超表面结构生成方法、装置、设备及存储介质

技术领域

本申请涉及电磁超表面结构设计领域，尤其涉及一种超表面结构生成方法、装置、设备及存储介质。

背景技术

随着全球低碳减排的兴起，Low-E玻璃(Low-Emissivity, 低辐射玻璃)被广泛应用于建筑幕墙及汽车玻璃。相较于传统玻璃，其通过金属镀膜的方式减少红外线的热辐射，起到节能的作用，然而，Low-E玻璃阻隔了毫米波的透射，造成了室外基站的毫米波信号无法进入室内的情况。

目前，电磁超表面可以解决Low-E玻璃阻隔信号的问题，超表面原理是通过在基底表面刻蚀特殊设计的二维或三维结构，在复杂的电磁耦合等物理效应下，达到增强电磁波透射的作用，在相关技术中，一般采用基于变分自编码器（VAE）和基于生成对抗网络（GAN）及其变体来逆向设计自由结构超表面，然而，基于VAE的方法存在需要平衡重建误差，生成的结果模糊、不准确，在基于GAN的方法中，由于GAN的对抗过程要求生成器和判别器两个网络需要实力相当并达到动态纳什均衡，模型存在不稳定性，导致模型无法准确生成符合需求的超表面结构。

发明内容

本申请的主要目的在于提供一种超表面结构生成方法、装置、设备及存储介质，旨在解决相关技术中，采用基于变分自编码器（VAE）和基于生成对抗网络（GAN）及其变体来逆向设计自由结构超表面，由于模型存在不稳定性，导致模型无法准确生成符合需求的超表面结构的技术问题。

为实现上述目的，本申请实施例提供了一种超表面结构生成方法，所述方法包括：

获取目标电磁响应参数，所述目标电磁响应参数为待生成超表面结构的对应参数；

将所述目标电磁响应参数输入至预设扩散概率模型，基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构，其中，所述预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概率模型中所输入随机变量以及所述目标电磁响应参数进行迭代去噪，并生成所述目标超表面结构。

