Deep-Learning-for-Metasurface-Optimization: 使用TensorFlow Keras进行优化...

简介：
本项目运用TensorFlow Keras框架探索深度学习在超表面优化中的应用，致力于提升光学器件性能与设计效率。 深度学习被用于优化元表面参数，训练数据包括张量流/角点及大约5600次Lumerical模拟结果，在垂直入射光条件下进行的模拟。定义超表面特征为：1.长度（L）；2.宽度（W）；3.高度（H）；4.x方向周期性(Ux)；5.y方向周期性(Uy)。输出包括周围和整个可见光谱范围内的相位，间隔为5纳米(从450纳米到800纳米)。 我将通过PowerPoint演示这项工作，并建议在幻灯片放映模式下观看以更好地体验动画效果。此仓库中的所有内容均已获得许可发布。 背景信息：超表面被广泛应用于各种光操控领域。当前最先进的设计方法仍依赖于相对原始的“蛮力”策略，即给定所需输出时，通过多次参数扫描来寻找最接近目标值的组合。这种方法往往需要耗费大量的时间和计算资源进行仿真测试以找到最佳方案。