综述：表面声波技术与人工智能的融合

《Ultrasonics》：The convergence of surface acoustic wave technology and artificial intelligence

　　徐鸿生|叶伟豪|刘向宇|曾向宇|阿基尔·卡迪尔中国安徽大学集成电路先进材料与技术产业教育研究院，合肥230601摘要表面声波器件已成为通信、传感以及新兴神经形态硬件领域的关键组成部分，然而其在材料、架构及工作环境方面的日益复杂性，暴露出传统设计及信号处理方法的局限性。与此同时，机器学习为建模高维系统以及从含噪声的多参数数据中提取信息提供了强大工具。本综述探讨了表面声波技术与机器学习之间快速发展的融合关系，涵盖了器件级建模、多参数传感以及基于表面声波的神经形态硬件等方面。首先，我们介绍了如何将机器学习作为传统仿真和简化建模的替代手段，例如利用神经网络根据目标性能指标对表面声波谐振器进行逆向设计，或是运用回归模型从模拟或实测响应中提取模式耦合参数，从而提升谐振器设计的速度与可靠性。接着，我们研究了经过机器学习优化的表面声波传感技术，重点关注在复杂环境及机械条件下工作的薄膜型及柔性铝钪氮化物器件，案例包括利用机器学习回归技术区分弯曲引起的应变与目标信号的柔性紫外线传感器，以及利用散射参数特性抑制温度、湿度与紫外线强度之间相互干扰的集成框架。最后，我们阐述了表面声波如何被用作神经形态及人工智能硬件中的低功耗执行器，可用于控制铁铑合金中的相变，并生成磁斯格明子以实现人工突触与神经元功能。在这些应用领域中，我们总结了数据表示、模型选择及评估方面的共性规律，同时指出了数据集构建、模型可解释性以及在边缘设备与柔性平台上的应用等领域的挑战。通过连接射频设计、传感技术及神经形态计算领域，本综述为发展基于机器学习的表面声波系统指明了方向，这类系统能够充分利用表面声波的物理特性与现代数据驱动方法的灵活性……引言表面声波器件已从传统的射频组件发展为广泛应用于通信、传感[1]、[2]、[3]、声流控[4]、[5]、[6]以及新兴量子与自旋电子学系统的技术平台。借助压电基底上的叉指换能器[7]、[8]、[9]、[10]、[11]，表面声波器件可将电信号转换为局限于固体表面的声波，然后再反射回来。这种表面限制作用，再加上对波长、开口尺寸及传播路径的精确控制，使得这类器件能够成为体积小、无源且可能无需布线的组件，同时对表面或其附近的扰动具有高度敏感性。因此，表面声波滤波器与谐振器现已成为手机、基站及卫星终端中的标准元件，而表面声波传感器与执行器则越来越多地被用于环境监测、生化检测[12]、[13]、[14]、[15]、[16]、[17]、[18]、[19]、[20]、[21]、[22]、[23]、芯片实验室操作[24]、[25]、[26]以及混合微波-光子信号处理领域。近年来，薄膜型及柔性压电材料的进展极大地拓展了表面声波技术的设计可能性[27]。基于氮化铝及掺钪氮化铝的薄膜表面声波器件可以集成到硅、玻璃或金属等常见基底上，与集成电路制造工艺兼容，同时还具备较高的声速、较强的机电耦合效应以及良好的热稳定性。与此同时，制备在超薄玻璃或聚合物膜上的表面声波器件则具有重量轻、机械柔韧性强且生物相容性好的优点，因而适合用于可穿戴设备、植入式装置及航空航天应用中的弯曲或移动表面[28]、[29]。这类柔性表面声波平台尤其适用于需要在无需笨重封装或刚性外壳的情况下对弯曲结构进行信号监测的场景[30]。然而，正是这些让表面声波器件功能强大的特性，也带来了新的挑战。在柔性器件中，弯曲与机械应变会通过声弹性效应改变声速，同时还会改变叉指换能器的几何结构，从而导致频率偏移及与目标刺激无关的信号变化。这些由应变引发的伪影可能会掩盖或扭曲对紫外线辐射、气体分子或生物物质等目标刺激的响应，进而降低传感精度与长期稳定性。传统的缓解方法依赖于精心设计的器件结构、严格的薄膜质量管控，或是使用参考通道来消除应变带来的影响。