深度学习驱动的高自由度 MEMS 谐振器性能预测与设计

更聪明的微小机械

从智能手机到医疗扫描仪，许多现代设备都依赖刻在硅片上的微小振动部件。这些部件称为谐振器，类似显微级的音叉，用于感测运动、滤波信号或收集能量。传统上设计它们既缓慢又费时。该研究展示了深度学习（人工智能的一个分支）如何显著加速工程师设计和微调这些微型器件的过程。

这些微小振子为何重要

谐振器位于导航飞机、监测地震、为无线传感器供能以及读取量子态等系统的核心。不同任务需要截然不同的振动特性：一些应用需要较低的振动频率以捕捉缓慢运动或弱信号，而另一些则要求很高的频率以支持快速通信。振动模态之间的间距也很关键，因为某些频带间隙可避免模式间干扰并允许稳定的多功能运行。用传统计算仿真同时满足所有这些目标，针对单个有希望的设计可能就要花费数天甚至数周时间。

让神经网络学习物理

在这项工作中，作者构建了一个名为 ResNES 的深度学习工具，用来预测给定谐振器形状的振动特性。他们首先生成大量候选结构，这些结构由连接到框架的柔性梁与中心质量块组成。每个设计被绘制在方形网格上，转为黑白图案以表示硅材料的有无。对于每种图案，标准物理仿真器计算对应于质量块侧向运动的前两项振动频率。类似图像的图案及其振动结果构成了 ResNES 的训练数据，网络直接学习将结构映射到行为。

快速且可靠的预测

在一万例训练样本后，ResNES 对新设计的频率预测只需几毫秒，速度比传统仿真器快近一千到三千倍。对于相对简单的图案，其平均误差低于 3%，即使是更复杂的形状，精度仍然很高。团队还研究了网络学习复杂结构所需的样本数量，发现更细的设计网格需要更大的数据集。为验证这些数字化结果在实验中的可靠性，他们在硅片上制造了若干所设计的谐振器，并用基于激光的仪器测量其运动。实测频率与网络预测的差异低于 5%，差距较小，制造缺陷很可能解释了大部分偏差。

几分钟内寻优更佳设计

速度本身不足以满足需求；设计者还需探索哪种形状能带来最佳性能。为此，研究人员将 ResNES 与一种名为自适应精英学习粒子群优化（Adaptive Elite Learning Particle Swarm Optimization）的搜索策略相结合。简单来说，该算法将每个试验形状视为共享景观中的运动点，并推动这些点群体朝向表现更佳的区域。由于 ResNES 能极快地评估设计，组合系统可在几分钟内扫描数万种选项。与对每次试验都依赖昂贵仿真的方法相比，该新方案即便计入数据采集和网络训练的开销，也将总体设计时间缩短了七成以上。

迈向更强大的微型传感器

研究表明，一旦神经网络学会了布局与振动之间的联系，它就能可靠地替代耗时仿真并为高级搜索算法提供指导。所得设计在工作频率更低、振动模态间距更有利方面均优于传统的试错所得方案。因为该框架使用简单的网格图案，它可以扩展以包含其他行为，比如片外运动、应力水平乃至热效应。对非专业读者而言，结论是：像这样的智能设计工具可以帮助工程师更快地制造出更好、更节能的微型器件，最终惠及从导航系统到医疗传感器等多种技术。

引用: 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

关键词: MEMS 谐振器设计, 深度学习, 结构优化, 微型器件, 频率调谐