التنبؤ بالأداء وتصميم الرنانات الميكروإلكتروميكانيكية متعددة درجات الحرية باستخدام التعلم العميق

آلات صغيرة أكثر ذكاءً

من الهواتف الذكية إلى أجهزة التصوير الطبي، تعتمد العديد من الأجهزة الحديثة على أجزاء مهتزة صغيرة محفورة في رقائق السيليكون. تُعرف هذه الأجزاء بالرنانات، وتعمل مثل شوكات الضبط المجهرية التي تستشعر الحركة، أو تنقي الإشارات، أو تجمع الطاقة. كان تصميمها تقليديًا بطيئًا وشاقًا. تُظهر هذه الدراسة كيف يمكن للتعلم العميق، وهو فرع من فروع الذكاء الاصطناعي، أن يسرّع بشكل كبير طريقة تصميم المهندسين وضبط هذه الآلات المصغرة.

لماذا تهم هذه المهتزات الصغيرة

تقع الرنانات في قلب أنظمة تُستخدم للملاحة في الطائرات، ومراقبة الزلازل، وتشغيل أجهزة الاستشعار اللاسلكية، وقراءة حالات الكم. تتطلب وظائف مختلفة سلوكيات مختلفة للغاية. تحتاج بعض التطبيقات إلى ترددات اهتزاز منخفضة لالتقاط حركات بطيئة أو إشارات ضعيفة، بينما تحتاج تطبيقات أخرى إلى ترددات عالية جدًا للاتصالات السريعة. كما أن المسافة بين نغمات الاهتزاز مهمة أيضاً، لأن فواصل معينة تساعد على تجنب التداخل بين الوضعيات وتسمح بتشغيل متعدد الوظائف ومستقر. إن تحقيق كل هذه الأهداف معا باستخدام المحاكيات التقليدية قد يستغرق أيامًا أو حتى أسابيع لتصميم واعد واحد.

سماح للشبكة العصبية بتعلّم الفيزياء

في هذا العمل، يبني المؤلفون أداة تعلم عميق تُسمى ResNES تتنبأ بكيفية اهتزاز شكل رنان معين. يبدأون بتوليد أعداد هائلة من الهياكل المرشحة المكوَّنة من كتلة مركزية متصلة بإطار عبر عتلات مرنة. يُرسم كل تصميم على شبكة مربعة ويُحوَّل إلى نمط بسيط بالأبيض والأسود يُظهر أين يوجد السيليكون وأين لا يوجد. لكل نمط، يحسب محاكي فيزيائي نموذجي أول ترددين للاهتزاز اللذين يتوافقان مع حركة جانبية للكتلة. تشكل هذه الأنماط الشبيهة بالصور ونتائج الاهتزاز المادة التدريبية لـ ResNES، التي تتعلّم رسم خرائط مباشرة بين البنية والسلوك.

تنبؤات سريعة بدقة موثوقة

بعد التدريب على عشرة آلاف مثال، تتنبأ ResNES بترددات الاهتزاز للتصاميم الجديدة في غضون بضعة ميليثوانٍ فقط، أسرع بنحو ألف إلى ثلاثة آلاف مرة من المحاكي التقليدي. بالنسبة للأنماط البسيطة نسبيًا، يبقى متوسط خطأها أقل من ثلاثة بالمئة، وحتى للأشكال الأكثر تعقيدًا تظل الدقة مرتفعة. كما يفحص الفريق عدد الأمثلة التي تحتاجها الشبكة لتعلّم الهياكل المعقدة ويجد أن الشبكات التصميمية الأشد دقة تتطلب مجموعات بيانات أكبر. وللتحقق من أن هذه النتائج الرقمية صالحة في المختبر، يصنعون عدة رنانات مصممة على رقائق سيليكون ويقيسون حركتها باستخدام جهاز قائم على الليزر. تختلف الترددات المقاسة عن تنبؤات الشبكة بأقل من خمسة بالمئة، وهو فرق صغير بما يكفي ليفسّره عيوب التصنيع في معظم الحالات.

البحث عن تصاميم أفضل في دقائق

السرعة وحدها لا تكفي؛ فالمصممون يحتاجون أيضًا لاستكشاف أي الأشكال تمنح أفضل أداء. للقيام بذلك، يربط الباحثون ResNES باستراتيجية بحث تسمى Adaptive Elite Learning Particle Swarm Optimization. ببساطة، يعامل هذا الخوارزم كل شكل تجريبي كنقطة متحركة في مشهد مشترك ويدفع مجموعة النقاط نحو مناطق أداء أفضل. وبما أن ResNES تقَيّم التصاميم بسرعة كبيرة، يمكن للنظام المدمج مسح عشرات الآلاف من الخيارات خلال دقائق. مقارنة بالطرق التي تعتمد على محاكاة بطيئة لكل تجربة، تقلل المنهجية الجديدة وقت التصميم الإجمالي بأكثر من سبعين بالمئة، حتى بعد حساب الجهد المبذول في جمع البيانات وتدريب الشبكة.

نحو حساسات دقيقة أكثر قدرة

تُظهر الدراسة أنه بمجرد أن تتعلّم الشبكة العصبية العلاقة بين التخطيط والاهتزاز، يمكنها أن تحل موضع المحاكيات الثقيلة وتوجّه خوارزميات البحث المتقدمة بثقة. تحقق التصاميم الناتجة ترددات تشغيل أقل ومسافات أكثر ملاءمة بين نغمات الاهتزاز مقارنةً بما يُستخرج عبر التجربة والخطأ التقليدية. وبما أن الإطار يستخدم أنماط شبكة بسيطة، فيمكن توسيعه ليشمل سلوكيات أخرى مثل الحركة خارج المستوى، أو مستويات الإجهاد، أو حتى التأثيرات الحرارية. بالنسبة لغير المتخصصين، الخلاصة هي أن أدوات التصميم الذكية مثل هذه يمكن أن تساعد المهندسين على إنشاء أجهزة دقيقة أفضل وأكثر كفاءة في استهلاك الطاقة وبسرعة أكبر، مما يعود بالنفع في نهاية المطاف على تقنياتٍ تتراوح من أنظمة الملاحة إلى أجهزة الاستشعار الطبية.

الاستشهاد: Jia, Z., Wu, C., Li, M. et al. Deep learning-driven performance prediction and design of high-DoF MEMS resonators. Microsyst Nanoeng 12, 194 (2026). https://doi.org/10.1038/s41378-026-01198-0

الكلمات المفتاحية: تصميم رنانات MEMS, التعلم العميق, التحسين البنيوي, الأجهزة الدقيقة, ضبط التردد