(19)國家知識產權局(12)發(fā)明專利(72)發(fā)明人晁銀銀董剛趙雅倩李仁剛徐哲王斌強楊宏斌公司11227統(tǒng)及相關組件本申請公開了一種基于神經網絡的器件參該基于神經網絡的器件參數獲取方法通過逆網利用逆網絡根據目標需求生成器件參數，目標需求包括目標電磁光利用逆網絡根據目標需求生成器件參數，目標需求包括目標電磁光譜響應將器件參數和真實樣本輸入判別網絡，并使判別網絡使用器件參數和真實樣本進行對抗訓練得到第一調整參數，基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作，直至利用逆網絡根據目標電磁光譜響應生成的器件參數滿足真實條件將滿足真實條件的器件參數輸入前向預測網絡得到實際電磁光譜響應，當實際電磁光譜響應和目標電磁光譜響應匹配時，輸出逆網絡生成的器件參數21.一種基于神經網絡的器件參數獲取方法，其特征在于，神經網絡包括逆網絡、判別網絡和前向預測網絡，所述逆網絡包括輸入層、全連接層、轉置卷積層、編碼解碼模塊和輸出層，所述編碼解碼模塊包括編碼器和解碼器，所述前向預測網絡和所述判別網絡均包括BN層，該器件參數獲取方法包括：利用所述逆網絡根據目標需求生成多個器件參數，所述目標需求為包括目標電磁光譜響應、目標入射角、目標器件材料折射率及模擬隨機噪聲的一維向量；所述器件參數包括器件結構圖像；將所述器件參數和真實樣本輸入所述判別網絡，并使所述判別網絡使用所述器件參數和所述真實樣本進行對抗訓練，得到所述器件參數為真實參數的概率，判斷所述概率是否為目標值，若否，獲取第一調整參數，并基于所述第一調整參數對所述逆網絡和所述判別網絡進行第一參數更新操作，若是，判定利用所述逆網絡根據所述目標電磁光譜響應生成的所述器件參數滿足真實條件；將滿足所述真實條件的所述器件參數輸入所述前向預測網絡得到實際電磁光譜響應，當所述實際電磁光譜響應和所述目標電磁光譜響應匹配時，輸出所述逆網絡生成的所述器件參數；所述利用所述逆網絡根據目標需求生成器件參數的過程包括：將所述目標需求輸入所述逆網絡；通過所述轉置卷積層基于所述目標需求進行上采樣得到重構參數；通過所述編碼解碼模塊從所述重構參數中提取特征參數，利用所述特征參數生成器件所述將滿足所述真實條件的所述器件參數輸入所述前向預測網絡得到實際電磁光譜響應之后，該器件參數獲取方法還包括：獲取所述實際電磁光譜響應和目標電磁光譜響應之間的損失函數；所述損失函數用于完成反向傳播更新梯度；當所述損失函數收斂，判定所述實際電磁光譜響應和所述目標電磁光譜響應匹配；當所述損失函數未收斂，獲取第二調整參數；基于所述第二調整參數對所述逆網絡和所述前向預測網絡進行第二參數更新操作，直至所述實際電磁光譜響應和所述目標電磁光譜響應匹配。2.一種基于神經網絡的器件參數獲取系統(tǒng)，其特征在于，神經網絡包括逆網絡、判別網絡和前向預測網絡，所述逆網絡包括輸入層、全連接層、轉置卷積層、編碼解碼模塊和輸出層，所述編碼解碼模塊包括編碼器和解碼器，所述前向預測網絡和所述判別網絡均包括BN層，該器件參數獲取系統(tǒng)包括：第一處理模塊，用于利用所述逆網絡根據目標需求生成多個器件參數，所述目標需求為包括目標電磁光譜響應、目標入射角、目標器件材料折射率及模擬隨機噪聲的一維向量；所述器件參數包括器件結構圖像；調整模塊，用于將所述器件參數和真實樣本輸入所述判別網絡，并使所述判別網絡使用所述器件參數和所述真實樣本進行對抗訓練，得到所述器件參數為真實參數的概率，判斷所述概率是否為目標值，若否，獲取第一調整參數，并基于所述第一調整參數對所述逆網絡和所述判別網絡進行第一參數更新操作，若是，判定利用所述逆網絡根據所述目標電磁3光譜響應生成的所述器件參數滿足真實條件；第二處理模塊，用于將滿足所述真實條件的所述器件參數輸入所述前向預測網絡得到實際電磁光譜響應，當所述實際電磁光譜響應和所述目標電磁光譜響應匹配時，輸出所述逆網絡生成的所述器件參數；所述利用所述逆網絡根據目標需求生成器件參數的過程包括：將所述目標需求輸入所述逆網絡；通過所述轉置卷積層基于所述目標需求進行上采樣得到重構參數；通過所述編碼解碼模塊從所述重構參數中提取特征參數，利用所述特征參數生成器件該器件參數獲取系統(tǒng)還用于：在將滿足所述真實條件的所述器件參數輸入所述前向預測網絡得到實際電磁光譜響應之后，獲取所述實際電磁光譜響應和目標電磁光譜響應之間的損失函數；所述損失函數用于完成反向傳播更新梯度；當所述損失函數收斂，判定所述實際電磁光譜響應和所述目標電磁光譜響應匹配；當所述損失函數未收斂，獲取第二調整參數；基于所述第二調整參數對所述逆網絡和所述前向預測網絡進行第二參數更新操作，直至所述實際電磁光譜響應和所述目標電磁光譜響應匹配。