以41维向量表示， 标注为标签， 其中每个标签记为其对 应的超表 面图案编码数据的电磁响应； 将超表 面图案编码数制作成32 ×32分辨率大小的二 值化图片， 图片色彩通道为单通道， 像素点数值为255或0， 其中255对应超表面图案编码数 据中的“1”， 0对应超表面图案编码数据中的 “0”， 将数据集中80％的数据作为训练集， 10％ 的数据作为验证集， 10％作为测试集， 数据集中各维度数据Imagei为32×32分辨率的单通 道图片， 对应的标签为4个41维向量{Imagei， Imi， Rei， Ampi， Phi}， 其中i∈[1， N]， N为数据集 样本数； 步骤三、 预训练， 构建网络模型： 根据超表面电磁响应的特点， 分别初始化实部、 虚部的正向预测网络， 实部网络记为 RNet， 虚部网络记 为INet， 两网络结构完全相同； 两网络输入均为电磁超表 面编码矩阵所对 应的32×32分辨率大小的二值化图片， 实部网络拟合电磁响应的实部， 虚部网络拟合电磁 响应的虚部， 轮次训练网络 至收敛； 步骤四， 对预训练后的实部网络和虚部网络进行剪枝操作。 5.根据权利要求4所述的超表面电磁响应快速预测方法， 其特征在于， 所述步骤三中， 预训练的操作步骤如下： S1： 训练实部、 虚部网络；权　利　要　求　书 1/3 页 2 CN 114936630 A 2执行前向计算， 计算单元结构设计Imagei， 其中， i∈[1， N]， N为输入图片总数； 经过网络 输出的网络预测值 计算网络误差 MSE： 其中， i∈[1， M]， M为训练集样本数； 均方误差的计算公式为： 其中， y为真实值， 为预测值， i∈[1， m ]， m为维度； S2： 同时加载两子网络RNet和INet， 计算幅值的平方项 构建网络物 理约束项为： 其中， i∈[1， M]， M为训练集样本数； 网络损失函数定义 为： S3： 引入物理约束 项后， 对两 子网络RNet和I Net再次进行训练至收敛。 6.根据权利要求4所述的超表面电磁响应快速预测方法， 其特征在于， 步骤四中的剪枝 操作步骤如下： 步骤A、 对预训练后的实部、 虚部网络卷积核进行贡献度排序， 两网络的卷积核贡献度 排序操作方法、 步骤完全相同； 步骤B、 对预训练后的实部、 虚部网络进行剪枝操作得到重构的轻量级神经网络， 两网 络剪枝操作方法、 步骤完全相同； 步骤C、 将重构的轻量级神经网络重新训练至收敛， 恢 复网络精度， 并保存网络模型； 神 经网络精度恢复训练的操作步骤与所述预训练的操作步骤完全相同。 7.根据权利要求6所述的超表面电磁响应快速预测方法， 其特征在于， 所述剪枝操作 涉 及网络包 含BN层和卷积层； 所述 步骤A中， 实部网络的卷积核贡献度排序步骤如下： 步骤a： 对于已训练至收敛的实部网络， 根据卷积神经网络BN层的计算方法 提取出神经网络BN层缩放系数γ， y为神经网络BN层输出， 为神经网络输入 数据的集合， β 为神经网络BN层修正系数； 取缩放系数γ的L 1范数作为BN层最 终卷积核 特征 提取贡献度之一， 记为g1： g1＝||γ||1 L1范数的定义为集合中所有元素的绝对值之和， 具体表示公式为||X||1＝(|x1|+|x2| +...+|xn|)， 其中， n 为集合X中所有元 素个数； 步骤b： 提取出神经网络卷积层中所有卷积核权重， 计算单一卷积核权重的L1范数并取 算数平均值作为卷积层最终卷积核特 征提取贡献度之一， 记为g2：权　利　要　求　书 2/3 页 3 CN 114936630 A 3