Prestatievoorspelling en ontwerp van MEMS-resonatoren met veel vrijheidsgraden gestuurd door deep learning

Slimmere kleine machines

Van smartphones tot medische scanners: veel moderne apparaten vertrouwen op kleine trillende onderdelen die in siliciumchips zijn uitgesneden. Deze onderdelen, resonatoren genoemd, werken als microscopische stemvorken die beweging detecteren, signalen filteren of energie oogsten. Het ontwerpen ervan verliep traditioneel traag en nauwgezet. Dit onderzoek toont aan hoe deep learning, een tak van kunstmatige intelligentie, de manier waarop ingenieurs deze miniatuursystemen ontwerpen en fijn afstemmen, drastisch kan versnellen.

Waarom deze kleine trillers ertoe doen

Resonatoren vormen het hart van systemen die vliegtuigen navigeren, aardbevingen monitoren, draadloze sensoren van energie voorzien en kwantumtoestanden uitlezen. Verschillende toepassingen vragen om zeer uiteenlopend gedrag. Sommige toepassingen hebben lage trillingsfrequenties nodig om langzame bewegingen of zwakke signalen op te merken, terwijl andere zeer hoge frequenties vereisen voor snelle communicatie. Ook de afstand tussen trillingsmodi is van belang, omdat bepaalde scheidingen interferentie tussen modi helpen voorkomen en stabiele, multifunctionele werking mogelijk maken. Met traditionele computersimulaties kan het dagen tot weken duren om al deze eisen voor één veelbelovend ontwerp tegelijk te realiseren.

Een neuraal netwerk de fysica laten leren

In dit werk bouwen de auteurs een deep learning-tool genaamd ResNES die voorspelt hoe een gegeven resonatorvorm zal trillen. Ze genereren eerst enorme aantallen kandidaat-structuren bestaande uit een centraal massa-onderdeel verbonden met een frame via flexibele balken. Elk ontwerp wordt getekend op een vierkant raster en omgezet in een eenvoudige zwart-witpatroon dat aangeeft waar silicium aanwezig is en waar niet. Voor elk patroon berekent een standaard fysicasimulator de eerste twee trillingsfrequenties die overeenkomen met zijwaartse beweging van de massa. Deze afbeeldingsachtige patronen en hun trillingsresultaten vormen het trainingsmateriaal voor ResNES, dat direct leert structuur aan gedrag te koppelen.

Snelle voorspellingen met betrouwbare nauwkeurigheid

Na training op tienduizend voorbeelden voorspelt ResNES trillingsfrequenties voor nieuwe ontwerpen in slechts enkele milliseconden, bijna duizend tot drieduizend keer sneller dan de conventionele simulator. Voor relatief eenvoudige patronen blijft de gemiddelde fout onder de drie procent, en zelfs voor complexere vormen blijft de nauwkeurigheid hoog. Het team onderzoekt ook hoeveel voorbeelden het netwerk nodig heeft om complexe structuren te leren en constateert dat fijnere ontwerprasters grotere datasets vereisen. Om te controleren of deze digitale resultaten in het laboratorium standhouden, fabriceren ze meerdere van de ontworpen resonatoren op siliciumwafers en meten hun beweging met een lasergebaseerd instrument. De gemeten frequenties wijken minder dan vijf procent af van de voorspellingen van het netwerk, klein genoeg dat productieonvolkomenheden waarschijnlijk het grootste deel van het verschil verklaren.

Zoeken naar betere ontwerpen in minuten

Snelheid alleen is niet voldoende; ontwerpers moeten ook verkennen welke vormen de beste prestaties opleveren. Hiervoor koppelen de onderzoekers ResNES aan een zoekstrategie genaamd Adaptive Elite Learning Particle Swarm Optimization. In eenvoudige termen behandelt dit algoritme elk proefontwerp als een bewegend punt in een gedeeld landschap en stuurt het de populatie punten naar beter presterende regio19en. Omdat ResNES ontwerpen zo snel evalueert, kan het gecombineerde systeem binnen enkele minuten tienduizenden opties scannen. Vergeleken met methoden die voor elke proef een trage simulatie nodig hebben, verkort de nieuwe aanpak de totale ontwerptijd met meer dan zeventig procent, zelfs rekening houdend met de inspanning voor het verzamelen van data en het trainen van het netwerk.

Op weg naar capabelere kleine sensoren

De studie laat zien dat zodra een neuraal netwerk de relatie tussen lay-out en trilling heeft geleerd, het betrouwbaar in de plaats van zware simulaties kan treden en geavanceerde zoekalgoritmen kan sturen. De resulterende ontwerpen bereiken lagere bedrijfsfrequenties en gunstiger scheidingen tussen trillingsmodi dan die gevonden worden door traditioneel zoeken op proef en fout. Omdat het raamwerk eenvoudige rasterpatronen gebruikt, kan het worden uitgebreid om andere eigenschappen mee te nemen, zoals uit-van-het-vlak beweging, spanningsniveaus of zelfs thermische effecten. Voor niet-specialisten is de conclusie dat intelligente ontwerptools zoals deze ingenieurs kunnen helpen betere, energiezuinigere microapparaten sneller te creëren, wat uiteindelijk technologieën van navigatiesystemen tot medische sensoren ten goede komt.

Bronvermelding: 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

Trefwoorden: ontwerp van MEMS-resonatoren, deep learning, structurele optimalisatie, microapparaten, frequentieafstemming