3.一種基于神經網絡的器件參數獲取裝置，其特征處理器，用于執(zhí)行所述計算機程序時實現如權利要求1所述的基于神經網絡的器件參數獲取方法的步驟。4.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現如權利要求1所述的基于神經網絡的器件參數獲取方法的步驟。4一種基于神經網絡的器件參數獲取方法、系統(tǒng)及相關組件技術領域[0001]本申請涉及器件設計領域，特別涉及一種基于神經網絡的器件參數獲取方法、系統(tǒng)及相關組件。背景技術[0002]在納米光子學中，由亞波長周期性或非周期性幾何陣列組成的光學器件，因其具有改變介電常數和磁導率的特殊性能而引起了廣泛的關注。亞波長光學器件的設計包括兩方面，一方面是正問題，即給定器件尺寸結構，計算其電磁光譜響應，另一方面是逆問題，即給定理想的電磁光譜響應，計算對應的器件尺寸結構。[0003]在求解逆問題上，由于亞波長光學器件涉及光學、物理學和材料學等多個交叉學科，在設計器件時需要掌握復雜的底層原理，這在很大程度上依賴于納米光子學研究人員的豐富經驗。除此之外，由于解空間是非凸的，也就是說存在許多局部最優(yōu)解，因此多數情況下解不能直接求出，其求解過程非常具有挑戰(zhàn)性，大大限制了光學器件設計的推廣。神經網絡具有模擬非線性物理關系的能力，因此為解決光子系統(tǒng)幾何及其電磁光譜響應之間的關系，提供了解決思路。雖然神經網絡在亞波長光學器件設計上已有應用，但因為一般的神經網絡需要上萬的數據集去訓練，在實際應用中需要花費很多資源。除此之外，已有神經網絡沒有將器件結構和電磁光譜響應同時考慮，魯棒性較差。[0004]因此，如何提供一種解決上述技術問題的方案是本領域技術人員目前需要解決的問題。發(fā)明內容[0005]本申請的目的是提供一種基于神經網絡的器件參數獲取方法、系統(tǒng)、裝置及計算機可讀存儲介質，能夠優(yōu)化生成的器件參數，使其接近真實參數，同時生成對抗網絡所需訓練數據集小，節(jié)省了硬件資源，提高了神經網絡的魯棒性，同時還能夠優(yōu)化生成的器件性能，在輸入為期望的目標電磁光譜響應下，輸出性能較高的器件參數。[0006]為解決上述技術問題，本申請?zhí)峁┝艘环N基于神經網絡的器件參數獲取方法，神經網絡包括逆網絡、判別網絡和前向預測網絡，該器件參數獲取方法包括：[0007]利用所述逆網絡根據目標需求生成器件參數，所述目標需求包括目標電磁光譜響[0008]將所述器件參數和真實樣本輸入所述判別網絡，并使所述判別網絡使用所述器件參數和所述真實樣本進行對抗訓練得到第一調整參數，基于所述第一調整參數對所述逆網絡和所述判別網絡進行第一參數更新操作，直至利用所述逆網絡根據所述目標電磁光譜響應生成的所述器件參數滿足真實條件；[0009]將滿足所述真實條件的所述器件參數輸入所述前向預測網絡得到實際電磁光譜響應，當所述實際電磁光譜響應和所述目標電磁光譜響應匹配時，輸出所述逆網絡生成的所述器件參數。5[0010]可選的，所述目標需求為包括所述目標電磁光譜響應、目標入射角、目標器件材料折射率及模擬隨機噪聲的一維向量。[0011]可選的，所述利用所述逆網絡根據目標需求生成器件參數的過程包括：[0012]將所述目標需求輸入所述逆網絡，使所述逆網絡基于所述目標需求得到重構參數，對所述重構參數進行特征提取生成器件參數。[0013]可選的，所述逆網絡包括轉置卷積層和編碼解碼模塊；[0014]所述將所述目標需求輸入所述逆網絡，使所述逆網絡基于所述目標需求得到重構參數，對所述重構參數進行特征提取生成器件參數的過程包括：[0015]將所述目標需求輸入所述逆網絡；[0016]通過所述轉置卷積層基于所述目標需求進行上采樣得到重構參數；[0017]通過所述編碼解碼模塊從所述重構參數中提取特征參數，利用所述特征參數生成器件參數。