多模干涉耦合器设计方法和装置与流程

1.本技术涉及硅基多模干涉器件设计领域，特别是涉及一种多模干涉耦合器设计方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.多模干涉(mmi)型集成光学器件基于自镜像效应(sie)，具有紧凑的结构、低插入损耗、频带宽、简单的制作工艺和良好的容差性等特点，在各领域具有广泛的应用前景。mmi在集成光学中扮演着至关重要的角色，几乎渗透到了所有复杂的器件或小系统之中。
3.然而，传统的基于正向设计的mmi方法不仅设计繁琐，而且由于算力的限制，很难在短时间内找到最优解，即使经过大量计算和试错，也难以实现所期望的功能，且也难以将其小型化和便携化。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种多模干涉耦合器设计方法、装置、计算机设备、存储介质和计算机程序产品。
5.第一方面，本技术提供了一种多模干涉耦合器设计方法，所述方法包括：
6.获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
7.基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；
8.采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
9.对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。
10.在其中一个实施例中，在所述采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型的步骤之前，所述方法还包括：
11.根据所述多模干涉耦合器的内部特征信息，构建所述待训练的耦合器设计模型中全连接层的目标函数；所述内部特征信息包括场分布和介电常数分布；
12.基于多模干涉耦合器的逆向设计方式对所述目标函数进行优化处理，得到优化后的目标函数。
13.在其中一个实施例中，在所述根据所述多模干涉耦合器的内部特征信息，构建所述待训练的耦合器设计模型中全连接层的目标函数的步骤之前，所述方法还包括：
14.获取介电常数设计信息和器件尺寸特征信息，确定参数化约束条件；
15.根据所述参数化约束条件确定所述介电常数分布。
16.在其中一个实施例中，在所述根据所述多模干涉耦合器的内部特征信息，构建所
述待训练的耦合器设计模型中全连接层的目标函数的步骤之前，所述方法还包括：
17.通过采用时域有限差分法对耦合器场分布进行仿真设计，构建得到时域有限差分数值模型；
18.根据所述时域有限差分数值模型和针对介电常数分布不同区域的仿真计算结果进行场分布数值分析，确定所述场分布。
19.在其中一个实施例中，根据如下公式对所述多模干涉耦合器的结构设计进行优化：
20.min
p
||∈
disc
(p)-∈
cont
||
21.其中，∈
disc
表示离散介电常数，∈
cont
表示连续介电常数。
22.在其中一个实施例中，所述对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，包括：
23.针对基于所述波导结构参数获得的多模干涉耦合器，通过检测指定设计区域的尺寸参数确定所述性能评估处理结果。
24.第二方面，本技术还提供了一种多模干涉耦合器设计装置，所述装置包括：
25.耦合器构件确定模块，用于获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
26.端口波长信息确定模块，用于基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；
27.模型训练模块，用于采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
28.性能评估处理模块，用于对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。
29.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
30.获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
31.基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；
32.采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
33.对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。
34.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
35.获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
36.基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；
37.采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
38.对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。
39.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现以下步骤：