但这些方法往往会对制造工艺提出严格限制，增加读出复杂度，或限制传感平台的通用性与可扩展性。即便对于刚性器件而言，高性能表面声波组件的设计与优化也并非易事。品质因数、插入损耗、带宽以及杂散模式抑制等关键指标取决于众多变量，包括基底切割方式与方向、薄膜堆叠结构、叉指换能器几何形状、金属化处理、负载条件以及封装方式等。有限元法与边界元法是目前进行精确器件级仿真的标准方法[31]，但在需要遍历广泛参数范围或进行逆向设计时，其计算成本会变得极高。而诸如等效电路及模式耦合理论之类的快速简化模型[32]、[33]、[34]虽然能降低计算时间，但依赖于少量需从详细仿真或实验数据中提取的模式耦合参数，包括波速、反射与激发系数、电容值以及损耗参数。通过周期性格林函数或经验曲线拟合进行参数提取的工作十分繁琐，容易受到测量噪声及初始假设的影响，而且难以在不同器件及不同制造批次之间实现标准化。这些限制阻碍了对表面声波设计空间的系统性探索，也减缓了新架构的开发进度，尤其是在新兴的薄膜型与柔性平台上。在传感方面，表面声波器件本身就存在对多种参数的交叉敏感性问题。质量负载、黏弹性、导电性、介电常数、温度、湿度或应变[10]、[35]等因素往往会同时以非线性方式影响相同的共振频率与传输光谱。在户外结构健康监测或飞行中的航空航天平台等实际环境中，通常会有多种环境参数同时发生变化，此时产生的信号是所有因素共同作用的混合体，而非单一测量量的纯净表征。传统解决方案如使用具有不同功能层的参考器件、采用复杂封装来隔离某些变量，或应用简单的一参数补偿公式，只能部分解决这一问题，且难以适应多参数或动态变化的条件。随着表面声波系统逐渐发展成为高度集成的多功能传感节点，交叉干扰、参数漂移及校准问题便成为了亟待解决的障碍。与这些技术发展同步的是，机器学习及更广泛的人工智能技术已成为建模复杂系统以及从高维、含噪声数据中提取信息的强大工具[36]、[37]、[38]、[39]、[40]、[41]、[42]。在表面声波器件设计领域，机器学习模型可作为替代模型或“代理模型”，模拟有限元法/边界元法或模式耦合仿真的行为。神经网络及其他回归算法可以通过训练，直接将结构参数（如叉指换能器间距、占空比、开口尺寸、电极厚度及薄膜成分）映射为导纳或散射响应，或从这些响应进一步推导出更高层次的性能指标。通过学习几何结构、导纳曲线与性能指标之间的稳定映射关系，这类模型能够实现端到端的数据驱动设计流程，大幅减少重复进行复杂数值仿真的需求。机器学习还被用于从实测阻抗或散射数据中推断模式耦合参数，提高了简化模型提取的准确性、重复性及自动化水平，同时也使得在滤波器设计中更快速、可靠地应用模式耦合理论成为可能。在传感与系统层面，机器学习还提供了专注于信号解读与参数分离的互补功能。人们不再将表面声波器件视为仅具有简单校准曲线的单一输出传感器，而是可以从其频域与时域响应中提取多种特征，进而训练从线性及多项式回归到正则化模型、基于树的集成模型、梯度提升模型以及堆叠集成框架等各类监督学习模型，以实现同时预测多种环境变量。当这些模型在涵盖温度、湿度、紫外线强度及机械应变等多种实际组合条件的数据集上得到训练后，就能够学会区分彼此紧密关联的响应，从而以远高于传统方法的精度与稳健性恢复目标测量量。对于柔性及贴合型器件而言，基于机器学习的回归技术可以明确区分由应变引起的响应与目标刺激所产生的响应，从而有效“去除”弯曲带来的伪影，而无需依赖专门的参考通道或高度受限的器件设计。像沙普利加性解释这样的模型可解释性工具，还能帮助识别哪些特征及运行条件对预测结果起主导作用，为器件工程设计及测量策略的优化提供反馈[43]、[44]、[45]、[46]、[47]。除了利用机器学习辅助表面声波技术的发展外，表面声波器件本身也在被探索作为神经形态及人工智能硬件的构成要素。