(19)中华 人民共和国 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 202111432720.1 (22)申请日 2021.11.29 (71)申请人 南京大学 地址 210023 江苏省南京市栖霞区仙林大 道163号 (72)发明人 王琼　邱港　王木也　柏业超　 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 代理人 周姗姗 (51)Int.Cl. G06F 30/27(2020.01) G16C 60/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01)H01Q 15/00(2006.01) G06F 111/04(2020.01) (54)发明名称 基于物理约束的超表面原子结构的电磁响 应预测方法 (57)摘要 本发明公开了一种基于物理约束的超表面 原子结构 的电磁响应预测方法， 包括上层、 中层 和下层， 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16 ×16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本发明的有益效果： 提 升了电磁超表面设计正向预测的精确度和模型 的泛化性能， 解决了现有技术正向预测实时性和 精度不足问题。 权利要求书2页 说明书6页 附图4页 CN 114282429 A 2022.04.05 CN 114282429 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16 ×16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所述的一种电磁超表面单元， 其特征在于： 所述电磁超表面单元对应 的电磁相应取决于编码图案的样式， 所述编码图案的样式具体采用中心对称的方式。 3.根据权利要求1所述的一种电磁超表面单元， 其特征在于： 所述矩阵为随机产生的16 ×16编码矩阵， 构建对应的电磁超表面单元， 送入电磁仿 真软件得到对应的电磁响应， 频率 范围设置为8 ‑12Ghz。 4.根据权利要求1所述的一种电磁超表面单元， 其特征在于： 所述电磁相应的幅值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： 5.一种基于电磁超表面单元衍生的一种基于物理约束的超表面原子结构 的电磁响应 预测方法， 其特 征在于， 包括以下步骤： 步骤一： 将超表面单元结构设计及相关参数周期排列结构送入电磁仿真软件， 得到对 应的电磁 响应S参数值， 构建数据集， 数据集表 示为{Imagei,Rei,Imi}， 同时对实部Re和虚部 Im进行采样， 其间隔为0.1Ghz的均匀频率， 将实部Re和虚部Im分别表示为41维向量， 令第i 个超表面单元设计Imagei对应的电磁响应采样后得到的实部向量为Rei， 虚部向量为Imi， i ∈[1,N]， Rei和Imi分别表示该设计对应的S参数实部值和虚部值， N 为数据集样本数； 步骤二： 对16 ×16的编码矩阵进行横向和纵向复制扩充为32 ×32编码矩阵作 为网络输 入， 然后将数据集分割80％作为训练集， 20％作为测试集， 数据集中的训练样本Imagei为32 ×32编码矩阵， 对应的标签为 41维的实部向量Rei和41维的虚部向量 Imi； 步骤三： 构建网络模型， 分别初始化网络模型中实部子网络RNet及虚部子网络INet的 网络参数； 步骤四： 将训练集{Imagei}Train分别输入 实部子网络RNet和虚部子网络INet,轮次循环 训练直至收敛。 6.根据权利要求5所述的一种基于物理约束的超表面原子结构的电磁响应预测方法， 其特征在于： 在步骤四中， 所述轮次循环训练步骤如下： S1： 执行前向计算， 分别计算单元结构设计Imagei经过实部子网络RNet 输出的网络 预测 实部值 以及经过虚部子网络INet输出的网络预测虚部值 计算实部子网络重构误 差 和虚部子网络重构误差 计算公式如下： 权　利　要　求　书 1/2 页 2 CN 114282429 A 2其中， M为训练集样本数； S2： 根据实部或虚部子 网络输出的 和 计算幅值预测值 构建表 示幅值重构误差的物理约束 项为： 网络总的损失函数为： S3： 通过后向传播算法更新实部子网络RNet参数， 根据网络总损失函数计算实部子网 络各变量梯度， 在网络总损失函数中， 与实部 子网络变量相关项为： 根据LossRe求得实部网络各变量梯度， 送入实部网络优化器， 设置为Adam优化器， 通过 反向传播 算法更新实部网络参数； S4： 通过后向传播算法更新虚部子网络INet参数， 根据网络总损失函数计算虚部子网 络各变量梯度， 在网络总损失函数中， 与虚部 子网络变量相关项为： 根据LossIm求得虚部网络各变量梯度， 送入虚部网络优化器， 设置为Adam优化器， 通过 反向传播 算法更新虚部网络参数。权　利　要　求　书 2/2 页 3 CN 114282429 A 3