40.获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
41.基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；
42.采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
43.对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。
44.上述多模干涉耦合器设计方法、装置、计算机设备、存储介质和计算机程序产品，通过获取多模干涉耦合器的目标结构信息，根据目标结构信息确定耦合器构件，然后基于耦合器构件和设计功能信息，确定针对多模干涉耦合器的端口波长信息，该端口波长信息包括输入端口的模式波长和输出端口的模式波长，采用输入端口的模式波长和输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型，该训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数，进而对基于波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到多模干涉耦合器的目标设计信息，实现了既能减小设计多模干涉耦合器的计算量，避免繁琐的人工正向设计，且保证了波导结构更好地实现期望功能，也有助于更好地实现集成化。
附图说明
45.图1为一个实施例中多模干涉耦合器设计方法的流程示意图；
46.图2为一个实施例中多模干涉耦合器逆向设计流程的示意图；
47.图3为一个实施例中深度神经网络模型的示意图；
48.图4为一个实施例中1x5多模干涉耦合器的器件示意图；
49.图5为一个实施例中1x5多模干涉耦合器的逆向设计结果的示意图；
50.图6为一个实施例中多模干涉耦合器设计装置的结构框图；
51.图7为一个实施例中计算机设备的内部结构图。
具体实施方式
52.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
53.随着通信容量的急剧增加，通信需求已经超出了以往通讯技术的能力范围，基于
wdm(波分复用)的出现，可以大大缓解通信方面的压力。其大容量、兼容性、网络灵活性、经济性和可靠性各方面表现都较出色，将波分复用技术推向了这个时代的主流，但其加工复杂是较大的难点。
54.随着神经网络发展，基于神经网络的逆向设计，可以在soi上设计出一种符合标准的soi-mmi-wdm。该soi-mmi-wdm以其高传输容量、高度集成和低功耗的特性，逐渐成为主流技术。其中，片上光波导结构由于具有体积小、成本低、易于集成化等优点受到用户越来越多的青睐。然而，传统的soi-mmi-wdm器件因其较大尺寸而受到严重的限制，由于逆向设计方法能够在亚波长尺度上实现高度灵活的折射率剪裁和卓越的光场操纵能力，为实现超小型、高性能、多功能的片上集成光子器件提供了极大的可能性。
55.目前已有研究尝试通过反向设计来缩小光电子器件的尺寸，为了进一步缩小尺寸、提高性价比，相应的光电集成方案在多个领域展现出良好的表现。其中，一种有效的解决方案是使用硅基半导体材料来制造光电子器件，其为基于硅的新型单片集成光子器件提供了潜在可能性。硅材料可以被用于作为芯片基底，但由于其自身材料和结构特性的限制，直接在其上加工出高性能的有源器件是一项具有挑战性的任务，需要借助片上输入输出器件实现外部光源与硅波导之间的耦合，以解决这一问题。在soi上，单模波导和标准单模光纤(smf)的横截面积存在显著差异，这种模场失配将导致光通信系统难以承受的超高损耗。在改善传输速率方面，通过合理选择不同尺寸和形状的波导成为当前研究的热点；为确保高质量信号传输，设计高耦合效率(ce)和宽带的耦合器是其中的重要措施，但随着模式阶数的增加，也给设计带来了更多挑战。
56.多模干涉(mmi)型集成光学器件基于自镜像效应(sie)，具有紧凑的结构、低插入损耗、频带宽、简单的制作工艺和良好的容差性等特点，在各个领域具有广泛的应用前景。除了基本的m
×
n(m、n可以取不同的整数)耦合器，还可以设计出具备3db耦合和干涉功能的耦合器单元，以进一步提高系统的性能。在实现上述两种基本功能的基础上，还可进一步通过改变结构参数或引入新元件而得到多种复合结构形式。1
×
n光功分器、n
×
1光合波器、te/tm模式分离器和模式转换器等器件可用作马赫-曾德干涉仪(mzi)型光开关、粗波分复用/解复用器、相位阵列波分复用/解复用器、波长选择性光开关、多信道上下载光复用器、半导体环形激光器、环形振荡器和相干光横向滤波器等操作性更强的光波导器件的组成部分。mmi在集成光学中扮演着至关重要的角色，几乎渗透到了所有复杂的器件或小系统之中。
57.然而，传统的基于正向设计的mmi方法不仅设计繁琐，而且由于算力的限制，较难在短时间内找到最优解，即使经过大量计算和试错，也难以实现期望的功能，同时也难以将其小型化和便携化。
58.随着对光学系统性能的要求不断提高，为了克服传统设计方法的限制，本技术采用了设计深度学习的理念，以提升设计的灵活性。神经网络经过大量训练后，其所能达到的计算量巨大，通过运用神经网络和逆向设计，本技术可以实现所期望的mmi方案。
59.在一个实施例中，如图1所示，提供了一种多模干涉耦合器设计方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