[0018]可選的，所述使所述判別網絡使用所述器件參數和所述真實樣本進行對抗訓練得到第一調整參數，基于所述第一調整參數對所述逆網絡和所述判別網絡進行第一參數更新操作的過程包括：[0019]使所述判別網絡使用所述器件參數和所述真實樣本進行對抗訓練，得到所述器件參數為真實參數的概率；[0020]判斷所述概率是否為目標值；[0021]若否，獲取第一調整參數，并基于所述第一調整參數對所述逆網絡和所述判別網絡進行第一參數更新操作；[0022]若是，判定利用所述逆網絡根據所述目標電磁光譜響應生成的所述器件參數滿足真實條件。[0023]可選的，所述將滿足所述真實條件的所述器件參數輸入所述前向預測網絡得到實際電磁光譜響應之后，該器件參數獲取方法還包括：[0024]獲取所述實際電磁光譜響應和目標電磁光譜響應之間的損失函數；[0025]當所述損失函數收斂，判定所述實際電磁光譜響應和所述目標電磁光譜響應匹[0026]可選的，所述獲取所述實際電磁光譜響應和目標電磁光譜響應之間的損失函數之[0027]當所述損失函數未收斂，獲取第二調整參數；[0028]基于所述第二調整參數對所述逆網絡和所述前向預測網絡進行第二參數更新操作，直至所述實際電磁光譜響應和所述目標電磁光譜響應匹配。[0029]可選的，所述前向預測網絡和所述判別網絡均包括BN層。[0030]為解決上述技術問題，本申請還提供了一種基于神經網絡的器件參數獲取系統(tǒng)，神經網絡包括逆網絡、判別網絡和前向預測網絡，該器件參數獲取系統(tǒng)包括：[0031]第一處理模塊，用于利用所述逆網絡根據目標需求生成器件參數，所述目標需求包括目標電磁光譜響應；[0032]調整模塊，用于將所述器件參數和真實樣本輸入所述判別網絡，并使所述判別網絡使用所述器件參數和所述真實樣本進行對抗訓練得到第一調整參數，基于所述第一調整6參數對所述逆網絡和所述判別網絡進行第一參數更新操作，直至利用所述逆網絡根據所述目標電磁光譜響應生成的所述器件參數滿足真實條件；[0033]第二處理模塊，用于將滿足所述真實條件的所述器件參數輸入所述前向預測網絡得到實際電磁光譜響應，當所述實際電磁光譜響應和所述目標電磁光譜響應匹配時，輸出所述逆網絡生成的所述器件參數。[0034]為解決上述技術問題，本申請還提供了一種基于神經網絡的器件參數獲取裝置，包括：[0035]存儲器，用于存儲計算機程序；[0036]處理器，用于執(zhí)行所述計算機程序時實現如上文任意一項所述的基于神經網絡的器件參數獲取方法的步驟。[0037]為解決上述技術問題，本申請還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現如上文任意一項所述的基于神經網絡的器件參數獲取方法的步驟。[0038]本申請?zhí)峁┝艘环N基于神經網絡的器件參數獲取方法，通過逆網絡、判別網絡和前向預測網絡構成的神經網絡為目標電磁光譜響應優(yōu)化出對應的器件參數，本申請中將逆網絡和判別網絡結合對抗訓練，優(yōu)化生成的器件參數，使其接近真實參數，同時生成對抗網絡所需訓練數據集小，節(jié)省了硬件資源，提高了神經網絡的魯棒性，再將逆網絡生成的滿足真實條件的器件參數輸入前向預測網絡，實現逆網絡和前向預測網絡結合訓練，當實際電磁光譜響應和目標電磁光譜響應匹配時，再輸出逆網絡生成的器件參數，優(yōu)化生成的器件性能，在輸入為期望的目標電磁光譜響應下，輸出性能較高的器件參數。本申請還提供了一種基于神經網絡的器件參數獲取系統(tǒng)、裝置及計算機可讀存儲介質，具有和上述器件參數獲取方法相同的有益效果。附圖說明[0039]為了更清楚地說明本申請實施例，下面將對實施例中所需要使用的附圖做簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。