本发明属于声学超材料的拓扑特性等，具体涉及一种宽频带声拓扑绝缘体及基于机器学习的宽频带声拓扑绝缘体的逆向设计方法与该拓扑绝缘体的应用。
背景技术：
1、声学领域的拓扑物理学已成为一个引人注目的研究领域，其在声学信号处理、声学通信和声学成像等应用中具有广泛的潜力。声波拓扑边界态作为声学拓扑物理学的重要组成部分，展示了在边界和界面上传播的异常特性，具有高度的传输控制和方向选择能力，被广泛应用于拓扑声学器件的设计。声学领域的快速发展与广泛应用需要高性能声学器件的设计和优化，特别是在宽频带声学应用中。传统的声学器件设计方法通常依赖于复杂的数值模拟和试错过程，面对宽频带特性时可能面临挑战，因为不同频率下的声学行为可能显著不同。
2、在声波拓扑边界态的设计中，传统方法通常采用正向设计，即首先选择几何参数，然后计算相应的频率和带隙。然而，从实际应用的角度来看，更常见的情况是需要特定的频率和带隙宽度，然后寻找实现这些目标的几何参数，这就是逆向设计方法的核心思想。需要特别强调的是，如果带隙宽度太小，拓扑边缘态可能会在结构中广泛分布或完全消失。因此，通过带隙约束的逆向设计策略可以更好地应对这一问题，有望提供有效的解决方案来克服这类挑战。
3、近年来，机器学习技术在科学与工程领域取得了突破性进展，为解决复杂的声学器件设计问题提供了新的方法。在声学器件设计中，机器学习可以通过学习大规模数据集中的模式和关联性，从而实现器件性能与几何参数之间的复杂映射关系的建模和预测。因此，机器学习技术被广泛视为纳米光子、等离子体、超材料、超表面等领域逆向设计的优秀工具。近期，还有关于利用机器学习进行声学成像的逆向设计的报道，为声学领域的研究和应用提供了新的可能性。这些技术的不断发展将推动逆向设计在声学器件和结构中的广泛应用，为解决复杂声学问题提供更智能、高效的方法。
技术实现思路
1、本发明目的在于提供一种基于机器学习的宽频带声拓扑器件的逆向设计方法。在这项工作中，采用具有高度非线性的连续映射函数人工神经网络来完成设计目标。我们构建了前向和反向两个算法过程，分别用于带隙宽度和几何参数的正向和反向预测，并基于训练的ann算法模型对目标参数的预测结果进一步设计拓扑边缘状态。最后利用这种边界态模式设计了两种不同功能的声学分路器，并通过有限元数值模拟对其拓扑传输特性进行了深入研究。
2、基于上述目的，本发明采取以下技术方案：
3、一种宽频带声拓扑绝缘体，所述绝缘体呈风扇状的散射体结构，构成绝缘体的原胞括呈圆形结构的核心基元和均匀分布在核心基元外侧的若干侧基元，所述侧基元的头部与核心基元一体连接，尾部一体连接有端基元，所述端基元呈半圆结构，所述核心基元位于原胞的中心，侧基元和端基元呈风扇状分布在核心基元的外侧。
4、优选地，所述侧基元沿核心基元方向呈倒等腰梯形结构，且侧基元的下底与端基元直径相同。
5、优选地，所述侧基元为3个。
6、优选地，所述风扇状的散射体结构的形成是由一个等腰梯形结构绕核心基元的圆心经过多次旋转后得到均匀分布在一个圆周内的多个侧基元并与圆周内切的对应的呈半圆结构的端基元，端基元的直径d和等腰梯形下底长相等，并将旋转后的每个等腰梯形和半圆合并为整体，以得到最终的风扇状散射体结构。
7、优选地，所述原胞的晶格常数为a＝10mm，端基元的r＝1mm,d＝2mm,核心基元的d＝1mm,等腰梯形的腰h＝6mm。
8、本发明进一步公开了基于机器学习的宽频带声拓扑绝缘体的逆向设计方法，包括以下步骤：
9、1)构建宽频带声拓扑绝缘体的原胞结构；
10、2)利用有限元法将步骤1)绝缘体进行数值仿真，求解其结构信息数据及相对应的能带带隙频率值；
11、3)将步骤2)所求解的绝缘体的结构信息数据及相对应的能带带隙频率值进行预处理，整合成机器学习算法所需的数据集；
12、4)利用步骤3)整合而成的数据集，对机器学习算法进行训练及预测绝缘体结构参数得到最优结构参数；
13、5)利用步骤4)获得的最优结构参数对绝缘体进行重新建模，获得最优的绝缘体结构。
14、优选地，步骤4)所述机器学习算法为人工神经网络(ann)算法。
15、优选地，所述ann算法包括以下步骤：
16、a)数据预处理；
17、b)迭代训练：通过动态更新策略和adam优化器，在每个训练迭代中，计算损失函数，然后通过反向传播更新模型参数；
18、c)模型评估：使用验证集或交叉验证等方法对训练得到的模型进行评估，以检查模型的性能和泛化能力；