60.步骤101，获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
61.在实际应用中，可以根据多模干涉耦合器的结构(即目标结构信息)确定其基本构件(即耦合器构件)，进一步设计输入端口与输出端口的模式波长。
62.步骤102，基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；
63.在具体实现中，可以根据确定的多模干涉耦合器基本构件与期望实现的功能(即设计功能信息)，设计输入端口与输出端口的模式波长，如图2所示，根据多模干涉耦合器结构和功能，可以确定相应的输入输出值，即输入端口的模式波长和输出端口的模式波长。
64.步骤103，采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
65.在设计输入端口与输出端口的模式波长后，可以将输入端口的模式波长作为深度神经网络(即待训练的耦合器设计模型)的输入，并将输出端口的模式波长作为该深度神经网络的输出，进而可以通过训练得到逆向设计后的波导结构参数。
66.在一示例中，在众多光学设计模式中，利用计算视觉技术进行优化设计已经受到越来越广泛的关注。随着计算机运算能力的不断提升以及多种算法的涌现，光学设计与人工智能的交叉已成为硅光领域备受瞩目的热门话题，为信息光学的设计提供了更为广阔的发展空间。在众多设计手段和技术中，深度学习具有强大的信息处理功能、快速的处理效率以及较高的预测精度等优势，得到了广泛的研究。深度学习(deep learning，dl)是一种重要的机器学习方法，其中的深度神经网络(deep neural network，dnn)可以用于更好地理解和处理数据，提高机器学习的效率和精度，可以将该类型模型应用于描述光子结构与其光学特性之间的物理相互作用。
67.在一个可选实施例中，如图3所示，针对多模干涉耦合器逆向设计的深度神经网络可以采用如下构建方法：
68.1、可以根据期望实现的功能或目标，确定多模干涉耦合器输入端口与输出端口的模式波长，然后可以将输入端口的模式波长作为深度神经网络的输入，并将输出端口的模式波长作为深度神经网络的输出；
69.2、可以设计全连接层，根据多模干涉耦合器的特征参数定义深度神经网络中全连接层的优化目标的目标函数，进而可以使得目标函数模型能够更好的描述多模干涉耦合器的结构特征，其中，特征参数可以包含多模干涉耦合器内部的场分布、参数化向量表示的介电常数分布，以及输入端口、波导、输出端口的尺寸特征。
70.在又一示例中，可以根据多模干涉耦合器的结构，设计输入端口与输出端口的模式波长，如图4所示，对于1x5的多模干涉耦合器，可以将1个输入端口的模式波长作为深度神经网络的输入，并可以将5个输出端口的模式波长作为该深度神经网络的输出，进而可以通过训练得到逆向设计后的波导结构参数。
71.步骤104，对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。
72.示例性地，如图2所示，在得到逆向设计后的波导结构后，可以通过对该波导结构
进行性能评估来确认该结构能否实现预期的性能目标，进而可以得到如图5所示的1x5多模干涉耦合器的逆向设计结果。从而能够大大减小人工设计多模干涉耦合器结构参数的计算量，提高了设计效率，在便于集成的同时也能更好的实现期望功能的多模干涉耦合器。
73.相较于传统方法，本实施例的技术方案，基于深度神经网络与时域有限差分法的多模干涉耦合器设计新方法，可以将深度学习理论、逆向设计和fdtd时域有限差分引入到多模干涉耦合器的设计中。通过训练神经网络和深度学习，可以将传统正向设计颠倒过来，使用基于优化算法的逆向设计来获取器件结构和参数，只需输入所需得到的结构参数，基于神经网络可以得到所需的结构参数输出。该逆向设计方法的实现不仅可以大大简化正向设计中计算量巨大的问题，还可以解决光子器件设计的自身问题；基于神经网络，还可以大大降低计算量、缩短设计时长并获得更准确的参数方案；使得既能减小设计多模干涉耦合器的计算量，避免进行繁琐的人工正向设计，又保证了波导可以更好地实现期望实现的功能，且有利于其更好地实现集成化。
74.上述多模干涉耦合器设计方法中，通过获取多模干涉耦合器的目标结构信息，根据目标结构信息确定耦合器构件，然后基于耦合器构件和设计功能信息，确定针对多模干涉耦合器的端口波长信息，采用输入端口的模式波长和输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型，进而对基于波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到多模干涉耦合器的目标设计信息，实现了既能减小设计多模干涉耦合器的计算量，避免繁琐的人工正向设计，且保证了波导结构更好地实现期望功能，也有助于更好地实现集成化。
75.在一个实施例中，在所述采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型的步骤之前，还可以包括如下步骤：
76.根据所述多模干涉耦合器的内部特征信息，构建所述待训练的耦合器设计模型中全连接层的目标函数；所述内部特征信息包括场分布和介电常数分布；基于多模干涉耦合器的逆向设计方式对所述目标函数进行优化处理，得到优化后的目标函数。
77.在实际应用中，针对深度神经网络(即待训练的耦合器设计模型)的全连接层函数)，可以基于多模干涉耦合器结构参数的目标函数设计思路，通过定义深度神经网络内部全连接层的优化目标的目标函数，该目标函数可以包含多模干涉耦合器内部的场分布、参数化向量表示的介电常数分布以及输入端口、波导、输出端口的尺寸特征。
