基于物理信息神经网络的可扩展MEMS超声波阵列特征模态预测方法

《IEEE Open Journal of Ultrasonics, Ferroelectrics, and Frequency Control》：Physics-Informed Eigen-Solution Neural Networks for Ultra-Fast Simulation and Optimization of Multimodal MEMS Ultrasonic Arrays

　　

摘要：

微机电系统（MEMS）超声波阵列在现代各种超声波技术中发挥着关键作用，然而随着阵列规模和模态复杂性的增加，预测其频率响应和元件间耦合变得越来越困难。我们提出了一种物理信息驱动的求解神经网络，能够快速、可扩展地预测此类阵列行为，包括元件间的声学耦合。该框架将阵列问题分解为单元级和特征模态子问题，将基础组件——特征值计算——分配给物理信息驱动的神经网络。由于相关的特征模态源于几何定义的时间谐波特征值问题，网络能够准确学习模态参数，并实现远低于非物理模型验证误差的结果。这些学习到的特征解驱动一个解析等效电路模型，在GPU加速下，可实现两到三个数量级的速度提升，并扩展至超过1,000个单元的阵列——远超传统有限元模拟的可行性。使用数字全息显微镜对制造单元进行的测量验证了预测的特征模态，大规模几何扫描演示了快速识别具有改进声学性能的设计。为了促进进一步研究，通过GitHub提供了一个开放获取的模拟软件，为下一代多特征模态MEMS超声波换能器的超快速设计和优化提供了一种数据高效且可扩展的方法论。