19、d)模型应用：使用经过训练和验证的模型对绝缘体结构参数数据进行预测。
20、优选地，步骤a)中，所述数据预处理是指对绝缘体结构的参数数据进行数据清洗，并进行归一化处理后，分为训练集和测试集。
21、本发明还进一步公开了所述一种宽频带声拓扑绝缘体在声学分路器中的应用。
22、本发明运用机器学习算法，根据训练的人工神经网络算法的预测结果进行宽频带拓扑绝缘体的设计，仿真结果表明单胞拓扑带隙拓宽约2.8倍。这种方法为声学器件的设计和优化提供了一种高效且可行的途径，有望提高声波信号的管理和控制效率。
23、与现有技术相比，本发明具有以下有益效果：
24、1)本发明利用机器学习算法和训练良好的神经网络，实现了对声拓扑绝缘体结构模型在任意期望频率下的带隙宽度和几何参数的正向和反向预测。相比传统的声拓扑材料设计方法，本发明的优势在于解决了传统声拓扑材料在设计过程中所需时间长、损耗高和强烈依赖于解析理论和模型的缺陷等问题。通过快速实现期望频率下声拓扑绝缘体的最优结构设计，本发明具有探索更多声学特性和更广泛参数空间的潜力，从而设计出高性能因数的声传输器件；
25、2)本发明在选择优化算法上，选择了具有更强优化能力和更好全局搜索能力的ann算法。ann是一种从数学、物理方法和信息处理的角度出发构建的简化模型。它能够从数据中学习潜在的规律和特征，从而帮助在研究过程中实现对数据的准确预测和决策。我们将有限元方法与ann相融合，以研究机器学习算法在拓扑声子晶体板声波操控方面的潜在应用；
26、3)本发明采用了改变散射体旋转角度θ的策略，旨在破坏晶格系统的镜面对称性，以实现谷霍尔相变。随着散射体旋转，由于对称性的部分破缺，原本简并的不可约表示e逐渐分裂成两个非简并的不可约表示e1和e2。这意味着在k点处的简并态逐渐分解，形成了完整的能带隙；
27、4)本发明利用“type-b”和“type-d”设计了分别具有双通道和三通道的两种声学分路器。这种声学器件的设计利用了声学波导和边界态的相互作用。当声波从输入端进入声学波导时，它会沿着主声学通道传播，并在与边界态相交的位置激发边界态。这些边界态会沿着交界面传播，并被引导到声学波导的不同分支中，同时边界态的传播方式具有高度的方向性和选择性，因此可以将声波信号按照需要的比例分割，并引导到不同的输出分支中。这为声学通信、声学传感、信号管理和分配等领域提供了重要的应用解决方案。
1.一种宽频带声拓扑绝缘体，其特征在于，所述绝缘体呈风扇状的散射体结构，构成绝缘体的原胞括呈圆形结构的核心基元和均匀分布在核心基元外侧的若干侧基元，所述侧基元的头部与核心基元一体连接，尾部一体连接有端基元，所述端基元呈半圆结构，所述核心基元位于原胞的中心，侧基元和端基元呈风扇状分布在核心基元的外侧。
2.根据权利要求1所述的一种宽频带声拓扑绝缘体，其特征在于，所述侧基元沿核心基元方向呈倒等腰梯形结构，且侧基元的下底与端基元直径相同。
3.根据权利要求1所述的一种宽频带声拓扑绝缘体，其特征在于，所述侧基元为3个。
4.根据权利要求1所述的一种宽频带声拓扑绝缘体，其特征在于，所述风扇状的散射体结构的形成是由一个等腰梯形结构绕核心基元的圆心经过多次旋转后得到均匀分布在一个圆周内的多个侧基元并与圆周内切的对应的呈半圆结构的端基元，端基元的直径d和等腰梯形下底长相等，并将旋转后的每个等腰梯形和半圆合并为整体，以得到最终的风扇状散射体结构。
5.根据权利要求1所述的一种宽频带声拓扑绝缘体，所述原胞的晶格常数为a＝10mm，端基元的r＝1mm,d＝2mm,核心基元的d＝1mm,等腰梯形的腰h＝6mm。
6.基于机器学习的宽频带声拓扑绝缘体的逆向设计方法，其特征在于，包括以下步骤：
7.如权利要求6所述的基于机器学习的宽频带声拓扑器件的逆向设计方法，其特征在于，步骤4)所述机器学习算法为人工神经网络(ann)算法。
8.如权利要求7所述的基于机器学习的宽频带声拓扑器件的逆向设计方法，其特征在于，所述ann算法包括以下步骤：
9.如权利要求8所述的基于机器学习的宽频带声拓扑器件的逆向设计方法，其特征在于，步骤a)中，所述数据预处理是指对绝缘体结构的参数数据进行数据清洗，并进行归一化处理后，分为训练集和测试集。
10.权利要求1-5任一所述一种宽频带声拓扑绝缘体在声学分路器中的应用。
