文章导读

随着MEMS传感器技术的不断发展，其功能和结构日益复杂，多样化应用需求使得依靠传统研究手段完成器件研制的难度不断增加。近年来，神经网络技术凭借其卓越的回归和分类能力，在工程实践中解决了大量分类、建模和预测问题，显著提高了研究效率。这一优势也逐渐延伸至MEMS传感器领域。近日，西安电子科技大学刘岩副教授、王卫东教授团队在 Micromachines 期刊上发表综述文章，从传感器设计、制造以及输出补偿与标定等方面，系统介绍了神经网络技术在MEMS传感器研究中的应用现状。文章详细阐述了神经网络技术在MEMS传感器研发中的优势 (见图1)，并探讨了当前研究的不足及未来发展趋势。

• 图1. MEMS传感器研发中的传统方法和神经网络方法。

主要内容

1. 传感器设计中的神经网络技术

神经网络作为一种强大的建模工具，能够在数据集的支持下，映射敏感结构响应与尺寸参数之间的复杂关系，有效解决了理论建模和有限元法在复杂结构建模中计算难度大、资源消耗多的问题，为传感器结构参数优化提供了高效模型，显著提升了设计效率 (见图2)。

进一步地，经过训练的神经网络模型可以作为结构生成器，根据所需性能参数生成满足要求的结构方案和尺寸参数组合。这一过程需要合理定义结构参数模型，并采用串联双向网络等方法提高生成精度。

• 图2. 基于神经网络的盘式MEMS谐振器尺寸优化方案。

2. 传感器制造中的神经网络技术

神经网络在图像处理方面的强大能力可应用于MEMS传感器制造中的掩膜图像生成和芯片封装缺陷识别等问题。如图3a所示，基于卷积神经网络的方法能够有效识别芯片划痕、破损、胶面褶皱和键合线断裂等常见缺陷。然而，由于可用缺陷样本有限，通常需要采用缩放、翻转和调色等方法进行数据扩增，以满足神经网络训练对数据集的需求 (见图3b)。

• 图3. 传感器芯片封装中的 (a) 缺陷识别和 (b) 数据集扩增。

3. 传感器补偿和标定中的神经网络技术

MEMS传感器的输出信号常因温度等因素出现显著的噪声和漂移。神经网络能够处理大量数据并挖掘隐藏关系，有效解决谐振式陀螺仪、电容式加速度计、压电重力传感器等多种器件的输出信号温漂、湿漂和降噪问题。

在传感器输出信号标定方面，神经网络可以建立精确的输入-输出关系，完成多输入参数解耦、反推输入参数特性、识别被测物种类等不同类型的标定任务，其标定精度和效率明显高于最小二乘拟合、多项式拟合等传统方法。

• 图4. 使用LSTM网络进行人体血糖水平预测。

挑战和展望

尽管神经网络技术在MEMS传感器领域取得了重要进展，但其应用发展仍面临诸多挑战：

(1) 综合性工具的缺失：当前神经网络技术工具功能较为单一，仅能完成传感器研发中的某一项任务，且多依赖简化模型，难以覆盖研发全过程。

(2) 训练数据集的快速建立：目前所用数据集多依赖有限元仿真或实际实验数据，建立过程仍需大量资源。

(3) 神经网络效能的通用评价：由于传感器结构和类型繁多，当前神经网络应用效果的评价多以传统方法为对比对象，缺乏统一的通用基准，导致不同模型效能评价难度较大。

(4) 神经网络模型的泛化能力：当前应用于MEMS传感器的神经网络多针对单一问题建立模型，当研究对象变化时，数据集建立和网络训练过程需重新开展。后续研究需在通用数据集和神经网络训练方法等方面进一步探索，以提升模型的泛化能力。

原文出自 Micromachines 期刊

Liu, Y.; Ping, M.; Han, J.; Cheng, X.; Qin, H.; Wang, W. Neural Network Methods in the Development of MEMS Sensors. Micromachines 2024, 15, 1368. https://doi.org/10.3390/mi15111368

Micromachines 期刊介绍

期刊研究内容涉及微/纳米结构、材料、器件、系统及与微纳技术相关的基础研究和应用。

• 2024 Impact Factor: 3.0
• 2024 CiteScore: 6.0