买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京大学申请的专利基于CVAE和PSO的纳米光子超材料结构逆向设计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119494270B 。

龙图腾网通过国家知识产权局官网在2025-10-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411570143.6，技术领域涉及：G06F30/27；该发明授权基于CVAE和PSO的纳米光子超材料结构逆向设计方法是由王琼;郭鹏;张清源;王昱;杨冰艳;柏业超设计研发完成，并于2024-11-06向国家知识产权局提交的专利申请。

本基于CVAE和PSO的纳米光子超材料结构逆向设计方法在说明书摘要公布了：本发明属于超材料设计领域，具体涉及一种基于CVAE和PSO的纳米光子超材料结构逆向设计方法；所述方法具体步骤为S1.构建数据集；S2.将数据集分割为80％的训练集、10％的验证集和10％的测试集；S3.构建正向预测网络模型，并进行迭代循环训练；S4.构建条件变分自编码器网络模型；S5.将训练集中编码矩阵及反射光谱向量作为数据对送入条件变分自编码器网络模型，进行迭代循环训练；S6.通过粒子群优化算法寻找最优的潜在向量，将潜在向量与反射光谱向量拼接后输入条件变分自编码器网络模型得到候选设计结构，并利用正向预测网络模型进行筛选；本发明解决了现有技术反向设计中设计多样性不足与精确度不高难以平衡的问题。

本发明授权基于CVAE和PSO的纳米光子超材料结构逆向设计方法在权利要求书中公布了：1.一种基于CVAE和PSO的纳米光子超材料结构逆向设计方法，其特征在于，具体步骤为： S1.构建数据集，所述数据集包括基础灰度图像转换成的二值编码矩阵以及电磁反射光谱向量； S2.将S1中构建的数据集，分割为80%的训练集、10%的验证集和10%的测试集； S3.构建正向预测网络模型，将训练集送入正向预测网络的模型进行迭代循环训练，训练完成后固定正向预测网络模型参数； S4.构建条件变分自编码器网络模型，包括编码网络和解码网络，初始化网络参数； S5.将训练集中二值编码矩阵及反射光谱向量作为数据对送入条件变分自编码器网络模型，进行迭代循环训练； S6.通过粒子群优化算法寻找最优的潜在向量，将潜在向量与反射光谱向量拼接后输入条件变分自编码器网络模型得到候选设计结构，并利用正向预测网络模型进行筛选，即得逆向设计材料图案； 所述S1中，构建数据集的具体步骤为： S11.通过纳米光子超材料单元收集十字形、H型，开口环、椭圆、领结、L型、矩形、弧型八种形状灰度图案样本，进一步将灰度图案转换成64×64二值编码矩阵，构建对应的电磁超表面单元，送入电磁仿真软件得到对应的电磁响应反射光谱曲线，频率范围设置为60~160Thz；其中，电磁反射光谱包括三种线极化反射，包括x与y方向同极化入射的反射系数Rxx和Ryy以及交叉极化入射波的反射系数Rxy； S12.将64×64二值编码矩阵作为正向预测网络输入，同时也是作为条件变分自编码器输入的其中之一； S13.对三类电磁反射光谱Rxx、Ryy、Rxy曲线进行采样间隔为2Thz的均匀频率采样，分别表示为51维向量，继续把3个51维向量进行拼接，最终得到长为153维的反射光谱向量，所述反射光谱向量既作为正向预测网络数据集的标签，同时也是作为条件变分自编码器模型输入的其中之一； 所述S3中，具体步骤为： 构建正向预测网络模型，所述正向预测网络模型由特征提取网络与三个并行的光谱预测模块组成，特征提取网络用于提取编码矩阵特征，输出512维的特征向量，并行光谱预测模块接受512维向量，分别输出51维的Rxx、Ryy、Rxy向量，最终合并拼接构成网络的输出； 所述S4中，具体步骤为： 条件变分自编码器的编码器包含特征提取网络采用了ResNet34的主干卷积网络模块，接受输入153维反射光谱向量与64×64×1的编码矩阵向量，生成后验概率分布参数的20维均值向量和方差向量，在解码器由转置卷积层构成，将重参数化后的20维潜在空间向量与反射光谱拼接后作为输入经过解码器转置卷积后会生成64×64×1的结构矩阵张量； 所述S5中，迭代循环训练具体步骤为： S51.将训练集的编码矩阵-反射光谱向量以成对形式送入编码器的特征提取网络，得到512维的紧凑特征向量，该向量通过两层密集层之后分别输出近似后验分布的20维统计参数均值向量与对数方差向量； S52.通过重采样方式，获取潜在空间向量z； S53.将S52中获得的潜在空间向量与153维的反射光谱向量进行拼接，随后送入解码器的重构网络中生成重构的超材料设计编码矩阵； S54.通过重构网络输出的编码矩阵图案计算重构误差，以及编码器输出的统计参数计算KL散度误差，并进行反向传播算法更新条件变分自编码器的网络参数； 所述S6中，通过粒子群优化算法寻找最优的潜在向量的具体步骤为： S61.给定预期反射光谱，从标准正态分布中随机采样20维潜在向量z，并拼接预期反射光谱和20维潜在向量z，送入重构网络得到候选设计； S62.通过正向预测模型，预测候选设计的反射光谱，保留与真实的反射光谱均方误差小于的样本作为随机采样最终设计结果； S63.粒子群优化算法将20维潜在向量视作粒子，首先初始化粒子的位置和速度，设置个体最优和全局最优的初始值; S64.迭代更新，根据粒子当前位置，使用解码器获取图像预测，通过前向预测网络计算预测反射光谱；评估更新过程包括利用预测光谱与预期光谱间的误差来更新粒子适应度，包括个体最优和全局最优，并将符合阈值条件的样本保留; S65.达到最大迭代次数或者搜索到足够数量的有效样本后终止。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。