(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211137383.8 (22)申请日 2022.09.19 (71)申请人 中国人民解 放军国防科技大 学 地址 410003 湖南省长 沙市开福区德雅路 109号 (72)发明人 肖光宗　彭妙　杜特　熊威　韩翔　 陈鑫麟　杨俊波　谭中奇　罗晖　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 专利代理师 曾志鹏 (51)Int.Cl. G16C 60/00(2019.01) G06F 30/27(2020.01) G06F 30/23(2020.01) G06F 30/17(2020.01) (54)发明名称 一种多层膜超材料微粒和增强光力的混合 优化方法 (57)摘要 本发明涉及一种多层膜超材料微粒和增强 光力的混合优化方法， 多层膜超 材料微粒由多个 周期性结构叠加构成， 每个周期性结构由不同折 射率材料层叠加构成， 本发明的通用的多层膜超 材料微粒， 既可以模拟现有晶体的特性， 也可 以 通过设计光学常数实现全新的晶体， 将进一步扩 大光力和力矩 光子探针在光镊系统中的适用性。 此外， 采用本发明的增强光力的混合优化方法， 极大降低了光子探针设计的时间成本， 有助于光 力增强的全面研究。 权利要求书2页 说明书8页 附图5页 CN 115458091 A 2022.12.09 CN 115458091 A 1.一种多层膜超材料微粒， 其特征是， 由多个周期性结构叠加构 成， 每个周期性结构由 不同折射率材料层叠加构成。 2.如权利要求1所述的多层膜超材料微粒， 其特征是， 每个周期性结构由高折射率材料 层和低折 射率材料层叠加构成。 3.如权利要求2所述的多层膜超材料微粒， 其特征是， 高折射率材料为Si或Nb2O5， 低折 射率材料为Si3N4或SiO2。 4.如权利要求1所述的多层膜超材料微粒， 其特征是， 每个周期性结构的长度和宽度相 同。 5.如权利要求2 ‑4任一项所述的多层膜超材料微粒， 其特征是， 每个周期性结构中， 高 折射率材料的厚度占总厚度的比值ρ 为0.2， 每个周期性结构的长度和宽度W均为450nm， 每 个周期性结构的高度与宽度的比值AR为2.5 。 6.如权利要求1 ‑4任一项所述的多层膜超材料微粒， 其特征是， 所述周期性结构的总数 量为20‑25。 7.一种如权利要求1 ‑6中任一项所述的多层膜超材料微粒的增强光力的混合优化方 法， 其特征是， 所述方法包括： 对于待优化的多层膜超材料微粒的任一周期性结构， 采用有限元仿真法计算高折射率 材料层占周期性结构的厚度比值情况下， 周期性结构的宽度和高宽比与第一轴向光阱刚度 的关系， 并选取 所述第一轴向光阱刚度最佳的目标厚度比值； 基于所述目标厚度比值， 将所述宽度和高宽比构成的参数空间划分为多个网格， 任选 一网格为初始的第一网格； 从所述第一网格中随机选择第 一预设数量个点作为初始种群， 应用训练后的神经网络 代理模型计算每个点的第二轴向光阱刚度， 根据所述第二轴向光阱刚度利用粒子群优化算 法移动点， 应用训练后的所述神经网络代理模型计算移动后的点的所述第二轴向光阱刚 度， 直至得到所述第二轴向光阱刚度最大的最优点； 根据所述最优点在所述第 一网格中的位置搜索第 二网格， 并将所述第 一网格更新为所 述第二网格并进行迭代计算， 直到所述 最优点位于所述第一网格内部； 将位于所述第一网格内部的所述最优点的所述宽度和所述高宽比作为多层膜超材料 微粒的最优参数组合。 8.如权利要求7所述的增强光力的混合优化方法， 其特征是， 所述采用有限元仿真法计 算高折射率材料层占周期性结构的厚度比值情况下， 计算周期性结构的宽度和高宽比与第 一轴向光阱刚度的关系， 并选取 所述第一轴向光阱刚度最大的目标厚度比值， 包括： 在高折射率材料层占周期性结构的厚度比值、 周期性结构的宽度以及高宽比的不同的 预设范围内， 分别以不同的第一间距， 根据周期性结构的宽度和高宽比与第一轴向光阱刚 度的关系， 采用有限元仿真法计算各所述厚度比值下， 与任一所述宽度和所述高宽比对应 的第一轴向光阱刚度， 构成与各 所述厚度比值对应的各轴向光阱刚度数组； 从各所述厚度比值中， 选择 所述轴向光阱刚度数组最佳的至少一个目标厚度比值。 9.如权利要求7所述的增强光力的混合优化方法， 其特征是， 所述从所述第 一网格中随 机选择第一预设数量个点作为初始种群之前， 包括： 从所述第一网格中以第二间距选择第二预设数量个点；权　利　要　求　书 1/2 页 2 CN 115458091 A 2根据所述宽度和高宽比计算每个点的第三轴向光阱刚度， 构成每个点的包括所述宽 度、 所述高宽比以及所述第三轴向光阱刚度的数据组； 以所述第二预设数量个点作为训练集对神经网络代理模型进行训练， 获取训练后的所 述神经网络代理模型。 10.如权利要求7所述的增强光力的混合优化方法， 其特征是， 所述根据所述最优点在 所述第一网格中的位置 搜索第二网格， 包括： 判断所述 最优点在所述第一网格中的位置； 如果所述最优点位于所述第 一网格的边界， 则 搜索位于所述第 一网格的所述边界的另 一侧的第二网格。权　利　要　求　书 2/2 页 3 CN 115458091 A 3