基于深度學(xué)習(xí)（DL）的數(shù)據(jù)驅(qū)動(dòng)的非參數(shù)化MEMS結(jié)構(gòu)設(shè)計(jì)方法

MEMS器件的結(jié)構(gòu)設(shè)計(jì)對(duì)其物理性能和最終性能有著深遠(yuǎn)的影響。然而，對(duì)于研究人員來說，合理地考慮大量可能的設(shè)計(jì)是一項(xiàng)挑戰(zhàn)，因?yàn)槭褂脭?shù)值仿真研究所有這些情況將非常耗時(shí)和耗費(fèi)資源。

據(jù)麥姆斯咨詢報(bào)道，近日，一支由美國(guó)加州大學(xué)伯克利分校（University of California, Berkeley）、中國(guó)武漢大學(xué)、清華大學(xué)的研究人員組成的團(tuán)隊(duì)在Microsystems & Nanoengineering期刊上發(fā)表了題為“Deep learning for non-parameterized MEMS structural design”的最新論文，該團(tuán)隊(duì)提出了一種基于深度學(xué)習(xí)（DL）的數(shù)據(jù)驅(qū)動(dòng)的非參數(shù)化MEMS結(jié)構(gòu)設(shè)計(jì)方法，所提出的技術(shù)可以快速篩選數(shù)千個(gè)設(shè)計(jì)候選方案，并促進(jìn)無經(jīng)驗(yàn)和數(shù)據(jù)驅(qū)動(dòng)的MEMS結(jié)構(gòu)設(shè)計(jì)。

圖1 深度學(xué)習(xí)輔助非參數(shù)化MEMS設(shè)計(jì)的系統(tǒng)組件

近幾十年來，機(jī)器學(xué)習(xí)（ML）被認(rèn)為是一項(xiàng)重要的創(chuàng)新，在工業(yè)領(lǐng)域取得了巨大的成功。機(jī)器學(xué)習(xí)的一個(gè)關(guān)鍵方面是，它通過揭示給定數(shù)據(jù)集的原始輸入和最終輸出之間的關(guān)鍵關(guān)系來實(shí)現(xiàn)自動(dòng)化自我改進(jìn)。機(jī)器學(xué)習(xí)的這種自我更新特性使廣泛的跨學(xué)科領(lǐng)域受益，如機(jī)器人、健康信息學(xué)、蛋白質(zhì)工程、統(tǒng)計(jì)物理學(xué)、計(jì)算化學(xué)和材料發(fā)現(xiàn)等?，F(xiàn)代機(jī)器學(xué)習(xí)技術(shù)可以與力學(xué)的最新進(jìn)展相結(jié)合，以推動(dòng)MEMS的最佳設(shè)計(jì)解決方案。

在之前的研究中，人們已經(jīng)成功使用機(jī)器學(xué)習(xí)技術(shù)分析器件信號(hào)和設(shè)計(jì)器件結(jié)構(gòu)。雖然后者已經(jīng)為數(shù)據(jù)驅(qū)動(dòng)的MEMS設(shè)計(jì)帶來了開創(chuàng)性的成果，但它們通常需要該領(lǐng)域的高水平的先驗(yàn)知識(shí)。在這些研究工作中，人們首先確定基本的設(shè)計(jì)拓?fù)浣Y(jié)構(gòu)，然后使用機(jī)器學(xué)習(xí)算法優(yōu)化詳細(xì)的結(jié)構(gòu)參數(shù)。

在本論文研究中，作者們提出了一種數(shù)據(jù)驅(qū)動(dòng)的非參數(shù)化設(shè)計(jì)方法，作為一種重要的替代方法。非參數(shù)化設(shè)計(jì)方法從零開始逐個(gè)體素構(gòu)建目標(biāo)結(jié)構(gòu)，不受給定拓?fù)浣Y(jié)構(gòu)的約束。相反，當(dāng)給定一些設(shè)計(jì)變量（例如總體尺寸和材料特性）時(shí)，該方法可以創(chuàng)建大量的設(shè)計(jì)組合。在過去，這種方法對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)來說計(jì)算成本很高，并且生成的無數(shù)數(shù)據(jù)集導(dǎo)致了分析過程中的復(fù)雜性。本論文研究中使用的深度學(xué)習(xí)（DL）技術(shù)提供了一個(gè)很好的解決方案，因?yàn)樗梢杂行У貜拇罅繑?shù)據(jù)集中學(xué)習(xí)隱藏模式。深度學(xué)習(xí)方法利用多層簡(jiǎn)單但非線性的模塊構(gòu)建預(yù)測(cè)模型，這些模塊將每個(gè)層次的表征轉(zhuǎn)化為稍高層次的表征。有了足夠數(shù)量的層，構(gòu)建的模型就可以確定非常復(fù)雜的隱藏模式。