[0040]圖1為本申請所提供的一種基于神經網絡的器件參數獲取方法的步驟流程圖；[0041]圖2為本申請所提供的一種神經網絡的結構示意圖；[0042]圖3為本申請所提供的一種編碼解碼過程的示意圖；[0043]圖4為本申請所提供的一種判別網絡訓練流程圖；[0044]圖5為本申請所提供的一種聯(lián)合網絡訓練流程圖；[0045]圖6為本申請所提供的一種數據集建立流程圖；[0046]圖7為本申請所提供的一種亞波長金屬線柵截面圖；[0047]圖8為本申請所提供的六種參考亞波長金屬線柵樣式示意圖；[0048]圖9為本申請所提供的一種前向預測網絡預訓練流程圖；[0049]圖10為本申請所提供的一種基于神經網絡的器件參數獲取結構的結構示意圖；[0050]圖11為本申請所提供的一種基于神經網絡的器件參數獲取裝置的結構示意圖；[0051]圖12為本申請所提供的另一種基于神經網絡的器件參數獲取裝置的結構示意圖。7具體實施方式[0052]本申請的核心是提供一種基于神經網絡的器件參數獲取方法、系統(tǒng)、裝置及計算機可讀存儲介質，能夠優(yōu)化生成的器件參數，使其接近真實參數，同時生成對抗網絡所需訓練數據集小，節(jié)省了硬件資源，提高了神經網絡的魯棒性，同時還能夠優(yōu)化生成的器件性能，在輸入為期望的目標電磁光譜響應下，輸出性能較高的器件參數。[0053]為使本申請實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本申請一部分實施例，而不是全部的實施例?；诒旧暾堉械膶嵤├绢I域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。[0054]請參照圖1,圖1為本申請所提供的一種基于神經網絡的器件參數獲取方法的步驟流程圖，首先對本申請所提供的神經網絡進行介紹，該神經網絡包括逆網絡、判別網絡及前向預測網絡，本申請中的器件參數具體可以指光學器件參數，該基于神經網絡的器件參數獲取方法包括：[0055]S101:利用逆網絡根據目標需求生成器件參數，目標需求包括目標電磁光譜響應；[0056]作為一種可選的實施例，利用逆網絡根據目標需求生成器件參數的過程包括：將目標需求輸入逆網絡，使逆網絡基于目標需求得到重構參數，對重構參數進行特征提取生成器件參數。編碼解碼模塊中包括編碼器和解碼器，逆網絡還包括輸出層。其中，逆網絡的輸入層用于接收目標需求，目標需求包括但不限于由目標電磁光譜響應、目標入射角、目標器件材料折射率及模擬隨機噪聲組成的一維向量，該一維向量可以采用matlab軟件生成。可以理解的是，在逆網絡中加入模擬隨機噪聲生成全尺寸圖像，可以模擬實際制作過程中，器件受工藝條件和環(huán)境擾動等因素造成的制造誤差，這樣使得網絡輸出的器件魯棒性更強。逆網絡的全連接層的層數和器件的復雜度相關，如果設計的器件結構越復雜，則需要越多的參數去擬合，對應的全連接層數也相應增加，一般為1～4層。輸入層經過全連接層后，連接轉置卷積層，其中轉置卷積的卷積核數為1,表示輸出為灰度圖片，具體的，轉置卷積層基于輸入層的目標需求進行上采樣得到重構參數，編碼解碼模塊從重構參數中提取特征參數，利用特征參數生成器件參數，將器件結構的高維離散數據轉換為低維數據，從而使得網絡在訓練過程中學習到器件的大規(guī)模拓撲特征，可以理解的是，通過編碼解碼模塊不但從整體上提高了網絡訓練過程的準確性，還以較低的空間分辨率進行訓練從而大幅降低計算成本，輸出層用于輸出基于該目標需求生成的器件參數，器件參數具體可以包括器件結構圖像。[0058]具體的，編碼解碼模塊包括編碼器和解碼器，其中，編碼器是一個神經網絡，其輸表示z和重構x。編碼解碼模塊通過多次訓練迭代優(yōu)化過程將原始x和重構×之間的差異最小化，因此，編碼解碼模塊為數據x創(chuàng)建了瓶頸，確保只有信息的主要結構化部分可以被編碼器通過并被解碼器重構，從而實現對重構參數的特征提取得到特征參數，接著由輸出層輸出器件的最終結構圖像。[0059]具體的，逆網絡能在幾秒鐘內生成數千個器件，因此可以在較低的計算成本下，使8用訓練好的逆網絡制作大型數據集，以生成不同器件參數。