在本申请的一种可能的实施方式中，所述将所述目标电磁响应参数输入至预设扩散概率模型的步骤之前，包括：

采集多个单层超表面结构对应的单层电磁响应；

对各所述单层电磁响应进行整合处理，得到多层电磁响应；

基于所述多层电磁响应对应的多层结构数据集，对待训练的扩散概率模型进行迭代训练，得到预设扩散概率模型。

在本申请的一种可能的实施方式中，所述对各所述单层电磁响应进行整合处理，得到多层电磁响应的步骤，包括：

选取所述单层电磁响应所对应参数中预设个数的单层电磁响应参数；

将各所述单层电磁响应参数转换为第一矩阵数据，并将多个所述第一矩阵数据相乘，得到多层矩阵；

将所述多层矩阵进行数据结构转换，得到多层电磁响应；

或者，

提取所述单层电磁响应所对应的单层电磁响应参数；

将所述单层电磁响应参数转换为等效介电常数和磁导率参数，基于预设传递矩阵算法，对所述等效介电常数和所述磁导率参数进行拼接处理，得到多层电磁响应。

在本申请的一种可能的实施方式中，所述基于所述多层电磁响应对应的多层结构数据集，对待训练的扩散概率模型进行迭代训练，得到预设扩散概率模型的步骤，包括：

从所述多层结构数据集中提取多个样本数据，并对所述样本数据进行预处理，得到预处理数据；

将所述预处理数据和预设时间点输入至预设扩散概率模型，基于所述预设扩散概率模型，对预设时间点和所述预处理数据进行融合处理，得到预测噪声数据；

根据所述预测噪声数据与实际噪声数据之间的误差结果，对所述预设扩散概率模型进行迭代训练，直至所述误差结果满足预设误差阈值需求。

在本申请的一种可能的实施方式中，所述基于所述预设扩散概率模型，对预设时间点和所述预处理数据进行融合处理，得到预测噪声数据的步骤，包括：

基于所述预设扩散概率模型，将预设时间点与所述预处理数据进行特征提取，得到时间特征数据和电磁响应特征数据；

将所述时间特征数据和所述电磁响应特征数据输入至神经网络中的采样网络，基于所述采样网络，对所述时间特征数据和所述电磁响应特征数据进行融合，输出预测噪声数据。

在本申请的一种可能的实施方式中，所述基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构的步骤，包括：

基于所述预设扩散概率模型，从预设高斯分布矩阵中采集第一随机变量；

对所述第一随机变量和所述目标电磁响应参数进行计算，输出目标超表面结构。

在本申请的一种可能的实施方式中，所述对所述第一随机变量和所述目标电磁响应参数进行计算，输出目标超表面结构的步骤，包括：

对所述第一随机变量和所述目标电磁响应参数进行计算处理，得到条件去噪矩阵，并对所述第一随机变量和预设非条件标签向量进行计算处理，得到非条件去噪矩阵；

对所述条件去噪矩阵和所述非条件去噪矩阵以预设比例进行计算处理，输出计算结果；

基于第一预设算法，对所述计算结果进行计算，输出目标超表面结构。

本申请还提供一种超表面结构生成装置，所述超表面结构生成装置还包括：

获取模块，用于获取目标电磁响应参数，所述目标电磁响应参数为待生成超表面结构的对应参数；

处理模块，用于将所述目标电磁响应参数输入至预设扩散概率模型，基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构，其中，所述预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概率模型中所输入随机变量以及所述目标电磁响应参数进行迭代去噪，并生成所述目标超表面结构。

本申请还提供一种超表面结构生成设备，所述超表面结构生成设备为实体节点设备，所述超表面结构生成设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述超表面结构生成方法的程序，所述超表面结构生成方法的程序被处理器执行时可实现如上述所述超表面结构生成方法的步骤。

为实现上述目的，还提供一种存储介质，所述存储介质上存储有超表面结构生成程序，所述超表面结构生成程序被处理器执行时实现上述任一所述的超表面结构生成方法的步骤。

本申请提供了一种超表面结构生成方法、装置、设备及存储介质，与相关技术中，采用基于变分自编码器（VAE）和基于生成对抗网络（GAN）及其变体来逆向设计自由结构超表面，由于模型存在不稳定性，模型无法准确生成符合需求的超表面结构相比，在本申请中，通过采集目标电磁响应参数；通过预设扩散概率模型对目标电磁响应参数进行处理，输出目标超表面结构，由于预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概率模型中所输入随机变量以及所述目标电磁响应参数进行迭代去噪，并生成所述目标超表面结构，仅使用单个神经网络结构，避免了常用的生成对抗网络GAN的对抗过程带来的训练不稳定性，同时，使用简单的预测噪声扩散的过程，也避免了变分自编码器VAE所需要平衡重建误差和KL散度而带来的生成模糊的问题，从而可以准确生成符合需求的超表面结构。

附图说明

图1为本申请超表面结构生成方法的第一实施例的流程示意图；

图2为本申请超表面结构生成方法涉及的整体实施流程示意图；

图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图；

图4为本申请超表面结构生成方法涉及的单层超表面结构拼接多层超表面结构的流程示意图；

图5为本申请超表面结构生成方法涉及的预设扩散概率模型的处理流程示意图；

图6为本申请超表面结构生成方法涉及的装置结构示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供一种超表面结构生成方法，在本申请超表面结构生成方法的第一实施例中，参照图1，所述方法包括以下步骤：

步骤S10，获取目标电磁响应参数，所述目标电磁响应参数为待生成超表面结构的对应参数；

需要说明的是，超表面结构生成方法可以应用于超表面结构生成装置，超表面结构生成装置属于超表面结构生成系统，该超表面结构生成系统属于超表面结构生成设备。

需要说明的是，本方法的执行主体为超表面结构生成系统，该超表面结构生成系统包括预设扩散概率模型，通过采集相关的目标电磁响应参数，并将目标电磁响应参数输入至预设扩散概率模型，通过模型对该参数进行处理，从而生成超表面结构对应的二维图像或三维模型。

需要说明的是，目标电磁响应参数可以是待生成的超表面结构的电磁响应参数，也可以称为S参数，不同的超表面结构所对应的S参数也不同，例如，电磁响应参数可以是：当该结构包括两个端口时，端口1进端口1出

步骤S20，将所述目标电磁响应参数输入至预设扩散概率模型，基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构，其中，所述预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概率模型中所输入随机变量以及所述目标电磁响应参数进行迭代去噪，并生成所述目标超表面结构。

需要说明的是，预设扩散概率模型为基于扩散概率理论的深度学习模型，通过让预设扩散概率模型中的神经网络学习输入的超表面结构

需要理解的是，目标超表面结构为预设扩散概率模型对多层超表面数据集进行处理后得到的，目标超表面结构可以是超表面结构对应的二维图像或三维模型。

需要理解的是，预设扩散概率模型包括单个神经网络结构不是指只有一种神经网络，而是包括具有执行顺序的一系列神经网络，例如残差网络、卷积网络等，不存在两种或多种具有对抗属性的神经网络，从而避免模型训练过程中存在训练不稳定性。