78.可选地，波导部分可以是基于220nm的soi设计的mmi器件，折射率为3.5，设计面积为2μm*2μm，输入和输出的波导宽度可以为400nm。
79.在一示例中，在优化目标函数时可以根据优化目标的不同进行相应改动，在确定参数化介电常数和多模干涉耦合器内部场分布后，可以选择合适的优化方法对目标函数进行优化，例如，以实施多模干涉耦合器的逆向设计为例，可以采用梯度下降法将多模干涉耦合器的设计问题转化为一个新的最优化模型并求解，进而可以得到设计最优解。
80.在一个实施例中，在所述根据所述多模干涉耦合器的内部特征信息，构建所述待训练的耦合器设计模型中全连接层的目标函数的步骤之前，所述方法还包括，还可以包括如下步骤：
81.获取介电常数设计信息和器件尺寸特征信息，确定参数化约束条件；根据所述参
数化约束条件确定所述介电常数分布。
82.在具体实现中，本技术的参数化介电常数不同于传统设计中直接优化介电常数分布，即控制空间各点的介电常数分布值，考虑到多模干涉耦合器由多种不同材料组成，介电常数只能取某些离散值，器件自下而上的光刻技术的制造工艺也要求垂直方向上的介电常数相同。基于考虑到上述问题，并结合器件的最小尺寸特征，可以通过适当的参数化处理以更自然地施加制造约束。
83.在一个实施例中，在所述根据所述多模干涉耦合器的内部特征信息，构建所述待训练的耦合器设计模型中全连接层的目标函数的步骤之前，所述方法还包括，还可以包括如下步骤：
84.通过采用时域有限差分法对耦合器场分布进行仿真设计，构建得到时域有限差分数值模型；根据所述时域有限差分数值模型和针对介电常数分布不同区域的仿真计算结果进行场分布数值分析，确定所述场分布。
85.在具体实现中，对场分布进行数值分析时，需要考虑介质材料的介电系数随频率变化的特性，如图2所示，可以通过时域有限差分法对场分布进行仿真设计，并结合麦克斯韦方程组构建时域有限差分数值模型，进而可以针对多模干涉耦合器介电常数分布不同的区域进行仿真计算，得到多模干涉耦合器的离散结构参数。
86.在一示例中，考虑到针对多模干涉耦合器预期实现的子功能之间存在串扰，可以通过时域有限差分法对场分布进行仿真设计，结合麦克斯韦方程组构建时域有限差分数值模型建立多模干涉耦合器内部的多层结构关系，确定在特定波长下不同折射率分布的材料之间的相对位置关系，进而可以针对多模干涉耦合器介电常数分布不同的区域进行仿真计算，得到多模干涉耦合器的离散结构参数。
87.在又一示例中，本实施例通过采用多模干涉耦合器的逆向设计方法，将深度学习、逆向设计最优化算法以及fdtd时域有限差分理论引入到多模干涉耦合器的设计中，基于深度神经网络dnn以及时域有限差分法相融合的多模干涉耦合器逆向设计，将输入模式波长以及输出模式波长作为参数输入深度神经网络dnn，并将输出模式波长作为目标函数训练输出，进而通过最优化算法和时域有限差分得到逆向设计后的波导结构参数，从而使得该波导结构可以匹配输入输出的模式波长；既能减小设计多模干涉耦合器的计算量，避免进行繁琐的人工正向设计，又保证了波导可以更好地实现期望功能，同时有利于其更好地实现集成化。
88.在一个实施例中，根据如下公式对所述多模干涉耦合器的结构设计进行优化：
89.min
p
||∈
disc
(p)-∈
cont
||
90.其中，∈
disc
表示离散介电常数，∈
cont
表示连续介电常数。
91.在一示例中，在设计出多模干涉耦合器的离散结构后，若直接对有制造约束的离散器件结构进行优化可能产生较差结果，通过采用优化离散化方法，对多模干涉耦合器的结构设计进行优化，可以解决受制于结构约束的优化问题。由于该优化问题不依赖于场，则可以快速优化，该方法的最终效果取决于参数化介电常数的选择。
92.在一个实施例中，所述对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，可以包括如下步骤：
93.针对基于所述波导结构参数获得的多模干涉耦合器，通过检测指定设计区域的尺
寸参数确定所述性能评估处理结果。
94.在实际应用中，在设计可制造的器件之前，需要检查给定的设计区域是否足够大，以实现预期的性能目标。为了解决该问题，在得到逆向设计后的波导结构后，可以通过对该波导结构进行性能评估来确认该结构能否实现预期的性能目标，如可以使用直接参数化的方法，器件区域的每个像素的介电常数均可以独立控制，且可以采取一个连续值。由于这个问题的设计空间相比可制造的器件的设计空间较大，该优化结果可以提供对具有这种设计区域的器件的性能上限进行估计。
95.在一个实施例中，提供了另一种多模干涉耦合器设计方法的流程示意图。
96.本实施例中，该方法包括以下步骤：
97.在步骤一中，获取多模干涉耦合器的目标结构信息，根据目标结构信息确定耦合器构件，基于耦合器构件和设计功能信息，确定针对多模干涉耦合器的输入端口的模式波长和输出端口的模式波长。在步骤二中，获取介电常数设计信息和器件尺寸特征信息，确定参数化约束条件，根据参数化约束条件确定介电常数分布。在步骤三中，通过采用时域有限差分法对耦合器场分布进行仿真设计，构建得到时域有限差分数值模型。在步骤四中，根据时域有限差分数值模型和针对介电常数分布不同区域的仿真计算结果进行场分布数值分析，确定场分布。在步骤五中，根据多模干涉耦合器的内部特征信息，构建待训练的耦合器设计模型中全连接层的目标函数。在步骤六中，基于多模干涉耦合器的逆向设计方式对目标函数进行优化处理，得到优化后的目标函数。在步骤七中，采用输入端口的模式波长和输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型。在步骤八中，针对基于波导结构参数获得的多模干涉耦合器，通过检测指定设计区域的尺寸参数确定性能评估处理结果，根据性能评估处理结果得到多模干涉耦合器的目标设计信息。需要说明的是，上述步骤的具体限定可以参见上文对一种多模干涉耦合器设计方法的具体限定，在此不再赘述。