[0060]S102:將器件參數和真實樣本輸入判別網絡，并使判別網絡使用器件參數和真實樣本進行對抗訓練得到第一調整參數，基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作，直至利用逆網絡根據目標電磁光譜響應生成的器件參數滿足真實條件；[0061]具體的，同樣參照圖2,判別網絡具體包括一個卷積層、一個BN層、兩個全連接層以及輸出層，最后一個全連接層的神經元個數為1,輸出一個二分類結果。判別網絡使用真實樣本和逆網絡生成的器件參數作為假樣本共同進行訓練，在訓練過程中盡量使真實樣本的輸出結果為1,逆網絡生成的假樣本的輸出結果為0。經過多輪訓練后，最終生成分布和真實分布重合，從而使判別模型無法區(qū)分真實圖像和逆網絡生成的器件圖像，進而使逆網絡生成的器件參數更加接近真實器件結構，提升器件結構的性能。[0062]作為一種可選的實施例，使判別網絡使用器件參數和真實樣本進行對抗訓練得到第一調整參數，基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作的過程包括：使判別網絡使用器件參數和真實樣本進行對抗訓練，得到器件參數為真實參數的概率；判斷概率是否為目標值；若否，獲取第一調整參數，并基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作；若是，判定利用逆網絡根據目標電磁光譜響應生成的器件參數滿足真實條件。[0063]具體的，請參照圖4,圖4為使用器件參數和真實樣本對判別網絡進行對抗訓練的流程圖，包括：將器件參數作為假樣本和真實樣本輸入判別網絡進行訓練，由判別網絡判斷輸入的是真實樣本還是假樣本，判斷輸入為真實樣本的概率是否為目標值0.5,若否，得到第一調整參數進行反向傳播梯度更新，對逆網絡和判別網絡的權重值進行調整，直至逆網絡生成的器件參數滿足真實條件，即判別網絡判定輸入為真實樣本的概率為0.5,此時判定逆網絡輸出的器件參數接近器件真實結構。[0064]S103:將滿足真實條件的器件參數輸入前向預測網絡得到實際電磁光譜響應，當實際電磁光譜響應和目標電磁光譜響應匹配時，輸出逆網絡生成的器件參數。[0065]作為一種可選的實施例，將滿足真實條件的器件參數輸入前向預測網絡得到實際電磁光譜響應之后，該器件參數獲取方法還包括：獲取實際電磁光譜響應和目標電磁光譜響應之間的損失函數；當損失函數收斂，判定實際電磁光譜響應和目標電磁光譜響應匹配；當損失函數未收斂，獲取第二調整參數；基于第二調整參數對逆網絡和前向預測網絡進行第二參數更新操作，直至實際電磁光譜響應和目標電磁光譜響應匹配。[0066]具體的，當逆網絡生成的器件結構足夠真實之后，然后優(yōu)化生成器件的光譜性能，采用逆網絡和前向預測網絡進行聯(lián)合訓練，參照圖2所示，前向預測網絡包括輸入層、全連接層、BN層和輸出層，前向預測網絡中加入BN層可以加速收斂，與逆網絡結合可以解決逆問題的一對多問題。逆網絡和前向預測網絡的聯(lián)合訓練流程如圖5所示，將逆網絡的輸出層作為前向網絡的輸入層，考慮到光學器件設計的逆運算存在一對多問題，因此通過求解前向預測網絡輸出的實際電磁光譜響應和輸入逆網絡的目標電磁光譜響應之間的損失函數來完成反向傳播更新梯度，經過多次迭代后，逆網絡得到的器件結構其光譜響應會得到較大[0067]參照上文所述，在對判別網絡和前向預測網絡進行訓練時，需要用到真實樣本，基于此，本申請還包括預先構建數據集以提供判別網絡和前向預測網絡需要的真實樣本的操9[0068]具體的，可以采用COMSOL軟件構建數據集，用以訓練前向預測網絡和判別網絡，采用COMSOL軟件構建數據集的過程參照圖6所示，首先確定器件結構參數及各器件結構參數繪制二值圖像表征器件結構，再通過COMSOL仿真軟件對各表征器件結構的二值圖像進行仿真得到對應的電磁光譜響應。[0069]以器件為亞波長金屬線柵為例，器件結構包括基底和金屬線柵，如圖7所示，圖8為六種參考亞波長金屬線柵樣式，COMSOL仿真軟件需要輸入的必要器件結構參數包括但不限及空氣等介質的材料折射率等額外參數，輸出參數為對應波段的電磁響應，例如反射率譜、透過率譜或者偏振消光比曲線等光學響應。關于輸入的器件結構參數：金屬線柵的曲率r∈(0,180°),增量為5°,一共36個變量；金屬線柵旋轉角R∈(0,180°),增量為5°,一共36個變量；金屬線柵占空比f∈(0,1),增量為0.1,一共8個變量；金屬線柵厚度h根據工藝條件等一般在[20,200nm],增量為20nm,一共10個變量；周期需要亞波長條件為d<(λ/5)。