Micro-spring force sensors using conductive photosensitive resin fabricated via two-photon polymerization
Notice bibliographique
Résumé
The rapid miniaturization of electronic devices has fueled unprecedented demand for flexible, high-performance sensors across fields ranging from medical devices to robotics. Despite advances in fabrication techniques, the development of micro- and nano-scale flexible force sensors with superior sensitivity, stability, and biocompatibility remains a formidable challenge. In this study, we developed a novel conductive photosensitive resin specifically designed for two-photon polymerization, systematically optimized its printing parameters, and improved its structural design, thereby enabling the fabrication of high-precision micro-spring force sensors (MSFS). The proposed photosensitive resin, doped with MXene nanomaterials, combines exceptional mechanical strength and conductivity, overcoming limitations of traditional materials. Using a support vector machine model in machine learning techniques, we optimized the polymerizability of the resin under varied laser parameters, achieving a predictive accuracy of 92.66%. This model significantly reduced trial-and-error in the TPP process, accelerating the discovery of ideal fabrication conditions. Finite element analysis was employed to design and simulate the performance of the MSFS, guiding structural optimization to achieve high sensitivity and mechanical stability. The fabricated MSFS demonstrated outstanding electromechanical performance, with a sensitivity coefficient of 5.65 and a fabrication accuracy within ±50 nm, setting a new standard for MSFS precision. This work not only pushes the boundaries of sensor miniaturization but also introduces a scalable, efficient pathway for the rapid design and fabrication of high-performance flexible sensors. The development of flexible, high-performance microscale force sensors remains a critical challenge for next-generation biomedical and wearable electronics. Here, we report a novel micro-spring force sensor fabricated via two-photon polymerization using a custom-designed conductive photosensitive resin doped with MXene nanosheets. The resin formulation was optimized to balance mechanical strength and electrical conductivity while ensuring high-resolution printability. To accelerate parameter optimization, a support vector machine model was trained to predict polymerization outcomes based on laser conditions and material compositions, achieving a prediction accuracy of 92.66%. Finite element analysis guided the design of the MSFS structure, enabling tunable electromechanical performance. The fabricated MSFS exhibited excellent sensitivity high fabrication precision and long-term stability. These results demonstrate the potential of integrating machine learning, functional nanomaterials, and TPP microfabrication to enable scalable, high-precision production of intelligent microsensors for biomedical and soft robotic applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».