Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

חיזוי ביצועים ועיצוב של רזונטורים MEMS בעלי דרגת חופש גבוהה מונעת-למידה עמוקה

· חזרה לאינדקס

מכונות זעירות חכמות יותר

מטלפונים חכמים עד סורקי רפואה — רבים מהמכשירים המודרניים נסמכים על חלקים רוטטים זעירים החצובים בשבבי סיליקון. חלקים אלה, הקרויים רזונטורים, מתפקדים כמחרוזות כוונון מיקרוסקופיות החושות תנועה, מסננות אותות או קוטפות אנרגיה. מסורתית, עיצובם היה איטי ודורש מאמץ רב. המחקר הזה מציג כיצד למידה עמוקה, ענף של בינה מלאכותית, יכולה להאיץ במידה ניכרת את אופן שבו מהנדסים מעצבים ומכוונים את המכונות המיקרוסקופיות הללו.

מדוע הרטטים הזעירים האלה חשובים

רזונטורים נמצאים בלב מערכות שמנווטות מטוסים, מנטרות רעידות אדמה, מספקות עוצמה לחיישנים אלחוטיים וקוראות מצבים קוונטיים. משימות שונות דורשות התנהגויות שונות מאוד. באפליקציות מסויימות דרושים תדרי רטט נמוכים כדי לקלוט תנועות איטיות או אותות חלשים, בעוד שבאחרות נדרשים תדרים גבוהים לתקשורת מהירה. המרחק בין טוני הרטט חשוב גם הוא, כי רווחים מסוימים מונעים הפרעות בין מצבי תנודה ומאפשרים פעולה יציבה ורב-תכליתית. השגת כל היעדים האלה יחד באמצעות סימולציות מסורתיות יכולה לקחת ימים ואף שבועות עבור עיצוב מבטיח יחיד.

לאפשר לרשת עצבית ללמוד את הפיזיקה

בעבודה זו בנו המחברים כלי למידה עמוקה בשם ResNES שמנבא כיצד צורה מסוימת של רזונטור תרטוט. הם מייצרים תחילה כמויות עצומות של מבנים מועמדים המורכבים ממסה מרכזית המחוברת למסגרת על ידי קורות גמישות. כל עיצוב מצויר על רשת רבועית ומומר לתבנית שחור-לבן פשוטה שמציגה היכן יש סיליקון והיכן אין. עבור כל תבנית מחשב פיזיקלי סטנדרטי את שני תדרי הרטט הראשונים התואמים לתנועת המסה לצדדים. תבניות דמויות-תמונה אלה ותוצאות הרטט שלהן מהוות את חומר האימון של ResNES, שלומדת למפות מבנה להתנהגות ישירות.

Figure 1. בינה מלאכותית ממירה במהירות פריסות רבות של רזונטורים זעירים לכמה עיצובים מותאמים עם התנהגות רטט משופרת.
Figure 1. בינה מלאכותית ממירה במהירות פריסות רבות של רזונטורים זעירים לכמה עיצובים מותאמים עם התנהגות רטט משופרת.

חיזויים מהירים עם דיוק מהימן

לאחר אימון על עשר אלף דוגמאות, ResNES מנבא תדרי רטט עבור עיצובים חדשים תוך מילישניות ספורות, כמעט אלף עד שלושת אלפים פעמים מהר יותר מהסימולטור הקונבנציונלי. עבור תבניות יחסית פשוטות, השגיאה הממוצעת נשארת מתחת לשלושה אחוזים, ואף עבור צורות מורכבות יותר הדיוק נשמר גבוה. הצוות גם בוחן כמה דוגמאות הרשת צריכה כדי ללמוד מבנים מורכבים ומוצא שרשתות דקות יותר דורשות מערכי נתונים גדולים יותר. כדי לוודא שהתוצאות הדיגיטליות מתקיימות במעבדה, הם מייצרים מספר מהרזונטורים המתוכננים על וופרים של סיליקון ומודדים את תנועתם באמצעות כלי מבוסס לייזר. התדרים הנמדדים שונים מניבויי הרשת בפחות מחמישה אחוזים — הפרש קטן שסביר כי רובו מוסבר בפגמים בייצור.

חיפוש אחר עיצובים טובים יותר בדקות

מהירות לבדה אינה מספיקה; המעצבים צריכים גם לחקור אילו צורות מספקות את הביצועים הטובים ביותר. לשם כך החוקרים מחברים את ResNES לאסטרטגיית חיפוש הנקראת Adaptive Elite Learning Particle Swarm Optimization. בפשטות, האלגוריתם הזה מתייחס לכל צורת ניסוי כנקודה נעה בנוף משותף ודוחף את אוכלוסיית הנקודות לעבר אזורים בעלי ביצועים משופרים. מכיוון ש-ResNES מעריך עיצובים במהירות כזו, המערכת המשולבת יכולה לסרוק עשרות אלפי אופציות בתוך דקות. בהשוואה לשיטות שתלויות בסימולציות איטיות עבור כל ניסוי, הגישה החדשה מקצרת את כלל זמן העיצוב ביותר משבעים אחוז, גם לאחר חישוב המאמץ לאיסוף הנתונים ואימון הרשת.

Figure 2. עיצוב שלבים לגרת של קורות ברזונטור מיקרו כדי להפריד שתי פסגות רטט ולכוון את התדרים שלהן.
Figure 2. עיצוב שלבים לגרת של קורות ברזונטור מיקרו כדי להפריד שתי פסגות רטט ולכוון את התדרים שלהן.

אל חיישנים זעירים בעלי יכולת רבה יותר

המחקר מראה כי ברגע שרשת עצבית למדה את הקשר בין פריסה לרטט, היא יכולה להחליף באופן מהימן סימולציות עתירות משאבים ולהנחות אלגוריתמי חיפוש מתקדמים. העיצובים המתקבלים משיגים תדרי פעולה נמוכים יותר ורווחים נוחים יותר בין טוני הרטט מאשר אלה שמצאו שיטות מסורתיות של ניסיון וטעייה. מכיוון שהמערכת משתמשת בתבניות רשת פשוטות, ניתן להרחיב אותה לכלול התנהגויות נוספות, כמו תנועה מחוץ למישור, רמות עומס או אפילו השפעות תרמיות. עבור מי שאינו מומחה, המסקנה היא שכלי עיצוב אינטיליגנטים כאלה יכולים לעזור למהנדסים ליצור מיקרו-מכשירים טובים יותר, חסכוני אנרגיה ומהירים יותר — לטובת טכנולוגיות ממערכות ניווט ועד חיישנים רפואיים.

ציטוט: 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

מילות מפתח: עיצוב רזונטורים MEMS, למידה עמוקה, אופטימיזציה מבנית, מיקרו-מכשירים, כוונון תדר