根據上面或1,代表有無金屬。65°],增量5°。再根據每個波長和角度對，使用不同的結構參數的電磁光譜響應。最后根據需求設定響應閾值，高于閾值為優(yōu)質器件，低于閾值的器件則舍[0071]最終采用COMSOL生成的高質量的訓練集，該訓練集由3000張圖像組成，用于前向預測網絡和判別網絡的訓練，這個初始訓練集比傳統(tǒng)機器視覺應用中使用的訓練集要小幾個數量級。[0072]請參照圖9所示，圖9為前向預測網絡的預訓練流程，該預訓練過程為正常的神經接層和輸出層?？梢岳斫獾氖?，加入BN層可以加快網絡迭代速率，從根本上講，BN層是對不同樣本的同一特征做歸一化。設輸入為B={x?…m},學習的超參數為γ和β,輸出為y=[0073]均值mean:[0075]歸一化Normalize:[0076]縮放平移Scaleandshift:y,[0077]輸出層代表生成的電磁光譜響應，輸出層的節(jié)點個數代表將給定波段光譜圖離散利用前向預測網絡輸出的實際光譜響應和COMSOL仿真得到的光譜響應之間的損失函數完成反向傳播更新梯度，其中損失函數可以采用交叉熵損失函數(cross-entropylossfunction),具體計算公式為：[0079]L(y,y)=-ylog(y)[0081]綜上所述，本申請所提出的一種基于改進的神經網絡的器件參數獲取方法，改進的神經網絡包括逆網絡、判別網絡和前向預測網絡，可以為特定電磁光譜響應優(yōu)化出對應的器件結構，通過將逆網絡和判別網絡結合，可快速生成較大訓練集，可優(yōu)化生成的器件圖像，使其結構更接近真實圖像，提升器件的可靠性和魯棒性，同時在逆網絡中加入編碼解碼模塊，獲取器件的大規(guī)模拓撲特征，從整體上提高了網絡訓練過程的準確性，并且以較低的空間分辨率進行訓練可以大幅降低計算成本。采用加入BN層的判別網絡和前向預測網絡，加快網絡收斂速度，再將訓練后的逆網絡與前向預測網絡結合，在提升網絡輸出器件性能的基礎上，解決逆運算的一對多問題。最終所發(fā)明的神經網絡可以在輸入為期望的電磁光譜響應下，輸出性能較高的器件參數。采用本申請的方案有利于解決亞波長光學器件設計逆問題的推廣，并且在訓練好的深度學習網絡的基礎上進行微調，執(zhí)行光學器件設計的推斷任務，可以大大提升亞波長器件的設計效率。除此之外，本發(fā)明提出的方法對其它亞波長[0082]請參照圖10,圖10為本申請所提供的一種基于神經網絡的器件參數獲取系統(tǒng)的結構示意圖，神經網絡包括逆網絡、判別網絡和前向預測網絡，該器件參數[0083]第一處理模塊11,用于利用逆網絡根據目標需求生成器件參數，目標需求包括目標電磁光譜響應；[0084]調整模塊12,用于將器件參數和真實樣本輸入判別網絡，并使判別網絡使用器件參數和真實樣本進行對抗訓練得到第一調整參數，基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作，直至利用逆網絡根據目標電磁光譜響應生成的器件參數滿足真實[0085]第二處理模塊13,用于將滿足真實條件的器件參數輸入前向預測網絡得到實際電磁光譜響應，當實際電磁光譜響應和目標電磁光譜響應匹配時，輸出逆網絡生成的器件參[0086]可見，本實施例中，通過逆網絡、判別網絡和前向預測網絡構成的神經網絡為目標電磁光譜響應優(yōu)化出對應的器件參數，本申請中將逆網絡和判別網絡結合對抗訓練，優(yōu)化生成的器件參數，使其接近真實參數，同時生成對抗網絡所需訓練數據集小，節(jié)省了硬件資源，提高了神經網絡的魯棒性，再將逆網絡生成的滿足真實條件的器件參數輸入前向預測網絡，實現逆網絡和前向預測網絡結合訓練，當實際電磁光譜響應和目標電磁光譜響應匹配時，再輸出逆網絡生成的器件參數，優(yōu)化生成的器件性能，在輸入為期望的目標電磁光譜響應下，輸出性能較高的器件參數。[0087]作為一種可選的實施例，目標需求為包括目標電磁光譜響應、目標入射角、目標器件材料折射率及模擬隨機噪聲的一維向量。