基于深度学习的多层吸波超表面逆向设计

摘要

提出了一种基于生成模型的吸波超表面逆向设计方法，旨在解决传统设计中结构单元数量庞大、参数优化复杂等问题，实现高效定制化设计。超表面作为可调控电磁波特性的人工材料，在隐身、电子对抗和通信抗干扰等领域具有重要应用价值。传统方法依赖电磁仿真参数扫描和经验优化，计算负担大，专业要求高；现有智能优化算法仍存在收敛稳定性差和训练效率低等问题。构建了一个人工智能(AI)驱动框架，整合3种神经网络：条件变分自编码器(CVAE)用于逆向结构设计，变分自编码器(VAE)用于特征提取，基于注意力机制的长短期记忆神经网络(LSTM)用于前向吸收率预测。该方法采用3层堆叠结构设计单元，通过旋转对称生成矩阵，并利用脚本自动化仿真构建包含10 000组“0/1”矩阵与吸收率曲线的数据集。实验表明，特征提取模型能有效捕捉吸收率核心特征，预测模型在测试集上均方误差为0.002 3,平均绝对误差为0.038 0,决定系数达0.668 0,可反映电磁特性动态变化；逆向设计模型在4～6 GHz频段能按目标频率生成单元结构，在保持性能的同时提供多样化方案，该方法通过数据学习自动建立电磁响应与结构间的映射关系，降低了对人工干预的依赖，能够生成高保真、多样化的超表面结构，为快速定制化设计提供了新解决方案。

关键词

逆向设计 / 吸波超表面 / 生成模型 / 深度学习