Combining Deep Learning and Optimization for MEMS Devices Design

Abstract

Micro-electromechanical systems (MEMS) devices play a crucial role in today’s electronics revolutionizing various industries through their miniaturization and increased performance capabilities. In particular, MEMS resonators are essential for sensing, timing, and filtering applications, where demand for smaller, better-performing devices is paramount. Recent advancements in resonator design, use machine-learning algorithms to streamline the generation process, by significantly increasing design speed. Moreover, these approaches allow operators to generate designs based on target properties, customizing the generated designs for specific use cases. However, these advancements do not particularly focus on generating designs with the best possible performances, meaning the best results are not always obtained. In this thesis, done in collaboration with the ESAT-MNS from KU Leuven, we bridged this gap by developing an optimization pipeline capable of mixing optimization strategies with generative models to generate resonator geometries with improved performances. The approach, which uses a process similar to Active Learning, has achieved a mean generated designs’ performance improvement of around 5.6%, compared to designs generated by an unoptimized generative model. This improvement ensures design geometry solutions that are higher performing, while still generating them faster than human designers ever could, streamlining the design process.

Dispositivos MEMS desempenham um papel crucial na eletrónica hoje-em-dia, revolucionando várias indústrias por meio de sua miniaturização e capacidades acrescidas de desempenho. Em particular, os osciladores MEMS são essenciais para aplicações de detecção, temporização e filtragem, onde a demanda por dispositivos menores e de melhor desempenho é de extrema importância. Avanços recentes no design de osciladores utilizam algoritmos de aprendizagem automática para otimizar o processo de geração, aumentando significativamente a velocidade de design. Além disso, essas abordagens permitem que os operadores gerem designs com base em propriedades alvo, personalizando os designs gerados para casos de uso específicos. No entanto, esses avanços não se concentram particularmente em gerar designs com os melhores desempenhos possíveis, ou seja, os melhores resultados nem sempre são obtidos. Nesta tese, realizada em colaboração com o ESAT-MNS da KU Leuven, preenchemos esta lacuna ao desenvolver uma pipeline de otimização capaz de combinar estratégias de otimização com modelos generativos, para gerar geometrias de osciladores com desempenhos melhorados. Esta abordagem, que utiliza um processo semelhante ao Active Learning, obteve uma melhoria média de performance dos designs gerados de cerca de 5.6%, em comparação com designs gerados por um modelo generativo não otimizado. Esta melhoria garante geometrias de design com melhor desempenho, gerando os designs mais rapidamente do que os deseigners humanos poderiam, simplificando o processo de design.