需要理解的是，在预设扩散概率模型对目标电磁响应参数进行处理的过程可以是：从时间步/时间点T开始，从预设扩散概率模型中的噪声高斯分布中采样随机变量，再将随机变量与电磁响应参数S作为神经网络的输入，合成条件定向去噪矩阵以及非条件去噪矩阵，从而通过神经网络对条件定向去噪矩阵和非条件去噪矩阵进行计算，得到多个时间点的输出矩阵参数，再通过算法，对于

本申请与现有技术的区别在于：

现有技术：现有的Low-E玻璃电磁透射超表面设计方法：

一般根据经验，选取常用结构如蜂窝六边形、圆、方向等进行组合，并使用如CST、HFSS等电磁仿真软件，对这些结构中的参数，如六边形的边长、圆的半径等，以类似于遍历的方式进行扫参，通过仿真结果比较筛选符合的结构；然而，由于设计的可能性巨大，这种参数扫描的方式效率低下，需要花费大量的时间；并且人为的经验限定了结构选择范围为常规结构，难以设计出更复杂的自由结构，而这些自由结构的高自由度可能带来更优的效果，因此专家经验主导的暴力搜索方法限制了设计的自由度，难以达到最优的效果。

现有的神经网络逆向设计多层超表面的方法：超表面设计领域中，针对先验经验指导设计的低效低自由度问题，目前已经有一些研究使用了基于神经网络的逆向设计方法，基于神经网络的方法能够根据目标的S参数/透射系数，直接生成出符合目标的自由结构，然而现有的使用神经网络逆向设计超表面的方法，在应用与多层透射超表面设计时有两个问题：

多层透射结构仿真由于结构复杂，所以仿真数据收集耗时：基于神经网络的方法需要使用电磁仿真软件收集大量的结构及其对应的电磁响应S参数，作为标签数据，从而监督网络的训练过程，然而多层透射超表面由多层构成，空间结构一般较为复杂，因此相较于单层的超表面，多层超表面一般需要明显更长的仿真时间，因此数据收集的成本非常高；

现有的神经网络用于逆向设计自由结构超表面的方法一般采用基于变分自编码器（VAE）和基于生成对抗网络（GAN）及其变体，然而基于VAE和基于GAN的方法都有内在的问题导致生成模糊、不准确的问题，其中，基于VAE的方法由于训练过程中需要平衡重建误差和KL散度误差，所以有重建效果不佳，生成结果模糊的问题；而基于GAN的方法，由于GAN的对抗过程要求生成器和判别器两个网络需要实力相当并达到动态纳什均衡，所以有内在不稳定性，造成了模型设计困难、难以训练等问题，进而影响了模型的生成准确度和生成质量。

在本申请中：

通过采集多个单层超表面结构；对所述单层超表面结构及单层结构对应的电磁响应进行拼接处理，得到多层电磁响应；并通过预设扩散概率模型对所述目标电磁响应参数进行处理，输出目标超表面结构，由于预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概率模型中所输入随机变量以及目标电磁响应参数进行迭代去噪，从而生成所述目标超表面结构。

相对于现有技术的优点可以是：

针对现有依赖于先验知识设计Low-E玻璃电磁透射玻璃方法中存在的问题，本申请首次将神经网络用于Low-E玻璃电磁透射超表面设计过程中，从而解决基于专家知识的设计方法中存在扫参效率低下、限定于常规结构无法设计更高自由度的结构的问题。

针对多层超表面设计中的多层结构数据收集成本高的问题，本申请使用物理知识驱动进行数据增广，仅通过电磁仿真收集单层超表面结构-电磁响应S参数标签数据，从而节省数据收集时间，然后将数据集中不同的单层结构进行随机排列组合作为多层结构，从而增广产生出大量多层结构；对于每个组合而成的多层结构，引入物理知识，使用参数提取及传输矩阵方法，将每个单层的电磁响应进行拼接，从而以数值方法直接获得多层结构整体的电磁响应，避免了耗时的多层结构仿真过程。

针对常规的GAN、VAE等生成准确度及生成质量不佳的问题，本发明使用基于扩散概率理论的方法，避免了不稳定的对抗过程，从而实现高准确度的直接逆向生成。

具体地，整体实施流程示意图如图2所示，先构建单层超表面数据集构建，再通过物理驱动方法进行层间电磁响应的拼接，构建多层结构数据集，再训练预设扩散概率模型，进而，使用训练好的网络根据电磁响应需求直接生成得到符合需求的超表面结构。