声波能够高效地与具有强磁弹效应或相变特性的功能材料相互作用，例如铁铑合金或用于存储磁斯格明子的多层结构[48]、[49]、[50]、[51]、[52]、[53]。表面声波引发的应变与声热效应可以触发磁相变、调节磁阻，并控制拓扑自旋结构，从而实现低功耗的人工突触与神经元功能[54]、[55]、[56]。在基于表面声波的器件中，已经实现了包括非线性激活函数、长时程增强与抑制效应以及短时程可塑性在内的各种神经形态基本功能，且其能耗密度通常远低于当前基于电流驱动的自旋电子学系统。这些成果表明，表面声波与人工智能之间存在相互促进的关系：机器学习提升了表面声波系统的设计、校准及解读能力，而基于表面声波的混合系统则为未来类脑计算提供了有潜力的物理基础[57]、[58]、[59]、[60]。尽管取得了快速发展，但在表面声波与机器学习的交叉领域，不同研究群体之间的工作仍较为分散：射频与滤波器设计人员、薄膜及柔性器件工程师、传感与微流控研究人员以及神经形态硬件开发团队往往使用不同的术语、数据集及性能评估标准来处理相关问题。目前迫切需要一种统一的视角，明确机器学习在表面声波器件全生命周期中所能发挥的不同作用，比较不同应用领域中的方法论差异，同时识别出常见的设计模式与尚未解决的挑战。本综述旨在为表面声波器件与机器学习之间的关系提供这样的综合视角。首先，我们总结了表面声波技术的基本原理及其多样性，重点介绍了薄膜型与柔性平台及其关键性能指标。接着，我们探讨了借助机器学习进行表面声波器件建模与逆向设计的方法，包括替代建模、简化模型参数提取以及端到端的基于神经网络的设计方法。随后，我们研究了经过机器学习优化的表面声波传感与信号处理技术，重点关注多参数分离、能够抵抗应变影响的柔性传感技术，以及集成化与可解释性强的模型。最后，我们分析了用于神经形态及人工智能硬件的基于表面声波的混合结构，并指出了当前面临的跨领域挑战与未来机遇，如标准化数据集、基于物理原理且资源效率更高的模型，以及在边缘设备或无电池平台上的应用等。通过将声学器件物理机制与数据驱动的智能技术相结合，本综述旨在为发展“原生机器学习型”表面声波系统指明方向，这类系统能够充分挖掘表面声波的丰富物理特性与现代人工智能的灵活适应性。图1所示的信息图概括了本综述在表面声波、机器学习及神经形态计算交叉领域的主题结构。四个板块分别对应：基于机器学习的表面声波设计与建模（包括替代导纳预测、逆向设计以及模式耦合参数提取）；在柔性平台上利用集成模型与堆叠模型实现的智能多参数表面声波传感；基于铁铑合金相变器件的用于实现神经元与突触功能的表面声波驱动神经形态硬件；以及利用声脉冲操控斯格明子群体作为潜在信息载体的表面声波控制斯格明子系统。总体而言，这四个方面为下一代表面声波-人工智能平台提供了连接材料科学、器件物理、数据驱动方法及计算架构的路线图。在整篇综述中，上文提到的“机制-材料-器件-系统”框架在各个主要章节过渡处都得到了强化：机制层面的进展（2《表面声波基础》，2.1 表面声波模式与传播特性，2.2 压电基底与薄膜平台）决定了活性材料平台的选择（2.5 表面声波灵敏度与活性材料相互作用，3.1 机器学习在表面声波器件工程中的应用动机）；材料属性则决定了器件性能的上限（3.2 表面声波导纳与散射特性的替代建模，4.2 基于回归的特征提取与应变下的紫外光预测）；而器件层面的能力最终决定了哪些系统级架构与应用是可行的（5 表面声波作为神经形态学及人工智能硬件中的活性元件，5.1 声学神经形态学器件的应用动机，5.2 由表面声波驱动的FeRh神经元与突触，5.3 推向系统级神经形态学架构，5.4 声学神经形态学平台的优势与挑战，6 用于神经形态学计算的受表面声波控制的斯格明子，6.1 作为神经形态学信息载体的斯格明子，6.2 声磁耦合与斯格明子形成机制，6.3 频幅、持续时间与时序作为突触控制参数，6.4 声学斯格明子计算架构的潜力，6.5 表面声波与斯格明子整合过程中的现存挑战，7 整合路径与混合平台）。

