所有为超低信号设计的传感器都有一个共同的敌人：环境噪声。无论是热、电、振动还是其他类型的传感器，由此产生的较差信噪比（SNR）很容易覆盖想要探测的未知信号。因此，即使开发出超灵敏的传感方案也可能无法提供有实际意义的改进。
为此，荷兰代尔夫特理工大学（Delft
University of Technology, TU
Delft）的一支研究团队受到大自然的启发，设计开发了一种极其精确的微芯片传感器，它最有意义且吸引人的优势是可以在室温下工作，不需要接近绝对零度以最小化热噪声的影响。
据麦姆斯咨询介绍，受自然界蜘蛛网的启发，通过将纳米技术与机器学习相结合，该团队设计出了一种能够与日常热噪声极端隔离的纳米机械振动传感器。研究人员用纳米氮化硅（Si3N4）薄膜构建并测试了这种微芯片设计，该薄膜具有高固有应力、屈服强度、温度稳定性和化学惰性等材料特性。
纳米技术与机器学习的融合
领导这项研究的Richard Norte和Miguel Bessa受到来自大自然的灵感，探索了将纳米技术与机器学习相结合的新传感方案。项目共同负责人Richard Norte表示：“我已经在这个方向研究了十年，在疫情管控期间，我注意到露台上有很多蜘蛛网。我突然意识到，蜘蛛网是非常好的振动探测器，蜘蛛便是通过感测蜘蛛网内部的振动来找到猎物。那么，我们为什么不利用经过数百万年进化的现成‘方案’呢？将蜘蛛网作为超灵敏传感器的初始模型。”
由于研究团队对蜘蛛网的复杂性一无所知，他们决定利用机器学习来指导探索过程。项目共同负责人Miguel Bessa补充道：“我们知道实验和模拟既昂贵又耗时，因此我们决定使用一种被称为贝叶斯优化的算法，用很少的尝试找到最优的设计。”
团队成员Dongil Shin随后通过计算机模型，应用机器学习算法来探索新的器件设计。
图1 蜘蛛网纳米机械谐振器设计的贝叶斯优化过程：（A）迭代中的设计和模拟振型。（B）品质因数Qm的演变（红色标记和红线表示迭代之前的最高品质因数）。（C）频率fm。（D）从之前优化点到该迭代中考量点的距离。（E）每次迭代时六个设计参数的值，在优化过程中提供设计思路。
令研究人员惊讶的是，该算法从150种不同的蜘蛛网设计中提出了一种相对简单的蜘蛛网设计，仅由六个参数字符串以一种简单得令人难以置信的方式组合而成。
图2 蜘蛛网纳米机械谐振器模型
该设计通过数据驱动优化算法发现的新型“扭转软钳位（torsional soft-clamping）”机制，与周围热环境隔离。
图3 优化蜘蛛网设计展现软钳位机制
Bessa补充说：“Dongil的计算机模拟显示，该器件可以在室温下工作（室温下原子振动很大），但从环境中泄露进来的能量低的难以置信——换句话说，它具有更高的品质因数。通过机器学习和优化，我们成功地将Richard的蜘蛛网概念应用于这种更高的品质因数。”
测试“蜘蛛网”微芯片
研究人员制作了一个微芯片传感器原型，通过强力振动微芯片“网”，测量振动停止所需要的时间来进行测试。他们通过超高真空（UHV）装置（以避免空气阻尼）中的“振铃（ringdown）”测量来确定系统的品质因数。
图4 制造工艺和机械特性示意图。工艺步骤包括将Si3N4沉积到硅衬底上（A），掩模图案化（B），通过干法蚀刻Si3N4图案化（C），去除掩模（D），以及Si3N4底切和释放（E）。蜘蛛网纳米机械谐振器由压电执行器驱动，其运动通过平衡零差干涉仪（F）进行光学测量。
振铃测量包括使用压电器件共振激发纳米机械谐振器的运动，停止驱动，然后通过干涉光学读出观察谐振器运动的衰减。谐振器振幅的衰减率给出了其能量耗散率，从而给出其机械品质因数。
测试结果令人印象深刻，在室温下展示了破纪录的隔离振动。Norte说：“我们发现在‘蜘蛛网’微芯片外几乎没有能量损失。振动在网内来回运动，不接触网外。这有点像是在荡秋千时用力推一把，理想状况下可以来回荡一个世纪。”
研究人员测量了‘蜘蛛网’微芯片的机械品质因数（Qm），即储存在谐振器中的能量与一个振荡周期内耗散的能量之比，大于10亿。此外，这种紧凑的设计不需要亚微米级光刻或复杂的声子带隙，这使其大规模制造变得更加容易且经济。
这项研究成果已经以“Spiderweb Nanomechanical Resonators via Bayesian Optimization: Inspired by Nature and Guided by Machine Learning”为题发表于Advanced Materials。
延伸阅读：
《传感器技术和市场趋势-2020版》
