机器学习与遗传算法辅助设计具有多重梁式牵引装置的MEMS谐振器，以降低锚点丢失的风险

《IEEE Transactions on Electron Devices》：Machine Learning and Genetic Algorithm-Assisted Design of MEMS Resonator With Multifold Beam Tether for Anchor Loss Reduction

基于机器学习和遗传算法优化的多束连接平方扩展模式MEMS谐振器设计，通过神经网络预测锚点损失并利用贝叶斯优化和遗传算法协同优化设计参数，最终实现10.141MHz谐振频率和Q值超372000的实验验证。

　　

摘要：

在这项工作中，提出了一个结合机器学习（ML）和遗传算法（GA）的优化框架，用于设计具有多重梁式连接器的方形扩展（SE）模式微机电系统（MEMS）谐振器。这种多重梁式连接器旨在抑制锚点损失，并通过ML模型和GA进行进一步优化。首先，利用有限元方法（FEM）仿真生成的数据集对神经网络（NN）进行训练，以准确预测锚点损失。随后采用贝叶斯优化来确定NN模型的最佳超参数，并将其与GA结合，以高效探索多维设计空间。通过GA搜索获得了与最大预测锚点损失相对应的最佳连接器几何结构。基于替代模型预测的连接器尺寸进行FEM仿真，以验证优化框架的可靠性。最终，制造出了采用优化后的多重梁式连接器的SE模式谐振器，并对其进行了实验测试。实验结果表明，该谐振器的共振频率为10.141 MHz，品质因数（Q）为372×10^5。所提出的基于替代模型的GA优化框架为连接器优化提供了一种简单高效的方法，显著降低了锚点损失，有助于实现高品质因数的MEMS谐振器。