本申请提供了一种超表面结构生成方法、装置、设备及存储介质，与相关技术中，采用基于变分自编码器（VAE）和基于生成对抗网络（GAN）及其变体来逆向设计自由结构超表面，由于模型存在不稳定性，模型无法准确生成符合需求的超表面结构相比，在本申请中，通过采集目标电磁响应参数；通过预设扩散概率模型对目标电磁响应参数进行处理，输出目标超表面结构，由于预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概率模型中所输入随机变量以及所述目标电磁响应参数进行迭代去噪，并生成所述目标超表面结构，仅使用单个神经网络结构，避免了常用的生成对抗网络GAN的对抗过程带来的训练不稳定性，同时，使用简单的预测噪声扩散的过程，也避免了变分自编码器VAE所需要平衡重建误差和KL散度而带来的生成模糊的问题，从而可以准确生成符合需求的超表面结构。

进一步地，如图4所示，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述将所述目标电磁响应参数输入至预设扩散概率模型的步骤S20之前，包括：

步骤S101，采集多个单层超表面结构对应的单层电磁响应；

具体地，采集多个单层电磁响应的方式可以是：首先通过MATLAB/Python等编程手段，随机生成

步骤S102，对各所述单层电磁响应进行整合处理，得到多层电磁响应；

需要说明的是，对各所述单层电磁响应进行整合处理，得到多层电磁响应的方式是通过物理知识驱动的方法进行拼接的，在得到单层的电磁响应后，无法直接进行拼接，因此通过使用物理知识驱动的拼接方法，将单层超表面结构生成的电磁响应进行拼接，得到多层电磁响应，仅通过电磁仿真收集单层超表面结构-电磁响应S参数标签数据，从而节省数据收集时间，然后将数据集中不同的单层结构进行随机排列组合作为多层结构，从而增广产生出大量多层结构。

步骤S103，基于所述多层电磁响应对应的多层结构数据集，对待训练的扩散概率模型进行迭代训练，得到预设扩散概率模型。

需要说明的是，在得到多层结构数据集后，需要通过该数据集对预设扩散模型进行迭代训练，直至得到我们需要的模型。

其中，所述对各所述单层电磁响应进行整合处理，得到多层电磁响应的步骤S102，包括：

步骤S1020，选取所述单层电磁响应所对应参数中预设个数的单层电磁响应参数；

需要说明的是，预设个数与超表面结构的层数相关联，例如，需要根据单层超表面结构合成五层超表面时，预设个数即是5个。

步骤S1021，将各所述单层电磁响应参数转换为第一矩阵数据，并将多个所述第一矩阵数据相乘，得到多层矩阵；

需要说明的是，将三个单层结构

其中，

步骤S1022，将所述多层矩阵进行数据结构转换，得到多层电磁响应；

需要说明的是，以三层矩阵为例，将所述多层矩阵进行数据结构转换，得到多层电磁响应的方式可以是：

因此，得到三层超表面结构及对应的电磁响应

或者，

步骤A1，提取所述单层电磁响应所对应的单层电磁响应参数；

步骤A2，将所述单层电磁响应参数转换为等效介电常数和磁导率参数，基于预设传递矩阵算法，对所述等效介电常数和所述磁导率参数进行拼接处理，得到多层电磁响应。

需要说明的是，通过获取电磁响应参数，将转换后得到的等效介电常数和磁导率参数，通过预设传递矩阵算法，对等效介电常数和磁导率参数进行拼接计算，也可以达到同样地得到多层超表面数据集的效果。