98.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
99.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的多模干涉耦合器设计方法的多模干涉耦合器设计装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个多模干涉耦合器设计装置实施例中的具体限定可以参见上文中对于多模干涉耦合器设计方法的限定，在此不再赘述。
100.在一个实施例中，如图6所示，提供了一种多模干涉耦合器设计装置，包括：
101.耦合器构件确定模块601，用于获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
102.端口波长信息确定模块602，用于基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出
端口的模式波长；
103.模型训练模块603，用于采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
104.性能评估处理模块604，用于对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。
105.在一个实施例中，所述装置还包括：
106.目标函数构建模块，用于根据所述多模干涉耦合器的内部特征信息，构建所述待训练的耦合器设计模型中全连接层的目标函数；所述内部特征信息包括场分布和介电常数分布；
107.目标函数优化模块，用于基于多模干涉耦合器的逆向设计方式对所述目标函数进行优化处理，得到优化后的目标函数。
108.在一个实施例中，所述装置还包括：
109.参数化约束条件确定模块，用于获取介电常数设计信息和器件尺寸特征信息，确定参数化约束条件；
110.介电常数分布得到模块，用于根据所述参数化约束条件确定所述介电常数分布。
111.在一个实施例中，所述装置还包括：
112.时域有限差分数值模型构建模块，用于通过采用时域有限差分法对耦合器场分布进行仿真设计，构建得到时域有限差分数值模型；
113.场分布确定模块，用于根据所述时域有限差分数值模型和针对介电常数分布不同区域的仿真计算结果进行场分布数值分析，确定所述场分布。
114.在一个实施例中，所述装置根据如下公式对所述多模干涉耦合器的结构设计进行优化：
115.min
p
||∈
disc
(p)-∈
cont
||
116.其中，∈
disc
表示离散介电常数，∈
cont
表示连续介电常数。
117.在一个实施例中，所述性能评估处理模块604包括：
118.检测子模块，用于针对基于所述波导结构参数获得的多模干涉耦合器，通过检测指定设计区域的尺寸参数确定所述性能评估处理结果。
119.上述多模干涉耦合器设计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
120.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间
交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种多模干涉耦合器设计方法。
121.本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
122.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
123.获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
124.基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；
125.采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
126.对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。
127.在一个实施例中，处理器执行计算机程序时还实现上述其他实施例中的多模干涉耦合器设计方法的步骤。
128.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
129.获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
130.基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；
131.采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
132.对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。
133.在一个实施例中，计算机程序被处理器执行时还实现上述其他实施例中的多模干涉耦合器设计方法的步骤。
