基于神经网络的超材料窗片反向设计研究.pdf

真空电子技术V A C UUME L E C T RON I C S 理论设计基于神经网络的超材料窗片反向设计研究谷炳毅,曹耀耀,王汀略,李俊延,曾旭,潘攀,柏宁丰(东南大学 电子科学与工程学院,江苏 南京 ;北京真空电子技术研究所,北京 )摘要:与固态器件相比,真空电子器件在高频段可以提供更大的功率、更宽的带宽.输能窗作为其中的重要部件,用以隔绝真空电子器件内外环境,保持管内的高真空度,传输高能电磁波.目前,传统输能窗的性能已经制约宽带高频真空器件性能.基于此,本文提出了一种利用神经网络算法设计超材料窗片的方案,实现了低反射和驻波比的宽带输能窗.本文利用神经网络的非线性拟合效应对窗片结构与其频谱之间建立映射关系,从而避免了求解麦克斯韦方程组的繁复过程,提高了频谱性能仿真的速度,简化了设计过程.通过设计双向神经网络并进行训练,实现反向设计窗片的目标,输入目标频谱特性参数即可生成满足指标要求的结构参数.关键词:真空电子器件;输能窗;超材料;人工神经网络中图分类号:T N 文献标识码:A文章编号:()d o i:/j c n k i c n /t n A nO p t i m a lD e s i g no fM e t a m a t e r i a lW i n d o wB a s e do nN e u r a lN e t w o r k sGUB i n g y i,C AOY a o y a o,WANGT i n g l u e,L I J u n y a n,Z E NGX u,P ANP a n,B A IN i n g f e n g(S c h o o l o fE l e c t r o n i cS c i e n c ea n dE n g i n e e r i n g,S o u t h e a s tU n i v e r s i t y,N a n j i n gJ i a n g s u ,C h i n a;B e i j i n gV a c u u mE l e c t r o n i c sR e s e a r c hI n s t i t u t e,B e i j i n g ,C h i n a)A b s t r a c t:C o m p a r e dw i t hs o l i d s t a t ed e v i c e s,v a c u u me l e c t r o n i cd e v i c e sc a np r o v i d eh i g h e rp o w e ra n dw i d e rb a n d w i d t h A sa n i m p o r t a n tc o m p o n e n t,t h em i c r o w a v ew i n d o wi su s e dt oi s o l a t et h e i n t e r n a la n de x t e r n a l e n v i r o n m e n to ft h ev a c u u me l e c t r o n i cd e v i c e,m a i n t a i nt h eh i g hv a c u u mi n s i d et h ed e v i c e,a n dt r a n s m i th i g h e n e r g ye l e c t r o m a g n e t i cw a v e A tp r e s e n t,t h ep e r f o r m a n c eo f t r a d i t i o n a lm i c r o w a v ew i n d o wc o n s t r a i n s t h ep e r f o r m a n c eo fb r o a d b a n dh i g h f r e q u e n c yv a c u u md e v i c e s T h e r e f o r e,ad e s i g nm e t h o do fm e t a m a t e r i a l s t r u c t u r eu s i n gn e u r a ln e t w o r ka l g o r i t h mi sp r o p o s e dw h i c hc a nr e a l i z eab r o a d b a n dm i c r o w a v em e t a m a t e r i a lw i n d o ww i t hl o wr e f l e c t i o na n d l o wv o l t a g es t