其中，所述基于所述多层电磁响应对应的多层结构数据集，对待训练的扩散概率模型进行迭代训练，得到预设扩散概率模型的步骤S103，包括：

步骤S1030，从所述多层结构数据集中提取多个样本数据，并对所述样本数据进行预处理，得到预处理数据；

需要说明的是，样本数据为用于模型训练的样本标签数据，随机抽取

需要说明的是，对所述样本数据进行预处理，得到预处理数据的方式为：随机将其中

其中，时间步

步骤S1031，将所述预处理数据和预设时间点输入至预设扩散概率模型，基于所述预设扩散概率模型，对预设时间点和所述预处理数据进行融合处理，得到预测噪声数据；

步骤S1032，根据所述预测噪声数据与实际噪声数据之间的误差结果，对所述预设扩散概率模型进行迭代训练，直至所述误差结果满足预设误差阈值需求。

需要说明的是，预设时间点即是时间步t。

需要说明的是，进一步，将

随后，使用最小均方误差(MSE)计算神经网络预测的噪声

并使用优化器通过反向传播算法更新网络参数，在训练集中重复以上过程，直到网络误差收敛。

其中，所述基于所述预设扩散概率模型，对预设时间点和所述预处理数据进行融合处理，得到预测噪声数据的步骤S1031，包括：

步骤B1，基于所述预设扩散概率模型，将预设时间点与所述预处理数据进行特征提取，得到时间特征数据和电磁响应特征数据；

需要说明的是，如图5所示，时间特征数据和电磁响应特征数据为将预设时间点与所述电磁响应参数进行特征提取后得到的特征数据，下采样模块用于将接收的数据逐步缩小，上采样模块用于将接收的数据逐步扩大，通过上采样模块和下采样模块共同处理，得到超表面结构。

步骤B2，将所述时间特征数据和所述电磁响应特征数据输入至神经网络中的采样网络，基于所述采样网络，对所述时间特征数据和所述电磁响应特征数据进行融合，输出预测噪声数据。

需要说明的是，采样网络可以是上采样模块，通过上采样模块对时间特征数据和电磁响应特征数据进行融合，输出预测噪声数据，通过计算预测噪声数据与实际加入的噪声数据之间的误差，重复训练过程，直至网络误差收敛。

在本实施例中，将单层结构的电磁响应通过数值方法直接拼接为多层结构的电磁响应，并构建多层结构数据集，通过多层结构数据集对预设扩散模型进行迭代训练，由于单层结构的电磁仿真所需的时间代价显著小于多层结构，且数值拼接过程中所需的时间几乎可以忽略不计，因此大大缩小了收集数据过程中电磁仿真多花费的时间成本。

进一步地，为了实现通过预设扩散概率模型对输入的目标电磁响应参数进行处理，从而准确生成符合需求的超表面结构的技术效果，基于本申请中第一实施例和第二实施例，提供本申请的另一实施例，在该实施例中，所述基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构的步骤S30，包括：

步骤S31，基于所述预设扩散概率模型，从预设高斯分布矩阵中采集第一随机变量；

需要说明的是，在预设扩散概率模型训练过程中，通过为预设扩散概率模型添加噪声变为高斯分布

需要理解的是，从预设高斯分布矩阵中提取随机变量，即可得到第一随机变量，第一随机变量可以是第

步骤S32，对所述第一随机变量和所述目标电磁响应参数进行计算，输出目标超表面结构。

需要说明的是，对第一随机变量和所述多层超表面数据集进行数据转换后，得到多个条件去噪矩阵以及非条件去噪矩阵，再通过神经网络对条件去噪矩阵以及非条件去噪矩阵进行计算，得到目标超表面结构。

其中，所述对所述第一随机变量和所述目标电磁响应参数进行计算，输出目标超表面结构的步骤S32，包括：

步骤S320，将对所述第一随机变量和所述目标电磁响应参数进行计算处理，得到条件去噪矩阵，并对所述第一随机变量和预设非条件标签向量进行计算处理，得到非条件去噪矩阵；

需要说明的是，从时间步t=T开始，将第一随机变量

需要说明的是，预设非条件标签向量可以是非条件标签0向量，将预设非条件标签向量和第一随机变量进行整合后得到的非条件去噪矩阵表示为

步骤S321，对所述条件去噪矩阵和所述非条件去噪矩阵以预设比例进行计算处理，输出计算结果；

需要说明的是，预设比例可以是

需要说明的是，将条件去噪矩阵和非条件去噪矩阵以预设比例进行混合，并通过神经网络进行计算，得到时间步

步骤S322，基于第一预设算法，对所述计算结果进行计算，输出目标超表面结构。

需要说明的是，第一预设算法的公式可以表示为：

计算得到

在本实施例中，通过预设扩散概率模型对多层超表面数据集进行处理，通过基于扩散概率网络的生成方法，涉及超表面自由结构，避免模型训练不稳定和生成质量不佳。

参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。

如图3所示，该超表面结构生成设备可以包括：处理器1001，存储器1005，通信总线1002。通信总线1002用于实现处理器1001和存储器1005之间的连接通信。