[0088]作為一種可選的實施例，利用逆網絡根據目標需求生成器件參數的過程包括：[0089]將目標需求輸入逆網絡，使逆網絡基于目標需求得到重構參數，對重構參數進行特征提取生成器件參數。11[0090]作為一種可選的實施例，逆網絡包括轉置卷積層和編碼解碼模塊；[0091]將目標需求輸入逆網絡，使逆網絡基于目標需求得到重構參數，對重構參數進行特征提取生成器件參數的過程包括：[0092]將目標需求輸入逆網絡；[0093]通過轉置卷積層基于目標需求進行上采樣得到重構參數；[0094]通過編碼解碼模塊從重構參數中提取特征參數，利用特征參數生成器件參數。[0095]作為一種可選的實施例，使判別網絡使用器件參數和真實樣本進行對抗訓練得到第一調整參數，基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作的過程包[0096]使判別網絡使用器件參數和真實樣本進行對抗訓練，得到器件參數為真實參數的概率；[0097]判斷概率是否為目標值；[0098]若否，獲取第一調整參數，并基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作；[0099]若是，判定利用逆網絡根據目標電磁光譜響應生成的器件參數滿足真實條件。[0100]作為一種可選的實施例，將滿足真實條件的器件參數輸入前向預測網絡得到實際電磁光譜響應之后，該器件參數獲取系統(tǒng)還包括：[0101]獲取模塊，用于獲取實際電磁光譜響應和目標電磁光譜響應之間的損失函數；[0102]第二處理模塊13,還用于當損失函數收斂，判定實際電磁光譜響應和目標電磁光譜響應匹配。[0103]作為一種可選的實施例，第二處理模塊13還用于：[0104]獲取實際電磁光譜響應和目標電磁光譜響應之間的損失函數之后，若損失函數未收斂，獲取第二調整參數；基于第二調整參數對逆網絡和前向預測網絡進行第二參數更新操作，直至實際電磁光譜響應和目標電磁光譜響應匹配。[0105]作為一種可選的實施例，前向預測網絡和判別網絡均包括BN層。[0106]請參照圖11,圖11為本申請所提供的一種基于神經網絡的器件參數獲取裝置的結構示意圖，該器件參數獲取裝置包括：[0107]存儲器21,用于存儲計算機程序；[0108]處理器22,用于執(zhí)行計算機程序時實現如上文任意一個實施例所描述的基于神經網絡的器件參數獲取方法的步驟。[0109]具體的，存儲器21包括非易失性存儲介質、內存儲器21。該非易失性存儲介質存儲有操作系統(tǒng)和計算機可讀指令，該內存儲器21為非易失性存儲介質中的操作系統(tǒng)和計算機可讀指令的運行提供環(huán)境。處理器22執(zhí)行存儲器21中保存的計算機程序時，可以實現以下步驟：利用逆網絡根據目標需求生成器件參數，目標需求包括目標電磁光譜響應；將器件參數和真實樣本輸入判別網絡，并使判別網絡使用器件參數和真實樣本進行對抗訓練得到第一調整參數，基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作，直至利用逆網絡根據目標電磁光譜響應生成的器件參數滿足真實條件；將滿足真實條件的器件參數輸入前向預測網絡得到實際電磁光譜響應，當實際電磁光譜響應和目標電磁光譜響應匹配時，輸出逆網絡生成的器件參數。[0110]可見，本實施例中，通過逆網絡、判別網絡和前向預測網絡構成的神經網絡為目標電磁光譜響應優(yōu)化出對應的器件參數，本申請中將逆網絡和判別網絡結合對抗訓練，優(yōu)化生成的器件參數，使其接近真實參數，同時生成對抗網絡所需訓練數據集小，節(jié)省了硬件資源，提高了神經網絡的魯棒性，再將逆網絡生成的滿足真實條件的器件參數輸入前向預測網絡，實現逆網絡和前向預測網絡結合訓練，當實際電磁光譜響應和目標電磁光譜響應匹配時，再輸出逆網絡生成的器件參數，優(yōu)化生成的器件性能，在輸入為期望的目標電磁光譜[0111]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現以下步驟：將目標需求輸入逆網絡，使逆網絡基于目標需求得到重構參數，對重構參數進行特征提取生成器件參數。