134.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
135.获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
136.基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；
137.采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；
138.对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评
估处理结果得到所述多模干涉耦合器的目标设计信息。
139.在一个实施例中，计算机程序被处理器执行时还实现上述其他实施例中的多模干涉耦合器设计方法的步骤。
140.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
141.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
142.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
143.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种多模干涉耦合器设计方法，其特征在于，所述方法包括：获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。2.根据权利要求1所述的方法，其特征在于，在所述采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型的步骤之前，所述方法还包括：根据所述多模干涉耦合器的内部特征信息，构建所述待训练的耦合器设计模型中全连接层的目标函数；所述内部特征信息包括场分布和介电常数分布；基于多模干涉耦合器的逆向设计方式对所述目标函数进行优化处理，得到优化后的目标函数。3.根据权利要求2所述的方法，其特征在于，在所述根据所述多模干涉耦合器的内部特征信息，构建所述待训练的耦合器设计模型中全连接层的目标函数的步骤之前，所述方法还包括：获取介电常数设计信息和器件尺寸特征信息，确定参数化约束条件；根据所述参数化约束条件确定所述介电常数分布。4.根据权利要求2所述的方法，其特征在于，在所述根据所述多模干涉耦合器的内部特征信息，构建所述待训练的耦合器设计模型中全连接层的目标函数的步骤之前，所述方法还包括：通过采用时域有限差分法对耦合器场分布进行仿真设计，构建得到时域有限差分数值模型；根据所述时域有限差分数值模型和针对介电常数分布不同区域的仿真计算结果进行场分布数值分析，确定所述场分布。5.根据权利要求1所述的方法，其特征在于，根据如下公式对所述多模干涉耦合器的结构设计进行优化：min
p
||∈
disc
(p)-∈
cont
||其中，∈
disc
表示离散介电常数，∈
cont
表示连续介电常数。6.根据权利要求1所述的方法，其特征在于，所述对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，包括：针对基于所述波导结构参数获得的多模干涉耦合器，通过检测指定设计区域的尺寸参数确定所述性能评估处理结果。7.一种多模干涉耦合器设计装置，其特征在于，所述装置包括：耦合器构件确定模块，用于获取多模干涉耦合器的目标结构信息，根据所述目标结构信息确定耦合器构件；
端口波长信息确定模块，用于基于所述耦合器构件和设计功能信息，确定针对所述多模干涉耦合器的端口波长信息；所述端口波长信息包括输入端口的模式波长和输出端口的模式波长；模型训练模块，用于采用所述输入端口的模式波长和所述输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；所述训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；性能评估处理模块，用于对基于所述波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到所述多模干涉耦合器的目标设计信息。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种多模干涉耦合器设计方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取多模干涉耦合器的目标结构信息，根据目标结构信息确定耦合器构件；基于耦合器构件和设计功能信息，确定针对多模干涉耦合器的端口波长信息；采用输入端口的模式波长和输出端口的模式波长对待训练的耦合器设计模型进行模型训练，得到训练后的耦合器设计模型；训练后的耦合器设计模型包含有基于逆向设计得到的波导结构参数；对基于波导结构参数获得的多模干涉耦合器进行性能评估处理，根据性能评估处理结果得到多模干涉耦合器的目标设计信息。采用本方法能够减小设计多模干涉耦合器的计算量，提高了设计效率，有助于更好地实现集成化。实现集成化。实现集成化。


技术研发人员：戴甲水 郝良收 蒋益 庄志发 张天勇 雷朝煜 朱星钊 童凯 江海 熊银武 赵晓斌 袁智勇 侯婷 王金玉 辛清明 邹常跃 李凌飞
受保护的技术使用者：中国南方电网有限责任公司超高压输电公司天生桥局
技术研发日：2023.07.31
技术公布日：2023/10/19