可选地，该超表面结构生成设备还可以包括用户接口、网络接口、摄像头、RF（Radio Frequency，射频）电路，传感器、WiFi模块等等。用户接口可以包括显示屏（Display）、输入子模块比如键盘（Keyboard），可选用户接口还可以包括标准的有线接口、无线接口。网络接口可以包括标准的有线接口、无线接口（如WI-FI接口）。

本领域技术人员可以理解，图3中示出的超表面结构生成设备结构并不构成对超表面结构生成设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图3所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及超表面结构生成程序。操作系统是管理和控制超表面结构生成设备硬件和软件资源的程序，支持超表面结构生成程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与超表面结构生成系统中其它硬件和软件之间通信。

在图3所示的超表面结构生成设备中，处理器1001用于执行存储器1005中存储的超表面结构生成程序，实现上述任一项所述的超表面结构生成方法的步骤。

本申请超表面结构生成设备具体实施方式与上述超表面结构生成方法各实施例基本相同，在此不再赘述。

本申请还提供一种超表面结构生成装置，参照图6，所述超表面结构生成装置包括：

获取模块，用于获取目标电磁响应参数，所述目标电磁响应参数为待生成超表面结构的对应参数；

处理模块，用于将所述目标电磁响应参数输入至预设扩散概率模型，基于所述预设扩散概率模型，对所述目标电磁响应参数进行处理，输出目标超表面结构，其中，所述预设扩散概率模型包括单个神经网络结构，且所述神经网络结构用于对所述预设扩散概率模型中所输入随机变量以及所述目标电磁响应参数进行迭代去噪，并生成所述目标超表面结构。

在本申请的一种可能的实施方式中，所述超表面结构生成装置还包括：

采集模块，用于采集多个单层超表面结构对应的单层电磁响应；

整合处理模块，用于对各所述单层电磁响应进行整合处理，得到多层电磁响应；

训练模块，用于基于所述多层电磁响应对应的多层结构数据集，对待训练的扩散概率模型进行迭代训练，得到预设扩散概率模型。

在本申请的一种可能的实施方式中，所述整合处理模块包括：

选取单元，用于选取所述单层电磁响应所对应参数中预设个数的单层电磁响应参数；

第一转换单元，用于将各所述单层电磁响应参数转换为第一矩阵数据，并将多个所述第一矩阵数据相乘，得到多层矩阵；

第二转换单元，用于将所述多层矩阵进行数据结构转换，得到多层电磁响应；

或者，

提取单元，用于提取所述单层电磁响应所对应的单层电磁响应参数；

第三转换单元，用于将所述单层电磁响应参数转换为等效介电常数和磁导率参数，基于预设传递矩阵算法，对所述等效介电常数和所述磁导率参数进行拼接处理，得到多层电磁响应。

在本申请的一种可能的实施方式中，所述训练模块包括：

预处理单元，用于从所述多层结构数据集中提取多个样本数据，并对所述样本数据进行预处理，得到预处理数据；

融合单元，用于将所述预处理数据和预设时间点输入至预设扩散概率模型，基于所述预设扩散概率模型，对预设时间点和所述预处理数据进行融合处理，得到预测噪声数据；

训练单元，用于根据所述预测噪声数据与实际噪声数据之间的误差结果，对所述预设扩散概率模型进行迭代训练，直至所述误差结果满足预设误差阈值需求。

在本申请的一种可能的实施方式中，所述融合单元包括：

特征提取子单元，用于基于所述预设扩散概率模型，将预设时间点与所述预处理数据进行特征提取，得到时间特征数据和电磁响应特征数据；

输入子单元，用于将所述时间特征数据和所述电磁响应特征数据输入至神经网络中的采样网络，基于所述采样网络，对所述时间特征数据和所述电磁响应特征数据进行融合，输出预测噪声数据。

在本申请的一种可能的实施方式中，所述处理模块包括：

采集单元，用于基于所述预设扩散概率模型，从预设高斯分布矩阵中采集第一随机变量；

计算单元，用于对所述第一随机变量和所述目标电磁响应参数进行计算，输出目标超表面结构。

在本申请的一种可能的实施方式中，所述计算单元包括：

整合子单元，用于将对所述第一随机变量和所述目标电磁响应参数进行计算处理，得到条件去噪矩阵，并对所述第一随机变量和预设非条件标签向量进行计算处理，得到非条件去噪矩阵；

第一计算子单元，用于对所述条件去噪矩阵和所述非条件去噪矩阵以预设比例进行计算处理，输出计算结果；

第二计算子单元，用于基于第一预设算法，对所述计算结果进行计算，输出目标超表面结构。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。