Предсказание характеристик и проектирование MEMS-резонаторов с высокой степенью свободы с помощью глубокого обучения

Умные крошечные машины

От смартфонов до медицинских томографов — многие современные устройства опираются на крошечные вибрирующие элементы, вырезанные в кремниевых чипах. Эти элементы, называемые резонаторами, действуют как микроскопические камертоны: они чувствуют движение, фильтруют сигналы или собирают энергию. Традиционное проектирование таких деталей было медленным и кропотливым. В этом исследовании показано, как глубокое обучение, раздел искусственного интеллекта, может существенно ускорить процесс проектирования и тонкой настройки этих миниатюрных механизмов.

Почему эти крошечные вибраторы важны

Резонаторы находятся в основе систем, которые ведут самолёты, отслеживают землетрясения, питают беспроводные датчики и считывают квантовые состояния. Разные задачи требуют разных характеристик. Для одних приложений нужны низкие частоты, чтобы регистрировать медленные движения или слабые сигналы, в то время как для других важны очень высокие частоты для быстрой передачи данных. Также важен интервал между резонансными тонами: определённые зазоры помогают избегать взаимных помех между модами и обеспечивают стабильную многозадачную работу. Добиться всех этих целей одновременно с помощью традиционных физических симуляций может занять дни или даже недели для одного перспективного варианта.

Давать нейросети возможность выучить физику

В этой работе авторы создают инструмент глубокого обучения под названием ResNES, который предсказывает, как заданная форма резонатора будет вибрировать. Сначала они генерируют огромное количество кандидатов — структур, состоящих из центральной массы, связанной с рамой гибкими балками. Каждый дизайн рисуется на квадратной сетке и преобразуется в простую черно‑белую картинку, показывающую, где присутствует кремний, а где его нет. Для каждой такой карты стандартный физический симулятор вычисляет первые две частоты вибрации, соответствующие боковым движениям массы. Эти изображения и результаты их вибраций формируют обучающий набор для ResNES, который учится прямо сопоставлять структуру и поведение.

Быстрые предсказания при надёжной точности

После обучения на десяти тысячах примеров ResNES предсказывает частоты вибрации для новых конструкций всего за несколько миллисекунд — почти в тысячу-два тысячи раз быстрее обычного симулятора. Для относительно простых узоров средняя погрешность держится ниже трёх процентов, а даже для более сложных форм точность остаётся высокой. Команда также исследует, сколько примеров необходимо сети для изучения сложных структур, и выясняет, что для более тонких сеток требуется большие наборы данных. Чтобы проверить соответствие цифровых результатов реальным измерениям, они изготовили несколько спроектированных резонаторов на кремниевых пластинах и измерили их колебания с помощью лазерного прибора. Измеренные частоты отличаются от предсказаний сети менее чем на пять процентов — достаточно малая разница, которую в основном, вероятно, объясняют производственные погрешности.

Поиск лучших дизайнов за минуты

Скорость сама по себе недостаточна: проектировщикам также нужно исследовать, какие формы дают наилучшие характеристики. Для этого исследователи интегрировали ResNES в стратегию поиска под названием Adaptive Elite Learning Particle Swarm Optimization. Проще говоря, этот алгоритм рассматривает каждую пробную форму как движущуюся точку в общем ландшафте и подталкивает популяцию точек в сторону более эффективных областей. Поскольку ResNES оценивает конструкции так быстро, комбинированная система может просканировать десятки тысяч вариантов за считанные минуты. По сравнению с методами, которые для каждой попытки используют медленные симуляции, новый подход сокращает общее время проектирования более чем на семьдесят процентов, даже с учётом времени, затраченного на сбор данных и обучение сети.

К более совершенным миниатюрным датчикам

Исследование показывает, что как только нейросеть выучила связь между компоновкой и вибрацией, она может надёжно заменить тяжёлые симуляторы и направлять продвинутые алгоритмы поиска. Полученные дизайны демонстрируют более низкие рабочие частоты и более выгодные интервалы между резонансными тонами, чем те, что находят методом проб и ошибок. Поскольку рамки метода используют простые сеточные шаблоны, их можно расширить для учёта других характеристик, таких как движение вне плоскости, уровни напряжений или даже тепловые эффекты. Для неспециалистов главный вывод таков: интеллектуальные инструменты проектирования помогают инженерам быстрее создавать лучшие и более энергоэффективные микроприборы, что в конечном счёте приносит пользу технологиям от навигационных систем до медицинских датчиков.

Цитирование: 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

Ключевые слова: проектирование MEMS-резонаторов, глубокое обучение, структурная оптимизация, мироприборы, настройка частоты