人工智能加速PMUT设计用于生物医学超声应用

一份专为MEMS工程师、生物医疗设备开发者以及多物理场仿真专家提供的白皮书现已发布。这份白皮书展示了一种基于人工智能加速的优化工作流程，该流程专注于优化压电微加工超声波换能器（PMUTs），帮助工程师在灵敏度、带宽以及电阻抗等复杂设计权衡之间做出最佳选择。通过使用标准云端基础设施，该方法在几分钟内即可实现经过验证的性能改进，大幅缩短设计周期。

Quanscient 的多物理场 AI（MultiphysicsAI）技术结合了云端有限元仿真（FEM）与神经网络代理模型，彻底颠覆了以往依靠试错法的 PMUT 设计习惯。这一创新方法通过基于 10,000 组随机几何参数的仿真数据完成训练，并生成误差低至 1% 的 AI 代理模型。在关键性能指标——传输灵敏度、中心频率、分数带宽以及电阻抗——上的推理时间低至毫秒级，为设计人员提供了透明、高效的数据驱动洞察。

白皮书展示了一项研究案例，优化了PMUT的几何参数设计。通过Quanscient的多物理场AI工作流程，工程师能够将分数带宽从65%提升至100%，灵敏度增加了2至3分贝，同时保持12 MHz的中心频率波动不超过±0.2%。这种帕累托前沿优化方法在改进多个性能目标的同时，极大地提高了设计效率。

在生物医学成像和传感应用领域，设计PMUT需要精准平衡灵敏度与带宽的性能要求，同时满足严格的频率目标。然而，传统的“仿真-构建-测试”周期性方法提供的全球设计空间视野有限。Quanscient的解决方案通过云端可扩展多物理场仿真与AI代理模型的结合，使逆向设计效率实现质的飞跃，从而显著减少了工程师的重复性工作。

白皮书深入探讨了如何利用10,000组压电-结构-声学耦合仿真实现四个几何参数的优化，并验证性能提升的可靠性。在标准计算资源支持下，这一过程能够在几秒钟内完成，为PMUT设计从逐步迭代转向系统化优化树立了全新标准。

本次白皮书由Quanscient赞助，并由IEEE Spectrum和Wiley联合发布。IEEE Spectrum作为IEEE的旗舰出版物，一直致力于前沿技术的探索与讨论，针对工程、科学和技术的应用与趋势提供权威引领。本白皮书的发布，展示了新技术为MEMS领域及更广泛工程领域带来的深远影响。