MEMS盘式谐振陀螺新型拓扑设计方法及原理

引言

微机电系统陀螺仪（MEMS gyroscope）是一类基于科里奥利效应实现角速度或转角检测的微型惯性器件，是运动追踪与惯性导航系统中的核心组成部分。与传统机械陀螺仪相比，MEMS陀螺仪具有体积小、成本低、功耗低等优势，因此在物联网、机器人、交通运输、空间导航以及先进医疗设备等领域具有广阔的应用前景。然而，其整体性能仍低于传统机械陀螺仪，这在一定程度上限制了其在高端场景中的进一步应用，因此提升MEMS陀螺仪性能始终是该领域的重要研究方向。

在多种MEMS陀螺结构中，盘式谐振陀螺（disk resonator gyroscope，DRG）因具有高灵敏度、良好的抗振性能、较低锚点损耗、简并模态特性以及较低温度敏感性，被认为是实现高性能MEMS陀螺的重要候选器件。图1系统总结了现有提升DRG性能的三类主要设计思路，即结构参数优化、拓扑细化以及新型结构拓扑创制。其中，参数优化和拓扑细化主要是在已有结构基础上进行改进，而新型拓扑创制则试图从材料空间布局出发构建全新的结构形式，更有可能带来性能突破。

然而，面向DRG的新型拓扑设计长期以来被认为是一项极具挑战性的任务。一方面，结构拓扑本身具有高度复杂性，其优化过程本质上可归结为困难的0–1整数规划问题；另一方面，MEMS器件涉及多种复杂的微尺度物理效应，使得结构性能与材料布局之间的关系更加难以刻画。此外，DRG性能评估高度依赖精确建模与高保真有限元分析，而此类分析通常计算代价高、耗时长，难以支持大规模设计空间中的高效搜索。正因如此，过去二十年间，DRG结构拓扑创新的发展在很大程度上受到限制。

为解决拓扑设计效率低、创新能力不足等问题，数据驱动的机器学习方法近年来逐渐被引入MEMS器件设计领域，并已在谐振器、压力传感器和加速度计等器件中得到探索。这类方法通常将拓扑设计问题表述为学习任务或优化任务，试图借助数据驱动模型提升设计效率与自动化水平。尽管已有相关研究取得了一定进展，但现有方法仍普遍存在设计自由度有限、几何约束较强的问题，难以充分释放MEMS器件的潜在性能。

同时，多数方法在性能评估阶段仍不可避免地依赖高成本有限元分析，这不仅限制了可探索方案的数量，也容易使优化过程停留在局部最优附近。对于DRG而言，除上述共性问题外，还进一步面临严格几何约束、工作模态识别复杂以及多步骤有限元评估等特殊困难，使得已有面向其他MEMS器件的机器学习设计方法难以直接迁移应用。因此，如何在满足DRG特有几何与物理约束的前提下，构建一种兼具高设计自由度、高搜索效率和低计算成本的结构拓扑发现方法，成为该研究亟需解决的关键问题。

设计原理

本文的设计原理如图2所示，其核心在于构建一个由深度强化学习拓扑发现模块与神经网络代理评价模块组成的闭环设计框架，从而实现盘式谐振陀螺新型结构拓扑的高效自动发现。

该框架包括两部分：一方面，在结构发现阶段，预先设定起点、终点及路径点等初始状态，由深度强化学习智能体在给定设计空间内逐步生成候选拓扑；在每次探索结束后，环境调用代理模型对当前设计进行快速性能评估，并据此计算奖励信号，引导智能体不断向更优拓扑搜索，最终从多次探索中筛选出最优候选结构。另一方面，在代理模型构建阶段，采用随机策略在设计空间中生成大量结构样本，并通过有限元分析依次完成编译、网格划分、本征频率分析、目标模态识别及多物理场性能仿真，获得对应性能标签，进而建立以二值矩阵拓扑为输入、以性能指标为输出的代理模型。

同时，为提高数据获取自动化程度，还引入卷积神经网络，将目标简并模态识别转化为二分类问题，用于辅助训练数据标注与筛选。最终，该方法通过“随机采样与有限元仿真构建数据集—训练模态识别网络与性能代理模型—强化学习利用代理模型进行快速搜索—有限元对最优结果进行验证”这一整体流程，将传统高成本、低效率的结构设计过程转化为数据驱动的智能发现过程，从而提升了盘式谐振陀螺拓扑设计的效率与创新能力。

在该数据驱动智能设计流程中，coventor 软件可提供关键助力：其专业 MEMS 参数化建模与高阶单元技术，能快速构建 DRG 精准模型；多物理场耦合求解器可高效完成模态识别与性能仿真，仿真速度较普通工具显著提升；自动生成降阶模型功能，大幅降低代理模型训练成本，完美适配深度强化学习闭环框架。建议使用coventor 加速 DRG 新型拓扑研发，实现设计效率与创新能力双重提升。