a n d i n gw a v er a t i o T h en o n l i n e a r f i t t i n ge f f e c to fn e u r a ln e t w o r k i su s e dt oe s t a b l i s ham a p p i n gr e l a t i o n s h i pb e t w e e nt h ew i n d o ws t r u c t u r ea n di t ss p e c t r u m,t h u sa v o i d i n gt h ec o m p l i c a t e ds o l v i n gp r o c e s so fM a x w e l l se q u a t i o n s,i m p r o v i n gt h es i m u l a t i o ns p e e do f s p e c t r u mp e r f o r m a n c ea n ds i m p l i f y i n gt h ed e s i g np r o c e s s B yd e s i g n i n ga n dt r a i n i n gt h eb i d i r e c t i o n a ln e u r a l n e t w o r k,t h e r e v e r s ed e s i g no fw i n d o wi s a c h i e v e d,b yw h i c h t h e s t r u c t u r a l p a r a m e t e r s c a nb eg e n e r a t e do n l yb y i n p u t t i n gt h ec o r r e s p o n d i n gt a r g e t s p e c t r a l c h a r a c t e r i s t i cp a r a m e t e r s K e y w o r d s:V a c u u me l e c t r o n i cd e v i c e,M i c r o w a v ew i n d o w,M e t a m a t e r i a l,A r t i f i c i a ln e u r a ln e t w o r k随着下一代通信网络技术的发展,高频毫米波通信越来越受到重视.W频段电磁波在移动通信、卫星探测、雷达等方面均具有广泛的应用前景.与固态器件相比,真空电子器件在W波段及以上频段可以提供更大的功率、更宽的带宽,从而实现高功率、高效率放大器及波源 .作为真空电子器件中的重要组件,输能窗可以隔绝真空电子器件内外环境,保持管内的高真空度,但是材料、结构和反射不稳定引起的寄生振荡限制了它们的发展和应用 .目前高频段真空器件设计中,已经面临窗片性能限V A C UUME L E C T RON I C S真空电子技术 制整管输出带宽的问题.利用超材料特性,可以突破传统窗片的性能限制.柏宁丰课题组利用超材料结构,在W波段行波管矩形窗中实现了驻波比(V S WR)低于 、带宽达到 GH z,V S WR低于 、带宽达到 GH z的性能.罗勇课题组针对回旋管提出的超材料结构,实现了在 GH z范围内的相对带宽为 ,反射小于 d B的性能.由于超材料结构参数较多,仿真设计时较难实现快速优化.神经网络算法提供了快速优化的技术手段,可以通过已知数据,完成参数预测及性能预测.若利用神经网络设计超材料结构并将其应用到输能窗的设计中,将有助于提高设计效率.基于此,本文开展了利用神经网络进行超材料窗片参数反向设计的研究.通过正向仿真超材料窗片结构获取的数据集,提出合理的神经网络架构,经过训练可以快速得到指定性能的结构参数,从而为超材料窗片的实用化设计提供了一种可行方案.超材料输能窗设计本文基于文献 中所提结构开展了利用神经网络进行W波段回旋管输能窗优化设计的研究.氧化铍(B e O)介质损耗低,具有良好的导热性,在室温下热导率可以达到 W/(mK),且其介电常数相比氧化铝陶瓷小,能够使窗口在很高的平均功率下工作,是目前常用的输能窗材料之一.本文据此选取B e O作为窗片材料.根据设计要求,回旋管输能窗工作在T E 模式,窗片直径尺寸为 c m.在窗片正反两面设置了单元重复的正方晶格,正方晶格单元结构如图所示.单元结构设置了四个主要的参数,分别是w、g、t、h,其中w是正方介质柱的宽度,g是相邻介质柱之间的间隙,h为介质柱的厚度即晶格高度,t是中心盘的厚度,文献 给出了其结构的参数为:w mm,g mm,t mm,h mm.本文以此组参数作为初始参数.神经网络建模与训练 神经网络构建本文利用B P 及C NN 网络构建输能窗结构参数和频谱参数之间的相互映射.利用B P神经网络建立输能窗结构参数到频谱参数之间的映射,即结构参数作为神经网络的输入,频谱参数作为神经网络的输出,这样利用训练完成的B P神经网络模型即可用结构参数来预测频谱参数.同时利用 (a)(b)(c)wgwgth图单元结构参数示意图C NN网络建立频谱参数到输能窗结构参数的反向映射,实现频谱参数到结构参数的反向设计.最终利用训练好的双向神经网络模型,向其输入目标频谱特性参数,网络自动生成对应结构参数.神经网络的搭建采用T e n s o r F l o w平台上的K e r a s框架,以减少代码容量,使神经网络搭建更加便捷.模型处理及数据收集由于对神经网络的训练需要大量的数据集来支撑,因此对图(c)所示结构进行结构参数扫描,完成结构参数以及对应频谱参数的收集,结构参数变化范围为:w(,),g(,),t(,),h(,),单位为mm,从而可以得到 组不同的结构参数.仿真后得到对应的S 反射系数如图所示.图不同结构参数对应的频谱参数示意图(仅 组)每一组结构参数能够得到 组数据,原始数据有近 万组,需要进行进一步处理.根据中心频率点的反射系数及其对应的带宽为判断依据,定义C为中心频率点(GH z)处的反射系数,设定C d B;d B L是左侧中心点(GH z)的反真空电子技术V A C UUME L E C T RON I C S 射系数,d B R是右侧中心点(GH z)的反射系数,BW是包含中心频点在内的反射系数 d B的带宽,BWL是 在 中 心 频 率 点 左 侧 满 足 反 射 系 数 d B的带宽,BWR是在中心频率点右侧满足反射系数 d B的带宽,剔除不符合条件的曲线,获得样本数据集.B P神经网络的搭建与训练采用m i n m a x标准化对数据进行预处理,其标准化公式如下:xxxm i nxm a xxm i n()其中m a x是数据的最大值,m i n是数据的最小值,x为原始数据,这是对数据的一种线性变换,使结果映射在之间.同时分割数据集,以:的比例对数据进行训练和测试.第一层输入层包含 个神经元,同时输入数据的观察点为个.线性激活函数(r e l u)可以解决梯度消失的问题并提高收敛速度.中间层和输入层类似,最后一层为输出层,输出大小为,可知该网络全部神经元单元数量为 .设置学习率为 ,损失函数为均方差“m s e”函数,网络评价指标为精度“a c c”,迭代 次.对损失和精度进行可视化,如图所示,蓝色曲线为训练数据,红色曲线为测试数据,训练精度和测试精度随着迭代的增加波动式上升,但最后稳定在 左右;同时训练损失和测试损失随着迭代次数的增加不断减小,最后达到 量级,并且保持稳定.可见该网络符合神经网络计算要求.利用模型的预测功能,可以对测试的输入数据进行预测,得到输出数据,并与真实的测试数据进行对比.以结构参数h的预测结果为例,如图所示,蓝色点集为预测值,红色点集为真实值,每组图代表一个频谱参数的输出结果,可以看出预测值与真实值的重合程度较高,说明预测较为准确.ab0.250.200.150.100.050.0002505007501000 1250 1500 1750 20001.002505007501000 1250 15001750 20000.80.60.40.2图B P神经网络的损失与精度图不同频谱参数的预测值与真实值V A C UUME L E C T RON I C S真空电子技术 卷积神经网络的搭建与训练卷积神经网络用于建立频谱参数到结构参数的映射.本文中每个参数分别有个不同的值,因此搭建一维分类卷积神经网络,将准备的 组频谱参数分别分类到四组结构参数中.最终将搭建四个相同的分类卷积神经网络来分类四组参数,其中输入为 大小的频谱参数,输出则为个不同分类的标签,下面以h参数来说明.将数据集进行的分割,其中/用于训练,剩余/用于测试.同时对输出数据进行o n e h o t编码,以及对输入数据矩阵进行调整大小,保证其应用于卷积神经网络训练时的正确性.卷积神经网络输入层含有 个神经元,大小为的卷积核,激活函数使用r e l u函数,输入数据大小为(,).每个卷积层后连接着一个最大池化层,共有三层卷积层和三层池化层.对于f l a t t e n层,用于将多维的输入一维化,是卷积层和全连接层的过渡;然后利用全连接层将神经元连接在一起,并加入d r o p o u t舍弃层,按照 的比例舍弃,可以防止网络的过度拟合;最后一层输出层,神经元数量和分类数量一致,但激励函数采用s i g m o i d函数.损失函数选择均方 差,评价标 准选择精度,迭代次数为 次,批处理尺寸为.对该模型进行测试,可视化损失和精度结果如图.虽然精度和损失在稳定过后都有波动,但损失可以降低到 以下,精度基本保持在 以上,符合模型的预期要求.同时利用模型的预测功能对测试输入数据进行预测,并与真实输出数据进行对比,以h参数为例,如图所示,红色线条为真实值,蓝色线条为预测值,六组图分别代表的是h从 ,若预测结果为代表这组频谱参数对应的h的参数为该图所对应的值,反之说明不是.可以看到,虽有波动,但预测值和真实值大致重合,符合模型要求.图卷积神经网络的损失与精度图预测值与真实值对比真空电子技术V A C UUME L E C T RON I C S 对另外三组参数进行同样测试得到相应结果.训练的精度和损失均有差异,但总体精度在 之间,损失也可以降低到左右.从预测的结果来看h、g、t的预测精度较高,而w的预测精度较低,符合理论结果.因为从输能窗结构来看,w对反射系数和带宽的影响较其他三个参数更低.通过分类卷积神经网络,本文基本达到了预期的结果,即建立了频谱参数到结构参数的映射.窗片结构的反向设计及验证对于搭建并训练完成后的双向神经网络进行反向设计输能窗结构测试.首先选取预期频谱特性参数如表所示:表预期频谱参数组号BW/GH zC/d Bd B L/d Bd B R/d BBWL/GH zBWR/GH z 经过神经网络模型运算后输出得到的对应结构参数如表所示:表反向设计得到的结构参数组号g/mmh/mmt/mmw/mm 将得到的结构参数输入到C S T中进行仿真,并根据结果与预期的频谱特性进行对比.三组数据的仿真结果如图所示.7580859095100105110f/GHzS11/dB-10-15-20-25-30-35-40-45-50-55-60-65-70-75-80-85-90123图三组结构参数的仿真结果可以看出微小的改动会使得频谱参数曲线截然不同.导出具体数据值,根据实际验证结果,通过计算可以验证实际的频谱特性参数如表所示:表由反向设计得到的结构参数对应的频谱参数组号BW/GH zC/d Bd B L/d Bd B R/d BBWL/GH zBWR/GH z 将表验证结果与表预期结果进行对比,可以发现实际结果与预期结果非常吻合,除了第一组数据的BWR略大以外,其他数据与预期的误差值都在以内,表明本文中窗片设计模型正确.除了以上三组数据之外,本文还验证了十余组预期结果与其对应结构的实际结果的数值,最终确定误差能够控制在 以内,证明本文所提出的单元结构模型能够有效运用于输能窗结构的设计.将设计好的单元结构模型用于整体输能窗,所取的结构参数为表中的组号,最终得到的模型如图所示.对该模型进行仿真,得到反射系数结果如图.图输能窗模型7580859095105110f/GHz100S11/dB-15-20-25-30-35-40-45-50-55-60-65-70-75-80-85-90图输能窗模型的仿真结果V A C UUME L E C T RON I C S真空电子技术 将图与图进行对比可以发现,单元结构与输能窗结构的频谱特性曲线基本相同,差异来自完整输能窗的边缘部分处理,不满一个周期的结构被舍去以保证单元结构的完整性.由图可以得出,完整输能窗模型基本满足在 GH z内,反射系数S 低于 d B,即驻波比小于 ;满足S 低于 d B的带宽达到 GH z,相对带宽为 ,并且在频率为 GH z处反射系数可达到最低值 d B,整体性能更优,说明超材料输能窗单元结构及整体输能窗的优化设计是成功的.结论本文提出了一种利用神经网络算法反向设计超材料结构的方法,并将其应用到输能窗的设计中,利用神经网络的非线性拟合效应在窗片结构与其频谱之间建立映射关系.通过C S T仿真软件搭建输能窗单元结构模型并进行仿真得到数据集,将处理后的数据集用以训练搭建好的B P 卷积神经网络,通过向训练好的双向神经网络输入目标频谱特性参数即可生成对应的结构参数,并且经过验证,所得结果与预期结果非常吻合,成功实现了根据需求反向设计窗片结构的目标.参考文献S a c c h iC,R o s s iT,M u r r o n iM,e t a lE x t r e m e l yH i g hF r e q u e n c y(EH F)B a n d sf o rF u t u r eB r o a d c a s tS a t e l l i t eS e r v i c e s:O p p o r t u n i t i e s a n d C h a l l e n g e sJI E E ET r a n s a c t i o n so nB r o a d c a s t i n g,():L iX,H u a n gX,M a t h i s e nS,e ta l D e s i g no f GH z D o u b l e C o r r u g a t e d W a v e g u i