Piezoelectric Micromachined Ultrasonic Transducers (PMUTs): Performance Metrics, Advancements, and Applications
Notice bibliographique
Résumé
With the development of technology, systems gravitate towards increasing in their complexity, miniaturization, and level of automation. Amongst these systems, ultrasonic devices have adhered to this trend of advancement. Ultrasonic systems require transducers to generate and sense ultrasonic signals. These transducers heavily impact the system's performance. Advancements in microelectromechanical systems have led to the development of micromachined ultrasonic transducers (MUTs), which are utilized in miniaturized ultrasound systems. Piezoelectric micromachined ultrasonic transducers (PMUTs) exhibit higher capacitance and lower electrical impedance, which enhances the transducer's sensitivity by minimizing the effect of parasitic capacitance and facilitating their integration with low-voltage electronics. PMUTs utilize high-yield batch microfabrication with the use of thin piezoelectric films. The deposition of thin piezoelectric material compatible with complementary metal-oxide semiconductors (CMOS) has opened novel avenues for the development of miniaturized compact systems with the same substrate for application and control electronics. PMUTs offer a wide variety of applications, including medical imaging, fingerprint sensing, range-finding, energy harvesting, and intrabody and underwater communication links. This paper reviews the current research and recent advancements on PMUTs and their applications. This paper investigates in detail the important transduction metrics and critical design parameters for high-performance PMUTs. Piezoelectric materials and microfabrication processes utilized to manufacture PMUTs are discussed. Promising PMUT applications and outlook on future advancements are presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».