机器学习驱动的高性能MEMS磁盘共振器陀螺仪结构拓学的发现
Chen Chen1, Jinqiu Zhou2,3, Hongyi Wang4
1Xi'an Jiaotong University, Faculty of Electronic and Information Engineering, Xi'an, China.
Microsystems & nanoengineering
|October 30, 2024
概括
研究人员使用深度强化学习 (DRL) 开发了一种机器学习方法,以发现新的微电力学系统磁盘共振陀螺仪 (MEMS DRG) 设计. 这种人工智能驱动的方法可以快速识别高性能拓,克服传统的设计挑战.
科学领域:
- 工程 工程师 工程师 工程师
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 设计高性能微电机械系统磁盘共振器陀螺仪 (MEMS DRGs) 是具有挑战性的,因为巨大的设计空间和复杂的物理.
- 传统的有限元分析 (FEA) 耗时,阻碍了MEMS DRG拓优化的快速创新.
研究的目的:
- 引入一种基于机器学习的新方法,用于发现高性能MEMS DRG结构拓.
- 克服传统设计方法的局限性,加速发现创新的陀螺仪结构.
主要方法:
- 将DRG拓表示为像素化二进制矩阵,并将设计任务作为路径规划问题.
- 使用深度强化学习 (DRL) 来解决拓发现的路径规划问题.
- 开发基于卷积神经网络 (CNN) 的替代模型,以取代DRL训练中计算成本昂贵的FEA用于奖励信号.
主要成果:
- 与FEA相比,实现了4.03 × 10^5的显著加速度比,将训练时间缩短到每次运行426.5秒.
- 通过8000次训练运行,发现了7120种新的结构拓,许多实现了导航级精度.
- 识别了数量级超越传统设计的设计,展示了以前没有想到的解决方案.
结论:
- 拟议的机器学习方法极大地加速了新型高性能MEMS DRG拓学的发现.
- 这种人工智能驱动的方法为微型设备设计的创新开辟了新的途径,产生了卓越的性能特征.
