AM：基于贝叶斯优化的蜘蛛网仿生纳米机械谐振器

纳米技术的重大进步使机械谐振器得到了显著改善，目前氮化硅纳米谐振器通过允许机械谐振器的运动与环境热噪声显著隔离而成为领先的微芯片平台。然而，迄今为止，人类直觉仍然是设计过程背后的驱动力。

图1. 用于设计蜘蛛网纳米机械谐振器的贝叶斯优化过程概述

在此，荷兰代尔夫特理工大学Miguel A. Bessa, Richard A. Norte等人受大自然的启发并在机器学习的指导下，开发了一种蜘蛛网纳米机械谐振器，该谐振器通过数据驱动优化算法发现的新型“扭转软夹紧”机制表现出与周围热环境隔离的振动模式。

基于该机制，谐振器在室温环境中表现出超过10亿的高机械品质因数（Q_m），避免了辐射损失且而无需使用声子晶体或亚微米光刻特征，使其大规模制造变得更加容易和便宜。

因此，该谐振器（具有微米级特征）可以通过光刻可靠地大规模制造，虽然高Q_m谐振器通常需要约20~30 nm的厚度，但作者设计了50 nm的厚度以简化制造。

图2. 优化的蜘蛛网设计表现出软夹紧模式

此外，该谐振器的低耗散率（f_m/Q_m≈75 µHz）也代表了朝高精度传感应用和室温量子技术迈出的重要一步，这包括量子限制力显微镜、“无腔”冷却方案和室温下运动的量子控制。本文提出的机器学习算法独立地研究了自然界中蜘蛛网实际使用的扭转振动机制，而无需了解蜘蛛网如何检测猎物。

尽管如此，这种由机器学习引导的数据驱动探索只是合理设计下一代纳米机械谐振器的第一步，实现高Q_m共振模式的演示方法不限于特定蜘蛛网，甚至可能适用于各种几何形状和设计。作者预计机器学习优化以及新的制造技术将在未来十年内导致纳米技术前所未有的大发展。

图3. 贝叶斯优化的最佳蜘蛛网纳米机械谐振器的实验表征

Spiderweb Nanomechanical Resonators via Bayesian Optimization: Inspired by Nature and Guided by Machine Learning, Advanced Materials 2021. DOI: 10.1002/adma.202106248

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/12/955a5d7ea0/

AM：基于贝叶斯优化的蜘蛛网仿生纳米机械谐振器

相关推荐