基于深度学习的透射型偏振转换超表面设计

张景珩1，陈琳豪1，丁国文1,2,3，罗歆瑶1,王身云1,2（1南京信息工程大学电子与信息工程学院；2南京信息工程大学应用电磁学研究中心；3南京大学电子科学与工程学院）

摘要：提出了一种基于深度学习的超表面设计方法。该方法基于深度神经网络（DNN）生成透射偏振转换波所需的单元结构参数。在其工作频点上，单元结构的传输幅度超过0.9。所设计的偏振转换器基于单层介质结构，且介质厚度被限定在一定范围内，在实现高性能的同时兼具结构易加工、低成本等特性。针对数据库所涉及的频段范围，该方法可以逆向预测传输幅度超过0.9 的任意频点所对应的单元结构参数。为验证其有效性，以0.5 GHz 为间隔展示了7 个模型。其中，10.0 GHz 对应的模型介质厚度仅为0.82 mm（0.027λ0，λ0=30 nm），实现了超薄结构设计，且该转换器对入射线偏振方位角具有不敏感性。基于神经网络的偏振转换器得到的实际频点与目标频点的误差小于0.03 GHz。此外，制作了样品并进行实验测试，仿真结果与实验结果之间具有良好的一致性，进一步验证了所提设计方法的可靠性与实用性。

关键词：超表面；偏振转换；深度学习；神经网络