MEMS器件的結構設計對其物理性能和最終性能有著深遠的影響。然而，對于研究人員來說，合理地考慮大量可能的設計是一項挑戰(zhàn)，因為使用數(shù)值仿真研究所有這些情況將非常耗時和耗費資源。

據(jù)麥姆斯咨詢報道，近日，一支由美國加州大學伯克利分校（University of California, Berkeley）、中國武漢大學、清華大學的研究人員組成的團隊在Microsystems & Nanoengineering期刊上發(fā)表了題為“Deep learning for non-parameterized MEMS structural design”的最新論文，該團隊提出了一種基于深度學習（DL）的數(shù)據(jù)驅(qū)動的非參數(shù)化MEMS結構設計方法，所提出的技術可以快速篩選數(shù)千個設計候選方案，并促進無經(jīng)驗和數(shù)據(jù)驅(qū)動的MEMS結構設計。

圖1 深度學習輔助非參數(shù)化MEMS設計的系統(tǒng)組件

近幾十年來，機器學習（ML）被認為是一項重要的創(chuàng)新，在工業(yè)領域取得了巨大的成功。機器學習的一個關鍵方面是，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鍵關系來實現(xiàn)自動化自我改進。機器學習的這種自我更新特性使廣泛的跨學科領域受益，如機器人、健康信息學、蛋白質(zhì)工程、統(tǒng)計物理學、計算化學和材料發(fā)現(xiàn)等。現(xiàn)代機器學習技術可以與力學的最新進展相結合，以推動MEMS的最佳設計解決方案。

在之前的研究中，人們已經(jīng)成功使用機器學習技術分析器件信號和設計器件結構。雖然后者已經(jīng)為數(shù)據(jù)驅(qū)動的MEMS設計帶來了開創(chuàng)性的成果，但它們通常需要該領域的高水平的先驗知識。在這些研究工作中，人們首先確定基本的設計拓撲結構，然后使用機器學習算法優(yōu)化詳細的結構參數(shù)。

在本論文研究中，作者們提出了一種數(shù)據(jù)驅(qū)動的非參數(shù)化設計方法，作為一種重要的替代方法。非參數(shù)化設計方法從零開始逐個體素構建目標結構，不受給定拓撲結構的約束。相反，當給定一些設計變量（例如總體尺寸和材料特性）時，該方法可以創(chuàng)建大量的設計組合。在過去，這種方法對于傳統(tǒng)的機器學習來說計算成本很高，并且生成的無數(shù)數(shù)據(jù)集導致了分析過程中的復雜性。本論文研究中使用的深度學習（DL）技術提供了一個很好的解決方案，因為它可以有效地從大量數(shù)據(jù)集中學習隱藏模式。深度學習方法利用多層簡單但非線性的模塊構建預測模型，這些模塊將每個層次的表征轉(zhuǎn)化為稍高層次的表征。有了足夠數(shù)量的層，構建的模型就可以確定非常復雜的隱藏模式。

使用深度學習模型，他們構建了一個自動化系統(tǒng)框架，適用于各類MEMS器件的無經(jīng)驗、非參數(shù)化設計。在本論文研究工作中，他們以MEMS諧振器為例進行介紹。過去，人們已經(jīng)深入研究了不同應用中的MEMS諧振器，例如定時基準、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諧振器的兩個重要特性是：（1）諧振模態(tài)/頻率；（2）品質(zhì)（簡稱“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際應用，例如彎曲模態(tài)、體模態(tài)和酒杯模態(tài)。對于許多應用，諧振器結構設計的一個關鍵目標是減少所選模態(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。找到正確的幾何結構對于實現(xiàn)理想的諧振模態(tài)和頻率以及高品質(zhì)因數(shù)至關重要。然而，對于人類直覺和數(shù)值分析來說，尋找正確的設計是一個非常具有挑戰(zhàn)且耗時的過程。本論文的工作旨在解決這個問題。

在本論文研究中，作者們提出使用深度學習技術，通過快速準確地預測具有不同幾何結構特征的眾多設計候選方案的物理特性，加速MEMS設計周期。他們使用像素化的黑白圖像以非參數(shù)、無拓撲約束的形式表示設計候選方案。經(jīng)過充分的訓練后，深度神經(jīng)網(wǎng)絡（DNN）可以快速計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）。作為一個例子，他們將深度學習方法應用于預測圓盤形微尺度諧振器的模態(tài)頻率和品質(zhì)因數(shù)。通過合理的訓練，深度學習神經(jīng)網(wǎng)絡成為一個高速、高精度的計算器：與傳統(tǒng)的數(shù)值仿真軟件包相比，其識別彎曲模態(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%。當它同時預測頻率和品質(zhì)因數(shù)時，在設計過程中可以節(jié)省高達96.0%的總計算時間。

圖2 深度學習計算器的諧振頻率和品質(zhì)因數(shù)的回歸性能評估

圖3 基于深度學習計算器的設計方案排名和計算成本

綜上，本論文所提出的深度學習技術不局限于MEMS諧振器的設計，還可以擴展到其他類型的MEMS器件，如微尺度壓電能量采集器、加速度計、陀螺儀等。通過在未來將深度學習計算器與深度學習設計器結合起來，計算結果可以直接指導新的候選結構方案的生成，以達到預期的設計目標。另一個可能的未來方向是在神經(jīng)網(wǎng)絡中加入MEMS的多層結構特征，將提出的數(shù)據(jù)驅(qū)動方法應用于更復雜的MEMS器件。在選擇了理想的結構設計后，數(shù)據(jù)驅(qū)動方法還可以應用于預測和改良MEMS工藝，以考慮關鍵工藝步驟（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

?