使用深度學(xué)習(xí)模型，他們構(gòu)建了一個(gè)自動(dòng)化系統(tǒng)框架，適用于各類MEMS器件的無經(jīng)驗(yàn)、非參數(shù)化設(shè)計(jì)。在本論文研究工作中，他們以MEMS諧振器為例進(jìn)行介紹。過去，人們已經(jīng)深入研究了不同應(yīng)用中的MEMS諧振器，例如定時(shí)基準(zhǔn)、無線通信系統(tǒng)中的濾波器以及各種模塊中的傳感元件。MEMS諧振器的兩個(gè)重要特性是：（1）諧振模態(tài)/頻率；（2）品質(zhì)（簡(jiǎn)稱“Q”）因數(shù)。雖然諧振器具有無限多種諧振模態(tài)，但只有有限的幾種具有實(shí)際應(yīng)用，例如彎曲模態(tài)、體模態(tài)和酒杯模態(tài)。對(duì)于許多應(yīng)用，諧振器結(jié)構(gòu)設(shè)計(jì)的一個(gè)關(guān)鍵目標(biāo)是減少所選模態(tài)的能量損失（或者換句話說，提高該模態(tài)的品質(zhì)因數(shù)），以提高器件的靈敏度、分辨率和精度。找到正確的幾何結(jié)構(gòu)對(duì)于實(shí)現(xiàn)理想的諧振模態(tài)和頻率以及高品質(zhì)因數(shù)至關(guān)重要。然而，對(duì)于人類直覺和數(shù)值分析來說，尋找正確的設(shè)計(jì)是一個(gè)非常具有挑戰(zhàn)且耗時(shí)的過程。本論文的工作旨在解決這個(gè)問題。

在本論文研究中，作者們提出使用深度學(xué)習(xí)技術(shù)，通過快速準(zhǔn)確地預(yù)測(cè)具有不同幾何結(jié)構(gòu)特征的眾多設(shè)計(jì)候選方案的物理特性，加速M(fèi)EMS設(shè)計(jì)周期。他們使用像素化的黑白圖像以非參數(shù)、無拓?fù)浼s束的形式表示設(shè)計(jì)候選方案。經(jīng)過充分的訓(xùn)練后，深度神經(jīng)網(wǎng)絡(luò)（DNN）可以快速計(jì)算出人們感興趣的物理特性，并具有良好的精度，而無需使用傳統(tǒng)的數(shù)值工具（如有限元分析）。作為一個(gè)例子，他們將深度學(xué)習(xí)方法應(yīng)用于預(yù)測(cè)圓盤形微尺度諧振器的模態(tài)頻率和品質(zhì)因數(shù)。通過合理的訓(xùn)練，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)成為一個(gè)高速、高精度的計(jì)算器：與傳統(tǒng)的數(shù)值仿真軟件包相比，其識(shí)別彎曲模態(tài)頻率和品質(zhì)因數(shù)的速度分別快4.6 × 103倍和2.6 × 10?倍，精度分別為98.8±1.6%和96.8±3.1%。當(dāng)它同時(shí)預(yù)測(cè)頻率和品質(zhì)因數(shù)時(shí)，在設(shè)計(jì)過程中可以節(jié)省高達(dá)96.0%的總計(jì)算時(shí)間。

圖2 深度學(xué)習(xí)計(jì)算器的諧振頻率和品質(zhì)因數(shù)的回歸性能評(píng)估

圖3 基于深度學(xué)習(xí)計(jì)算器的設(shè)計(jì)方案排名和計(jì)算成本

綜上，本論文所提出的深度學(xué)習(xí)技術(shù)不局限于MEMS諧振器的設(shè)計(jì)，還可以擴(kuò)展到其他類型的MEMS器件，如微尺度壓電能量采集器、加速度計(jì)、陀螺儀等。通過在未來將深度學(xué)習(xí)計(jì)算器與深度學(xué)習(xí)設(shè)計(jì)器結(jié)合起來，計(jì)算結(jié)果可以直接指導(dǎo)新的候選結(jié)構(gòu)方案的生成，以達(dá)到預(yù)期的設(shè)計(jì)目標(biāo)。另一個(gè)可能的未來方向是在神經(jīng)網(wǎng)絡(luò)中加入MEMS的多層結(jié)構(gòu)特征，將提出的數(shù)據(jù)驅(qū)動(dòng)方法應(yīng)用于更復(fù)雜的MEMS器件。在選擇了理想的結(jié)構(gòu)設(shè)計(jì)后，數(shù)據(jù)驅(qū)動(dòng)方法還可以應(yīng)用于預(yù)測(cè)和改良MEMS工藝，以考慮關(guān)鍵工藝步驟（旋轉(zhuǎn)涂層、曝光、多晶硅和氧化物沉積、蝕刻、退火等）中的參數(shù)、材料表面形貌和缺陷以及工藝中的異常情況對(duì)最終器件性能和可靠性的影響。

論文信息：
https://doi.org/10.1038/s41378-022-00432-9

編輯：黃飛

?