[0112]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現以下步驟：將目標需求輸入逆網絡；通過轉置卷積層基于目標需求進行上采樣得到重構參數；通過編碼解碼模塊從重構參數中提取特征參數，利用特征參數生成器件參數。[0113]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現以下步驟：使判別網絡使用器件參數和真實樣本進行對抗訓練，得到器件參數為真實參數的概率；判斷概率是否為目標值；若否，獲取第一調整參數，并基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作；若是，判定利用逆網絡根據目標電磁光譜響應生成的器件參數滿足真實條件。[0114]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現以下步驟：獲取實際電磁光譜響應和目標電磁光譜響應之間的損失函數；當損失函數收斂，判定實際電磁光譜響應和目標電磁光譜響應匹配。[0115]作為一種可選的實施例，處理器22執(zhí)行存儲器21中保存的計算機子程序時，可以實現以下步驟：當損失函數未收斂，獲取第二調整參數；基于第二調整參數對逆網絡和前向預測網絡進行第二參數更新操作，直至實際電磁光譜響應和目標電磁光譜響應匹配。[0116]在上述實施例的基礎上，作為優(yōu)選實施方式，參見圖12,圖12為本申請實施例提供的另一種基于神經網絡的器件參數獲取裝置的結構示意圖，該基于神經網絡的器件參數獲取裝置還包括：[0117]輸入接口23,與處理器22相連，用于獲取外部導入的計算機程序、參數和指令，經處理器22控制保存至存儲器21中。該輸入接口23可以與輸入裝置相連，接收用戶手動輸入的參數或指令。該輸入裝置可以是顯示屏上覆蓋的觸摸層，也可以是終端外殼上設置的按[0118]顯示單元24,與處理器22相連，用于顯示處理器22發(fā)送的數據。該顯示單元24可以為液晶顯示屏或者電子墨水顯示屏等。[0119]網絡端口25,與處理器22相連，用于與外部各終端設備進行通信連接。該通信連接所采用的通信技術可以為有線通信技術或無線通信技術，如移動高清鏈接技術(MHL)、通用[0120]另一方面，本申請還提供了一種計算機可讀存儲介質，計算機可讀存儲介質上存儲有計算機程序，計算機程序被處理器執(zhí)行時實現如上文任意一個實施例所描述的基于神經網絡的器件參數獲取方法的步驟。[0121]具體的，本申請還提供了一種計算機可讀存儲介質，該計算機可讀存儲介質可以包括：U盤、移動硬盤、只讀存儲器(Read-OnlyMemory,ROM)、隨機存取存儲器(AccessMemory,RAM)、磁碟或者光盤等各種可以存儲程序代碼的介質。該存儲介質上存儲有計算機程序，計算機程序被處理器執(zhí)行時實現以下步驟：利用逆網絡根據目標需求生成器件參數，目標需求包括目標電磁光譜響應；將器件參數和真實樣本輸入判別網絡，并使判別網絡使用器件參數和真實樣本進行對抗訓練得到第一調整參數，基于第一調整參數對逆網絡和判別網絡進行第一參數更新操作，直至利用逆網絡根據目標電磁光譜響應生成的器件參數滿足真實條件；將滿足真實條件的器件參數輸入前向預測網絡得到實際電磁光譜響應，當實際電磁光譜響應和目標電磁光譜響應匹配時，輸出逆網絡生成的器件參數。[0122]可見，本實施例中，通過逆網絡、判別網絡和前向預測網絡構成的神經網絡為目標電磁光譜響應優(yōu)化出對應的器件參數，本申請中將逆網絡和判別網絡結合對抗訓練，優(yōu)化生成的器件參數，使其接近真實參數，同時生成對抗網絡所需訓練數據集小，節(jié)省了硬件資源，提高了神經網絡的魯棒性，再將逆網絡生成的滿足真實條件的器件參數輸入前向預測網絡，實現逆網絡和前向預測網絡結合訓練，當實際電磁光譜響應和目標電磁光譜響應匹配時，再輸出逆網絡生成的器件參數，優(yōu)化生成的器件性能，在輸入為期望的目標電磁光譜[0123]作為一種可選的實施例，計算機可讀存儲介質中存儲的計算機子程序被處理器執(zhí)行時，具體可以實現以下步驟：將目標需求輸入逆網絡，使逆網絡基于目標需求得到重構參數，對重構參數進行