d e T r a v e l i n g W a v eT u b e f o rS a t e l l i t eD o w n l i n kJ I E E ET r a n s a c t i o n so nE l e c t r o nD e v i c e s,():M AC,L EW,T KN,e t a lD e m o n s t r a t i o no f aW B a n d T r a v e l i n g W a v e T u b e P o w e r Am p l i f i e r W i t h GH zB a n d w i d t hJI E E E T r a n s a c t i o no nE l e c t r o nD e v i c e s,():常田颖,孟晓君,李紫琳,等一种用于 GH z同轴窗的工艺改进与分析J真空电子技术,():W a n gS,A d i t y aS W i d e b a n dP o w e rC o m b i n i n go fF o u rM i c r o f a b r i c a t e d W B a n d T r a v e l i n g W a v e T u b e sJI E E ET r a n s a c t i o n so nE l e c t r o nD e v i c e s,():王玲玲新型电磁超材料吸波器研究D南京:南京航空航天大学,B a iN,S h e nJ,F a nH,e t a lAB r o a dB a n d w i d t hM e t a m a t e r i a lP i l l b o x W i n d o w f o r W B a n d T r a v e l i n g W a v eT u b e sJ I E E EE l e c t r o nD e v i c eL e t t e r s,():W a n gY,L i uG,C a oY,e ta l B r o a d b a n da n d H i g hP o w e rM e t a S u r f a c eD i e l e c t r i cW i n d o wf o rW B a n dG y r o t r o nT r a v e l i n gW a v eT u b e sJ I E E EE l e c t r o nD e v i c eL e t t e r s,():孙志军,薛磊,许阳明,等深度学习研究综述J计算机应用研究,():W a n gY u,L i uG u o,C a oY i n g j i a n,e ta l B r o a d b a n da n d H i g hP o w e r M e t a S u r f a c eD i e l e c t r i c W i n d o wf o rW B a n dG y r o t r o nT r a v e l i n gW a v eT u b e sJ I E E EE l e c t r o nD e v i c eL e t t e r s,():郑晓阳,王艳,李秀霞大功率氧化铍输出窗的研制C中国电子学会真空电子学分会第十九届学术年会论文集(上册),中国:安徽,:M e l l i tA,P a v a nA M a s s i,L u g h iV D e e pL e a r n i n gN e u r a lN e t w o r k sf o rS h o r t T e r m P h o t o v o l t a i cP o w e rF o r e c a s t i n gJ R e n e w a b l e E n e r g y,:周珂,杨永清,张俨娜,等光学遥感影像土地利用分类方 法 综 述 J科 学 技 术 与 工 程,():赵现枫,李本卫,李永彬,等基于神经网络的空调智能化控制策略研究C 年中国家用电器技术大会论文集,中国:宁波,:李含清,王宏宇,王彦华,等基于C NN的地面目标高分辨距离像识别方法C第十三届全国信号和智能信息处 理 与 应 用 学 术 会 议 论 文 集,中 国:汉 中,:朱逸君基于深度学习微带型曲折慢波结构设计研究D南京:东南大学,收稿日期:作者简介:谷炳毅(),男,年本科就读于东南大学电子科学与工程学院,现为江南大学理学院硕士研 究 生,从 事 超 材 料 结 构 研 究,E m a i l:g u_b i n g y i f o x m a i l c o m.柏宁丰(),男,教授,年至今就职于东南大学电子科学与工程学院,目前研究方向为真空电子技术、光子器件芯片等.