A Unified AI Approach for Modeling the Properties of MEMS Ultrasonic Transducers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Finite-element (FE) sweeps remain the standard for analyzing microelectromechanical systems (MEMS) ultrasonic transducers but are slow to traverse large geometry–bias spaces. This paper develops a multi-output surrogate that predicts the ultrasonic response of piezoelectric micromachined ultrasonic transducers (PMUTs) directly from compact design and operating descriptors, enabling millisecond-level evaluation for design-space exploration and bias tuning. Inputs include shape (circle/square), diaphragm diameter (200–600 μm), anchor count/geometry (2–8), and DC bias (5–15 V), with optional fabrication process features (e.g., membrane thickness, cavity depth). Targets comprise resonance frequency f0, quality factor (Q), sensitivity, center displacement, bias-tuning coefficient, β, and motional resistance, Rm. A dataset of 40 PiezoMUMPs chips is assembled with labels from COMSOL sweeps, laser Doppler vibrometry (LDV), and admittance-based fits. Six architectures, residual multilayer perceptron (MLP), convolutional neural network (CNN), gated recurrent unit (GRU), long short-term memory (LSTM), Transformer, and a CNN+LSTM hybrid, are benchmarked under a standardized pipeline (feature scaling, multi-target loss, 70/15/15 split, and five-fold cross-validation) with physics-preserving augmentation and multi-fidelity densification. All models achieve sub-percent normalized error; a compact Transformer encoder attains ≈ 0.03% normalized RMSE while preserving physically consistent trends with respect to shape, size and bias. The surrogate generalizes and supports inverse design, multi-objective optimization, and closed-loop bias control, reducing reliance on inner-loop FE sweeps.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle