La evaluación en tiempo real basada en el aprendizaje automático de la desviación de fabricación indujo variaciones...

Área de la Ciencia:

• Ciencia de los materiales Ciencia de los materiales.
• Ingeniería mecánica Ingeniería mecánica.
• Ciencias de la computación Ciencias de la computación

Sus antecedentes:

• La fabricación de sistemas microelectromecánicos (MEMS) ofrece una electrónica flexible escalable y miniaturizada basada en silicio.
• Las desviaciones de fabricación en las microestructuras tienen un impacto significativo en el rendimiento mecánico, lo que requiere métodos de evaluación precisos.
• Las técnicas de evaluación actuales carecen de la precisión requerida para los procesos de fabricación de MEMS sensibles.

Objetivo del estudio:

• Desarrollar una metodología basada en el aprendizaje automático (ML) para predecir con precisión y rapidez el rendimiento mecánico de las estructuras estirables micro-Kirigami.
• Evaluar la influencia de las desviaciones geométricas inducidas por la fabricación en propiedades mecánicas como el módulo de Young y la extensibilidad.
• Para permitir la retroalimentación en tiempo real para el diseño para la fabricación (DFM) en la electrónica estirable a base de silicio.

Principales métodos:

• Utilizó un marco de aprendizaje automático (ML) que incorpora una técnica de reducción de dimensionalidad para el modelado de pocos disparos.
• Aplicó las explanadas SHapley Additive (SHAP) para cuantificar el impacto de las características geométricas en el rendimiento mecánico.
• Desarrolló una metodología para vincular las desviaciones geométricas inducidas por el proceso con la probabilidad de calificación del rendimiento mecánico.

Principales resultados:

• Se han logrado precisiones de predicción superiores al 95% en el conjunto de pruebas de rendimiento mecánico.
• Cuantificó la influencia de características geométricas específicas en el módulo de Young equivalente y la máxima extensibilidad elástica.
• Demostró la capacidad de retroalimentación en tiempo real que correlaciona las desviaciones geométricas con el rendimiento.

Conclusiones:

• La metodología de evaluación basada en ML propuesta predice con precisión el rendimiento mecánico de las estructuras Parylene 3D micro-Kirigami.
• Este enfoque apoya el diseño para la fabricación (DFM) para dispositivos estirables basados en silicio.
• Sienta las bases para la fabricación a escala de obleas de alta consistencia de electrónica avanzada de silicio extensible.