**片段摘录**
**表面声波模式与传播特性**：表面声波是一种局限于固体近表面区域的弹性扰动，通常仅穿透基底表面下一个波长深度。这种强烈的表面限制使其对表面或近表面的机械、电气、光学及磁学性质变化极为敏感。根据具体应用需求，还存在其他导向模式，如洛夫波（由上层结构引导的水平极化剪切波）、塞扎瓦波等。

**机器学习在表面声波器件工程中的应用动机**：表面声波谐振器、滤波器及延迟线的设计与优化涉及大量参数，包括基底取向、薄膜成分、IDT几何结构、反射器配置以及封装效应等。传统的有限元法与边界元法虽能准确描述器件物理特性，但计算成本高昂，尤其是在需要遍历数千种配置或进行迭代逆向设计时。因此，人们寻求更为简洁的分析框架，如COMM方法等。

**多参数敏感性及数据驱动解耦的需求**：表面声波传感器之所以具有极高的响应性，是因为声能被限制在基底表层几百纳米范围内。该区域内的质量载荷、黏弹性、导电性、介电常数、温度、湿度、应变或光生载流子等因素的变化，都可能显著改变器件的共振频率、插入损耗、相位及Q值。虽然这种多模态敏感性有利于实现宽频段检测，但同时也带来了诸多问题。

**声学神经形态学器件的应用动机**：随着传统冯·诺依曼架构在能效、响应速度及可扩展性方面面临局限，神经形态学硬件试图将大脑的关键计算原理——非线性、记忆功能、大规模并行处理以及时间整合——直接体现在物理基底上[123]–[129]。表面声波为构建此类架构提供了一条非传统但极具前景的途径。表面声波以低能耗传播，且能与磁性结构自然耦合，从而实现对自旋纹理、磁各向异性及相变过程的动态调控，这在基于FeRh及斯格明子的神经形态学系统中已有体现。

**斯格明子作为神经形态学信息载体**：磁性斯格明子是一种纳米级的、具有拓扑保护特性的自旋结构，其稳定性依赖于手性相互作用。这类结构因体积小、稳定性强，且仅需极低能量即可形成、移动或消失，因而有望成为神经形态学架构中用于表示突触权重、脉冲生成单元及存储位的理想候选者。与传统基于电荷的器件不同，基于斯格明子的元件具备独特的优势。

**表面声波+自旋电子学+光子学**：表面声波与自旋电子学及光子学平台的结合，为构建多功能混合系统提供了新路径。在这种系统中，传感、计算与信号传输可在同一物理基底上同时实现。表面声波可通过磁弹性相互作用与磁性序参量耦合，从而实现对自旋纹理、磁各向异性及相变过程的动态调控，这一特性在基于FeRh及斯格明子的神经形态学系统中已得到应用。

**综合展望与未来挑战**：本综述梳理了表面声波技术与人工智能领域快速发展的交叉态势，揭示了二者之间强大的协同效应，这种效应正在重塑器件设计、传感及计算方式。两者的融合为工程师和科学家提供了全新的工具集，使得以往难以实现的性能与功能成为可能。最后一部分总结了人工智能在表面声波领域中的多重作用，指出了当前需要解决的主要挑战。

**结论**：本综述探讨了机器学习如何逐步改变表面声波器件的设计、校准及重新应用方式，同时也分析了表面声波平台如何为低功耗计算硬件带来新的发展机遇。我们的目标并非简单罗列各类器件或算法，而是阐明机器学习在表面声波生态系统中的实际价值所在，以及从数据驱动的角度看待表面声波技术时所带来的变革。

**致谢**：本研究得到了中国国家自然科学基金（项目编号：62401008）以及安徽省教育厅高校科研重点项目（项目编号：2023AH050068）的资助。