Yüksek Serbestlik Dereceli MEMS Rezonatörlerin Derin Öğrenme Destekli Performans Öngörüsü ve Tasarımı

Daha akıllı küçük makineler

Akıllı telefonlardan tıbbi tarayıcılara kadar birçok modern cihaz, silikon çiplerin içine oyulmuş küçük titreşen parçalara dayanır. Rezonatör adı verilen bu parçalar, hareketi algılayan, sinyalleri filtreleyen veya enerji toplayan mikroskobik akort çataları gibi davranır. Geleneksel olarak bunların tasarımı yavaş ve titiz bir süreçti. Bu çalışma, yapay zekanın bir dalı olan derin öğrenmenin mühendislerin bu minyatür makineleri tasarlama ve ince ayar yapma şeklini nasıl önemli ölçüde hızlandırabileceğini gösteriyor.

Bu küçük titreşenlerin önemi

Rezonatörler, uçakların navigasyonundan deprem izlemeye, kablosuz sensörlerin güçlendirilmesinden kuantum durumlarının okunmasına kadar birçok sistemin merkezinde yer alır. Farklı işler çok farklı davranışlar gerektirir. Bazı uygulamalar yavaş hareketleri veya zayıf sinyalleri yakalamak için düşük titreşim frekanslarına ihtiyaç duyarken, bazıları hızlı iletişim için çok yüksek frekanslar ister. Titreşim tonları arasındaki aralık da önemlidir; belirli boşluklar modlar arasındaki girişimi önlemeye ve kararlı, çok işlevli çalışmaya izin verir. Geleneksel bilgisayar simülasyonlarıyla tüm bu hedeflere aynı anda ulaşmak, tek bir umut verici tasarım için günler hatta haftalar alabilir.

Ağı fizik öğrenmeye bırakmak

Bu çalışmada yazarlar, bir rezonatör şeklinin nasıl titreştiğini tahmin eden ResNES adlı bir derin öğrenme aracı geliştiriyor. Önce merkezi bir kütlenin esnek kirişlerle bir çerçeveye bağlandığı çok sayıda aday yapı üretiyorlar. Her tasarım kare bir ızgaraya çiziliyor ve silikonun nerede bulunduğunu gösteren basit siyah-beyaz bir desene dönüştürülüyor. Her desen için standart bir fizik simülatörü kütlenin yana doğru hareketine karşılık gelen ilk iki titreşim frekansını hesaplıyor. Bu görüntü benzeri desenler ve onların titreşim sonuçları ResNES için eğitim malzemesini oluşturuyor; ağ doğrudan yapıyı davranışa eşlemeyi öğreniyor.

Güvenilir doğrulukla hızlı tahminler

On bin örnek üzerinde eğitildikten sonra ResNES, yeni tasarımlar için titreşim frekanslarını sadece birkaç milisaniyede tahmin ediyor; bu, geleneksel simülatöre göre neredeyse bin ila üç bin kat daha hızlı. Nispeten basit desenlerde ortalama hatası yüzde üçün altında kalıyor ve daha karmaşık şekillerde bile doğruluk yüksek düzeyde sürüyor. Ekip ayrıca ağın karmaşık yapıları öğrenmesi için kaç örneğe ihtiyaç duyduğunu inceliyor ve daha ince tasarım ızgaralarının daha büyük veri kümeleri gerektirdiğini buluyor. Bu sayısal sonuçların laboratuvarda da geçerli olduğunu kontrol etmek için tasarlanan birkaç rezonatörü silikon wafer üzerinde üretiyorlar ve hareketlerini lazer tabanlı bir cihazla ölçüyorlar. Ölçülen frekanslar ağın tahminlerinden yüzde beşten daha az farklılık gösteriyor; bu farkın çoğunu muhtemelen üretim kusurları açıklıyor.

Dakikalar içinde daha iyi tasarımlar aramak

Hız tek başına yeterli değil; tasarımcıların hangi şekillerin en iyi performansı verdiğini de keşfetmesi gerekiyor. Bunu yapmak için araştırmacılar ResNES’i Adaptive Elite Learning Particle Swarm Optimization adlı bir arama stratejisine entegre ediyor. Basitçe söylemek gerekirse, bu algoritma her deneme şeklini paylaşılan bir manzaradaki hareketli bir nokta olarak ele alıyor ve nokta topluluğunu daha iyi performans gösteren bölgelere doğru itiyor. ResNES tasarımları çok hızlı değerlendirdiği için birleşik sistem dakikalar içinde on binlerce seçeneği tarayabiliyor. Her deneme için yavaş simülasyonlara dayanan yöntemlerle karşılaştırıldığında, yeni yaklaşım veri toplama ve ağ eğitimi için harcanan çaba dahil edildiğinde bile toplam tasarım süresini yüzde yetmişten fazla kısaltıyor.

Daha yetenekli küçük sensörlere doğru

Çalışma, bir sinir ağı düzen ile titreşim arasındaki bağı öğrendikten sonra ağır hizmet simülasyonlarının yerine güvenilir şekilde geçebileceğini ve gelişmiş arama algoritmalarını yönlendirebileceğini gösteriyor. Ortaya çıkan tasarımlar, geleneksel deneme-yanılma ile bulunanlardan daha düşük işletme frekansları ve titreşim tonları arasında daha elverişli aralıklar sağlıyor. Çerçeve basit ızgara desenleri kullandığı için, plandışı hareketler, gerilme seviyeleri veya hatta termal etkiler gibi diğer davranışları da içerecek şekilde genişletilebiliyor. Konu uzmanı olmayanlar için çıkarılacak sonuç, bu tür akıllı tasarım araçlarının mühendislerin daha iyi, daha enerji verimli mikro aygıtları daha hızlı yaratmasına yardımcı olabileceği ve bunun nihayetinde navigasyon sistemlerinden tıbbi sensörlere kadar pek çok teknolojinin faydasına olacağıdır.

Atıf: 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

Anahtar kelimeler: MEMS rezonatör tasarımı, derin öğrenme, yapısal optimizasyon, mikroaygıtlar, frekans ayarı