北理工團隊在機器學習構筑超彈性微網方面取得重要突破
發(fā)布日期：2026-02-04 供稿：物理學院 攝影：物理學院
編輯：王莉蓉 審核：陳珂 閱讀次數：
近日，北京理工大學物理學院/光電學院李家方教授研究團隊提出了一種融合機器學習與納米剪紙加工技術的創(chuàng)新研究思路，成功開發(fā)出一種具備力學超彈性和振動可分辨的人工微網。本工作通過將遺傳算法與深度學習相結合，突破了傳統(tǒng)仿生蛛網結構的力學彈性局限，并探索了其在超靈敏質量傳感和振動信息加密方面的應用潛力，為微納機械傳感、微納機電系統(tǒng)（MEMS/NEMS）、機械超材料、生物操控和信息加密等領域的研究提供了新的思路。該創(chuàng)新成果于近期發(fā)表于國際頂級刊物Advanced Materials（IF: 26.8）上。
“師法自然”的研究理念已逐步發(fā)展成為極具創(chuàng)造力的跨學科交叉研究范式，并顯著賦能了結構工程、力/光學超材料及微操縱技術等領域的發(fā)展。其中，微納尺度的仿生蛛網結構設計成為一個重要的實踐范例，已在超靈敏力學傳感器、可拉伸器件及機械諧振器等領域展現出了重要的應用潛力。然而，目前絕大多數的人工仿生蛛網結構設計仍存在力學彈性較弱的問題，這一缺陷限制了其在某些領域的力學性能發(fā)揮與多功能應用能力，尤其在微納尺度應用場景中，精準制備并自由操控高機械彈性、形貌變換可控的仿生蛛網結構變得極具挑戰(zhàn)性。因此，尋求有效設計方案并實現微納尺度高彈性蛛網結構的制備，對于開發(fā)基于仿生學的高精度力學微傳感器以及動態(tài)微機械器件至關重要。
圖1. 結合遺傳算法與深度學習的超彈性微網優(yōu)化設計示意圖。
為解決上述難題，北理工團隊創(chuàng)新性地將機器學習優(yōu)化設計與納米剪紙加工技術相結合，設計并實現了一種微納尺度下的超彈性人工微網結構。首先，研究團隊構建了“遺傳算法+深度學習”的雙優(yōu)化框架，通過遺傳算法模擬生物進化過程實現全局優(yōu)化，并利用深度學習模型替代傳統(tǒng)繁瑣的數值模擬數據源獲取方案，大幅提升了優(yōu)化設計效率（圖1）。在實驗實現上，采用團隊所開發(fā)的納米剪紙加工技術，成功精準制備出優(yōu)化后的超彈性微網結構，同時借助原子力顯微鏡（AFM）的精密納米尺度力學表征手段，開展了微結構的力學剛度表征以及機械耐久性測試，實驗結果展示出該結構具備與設計相符的優(yōu)良力學特性和優(yōu)異的機械耐久性（圖2），為探索微網的機械振動性能及應用提供了良好條件。
圖2. 超彈性微網的實驗制備及力學特性表征。
為探究超彈性微網結構的功能特性及應用潛力，團隊通過利用激光多普勒測振儀揭示了微網結構超靈敏的低頻振動響應能力，并將此特性應用在了質量傳感及信息加密兩個方面。在超靈敏微小質量傳感方面，超彈性微網結構如同“微型蹦床”一般可以“裝載”微小物體（如圖3所示）。當微小物體放置于微網結構的中心圓盤區(qū)域時，其結構共振頻率則會產生規(guī)律性偏移，通過建立頻率偏移量與質量變化的關系模型，即可實現對微小物體的質量傳感監(jiān)測。實驗結果顯示，該傳感平臺可實現皮克級（pg）微小物體的質量傳感，靈敏度高達-0.801 kHz/pg。值得一提的是，該微網結構尺寸僅為20微米左右（頭發(fā)絲直徑的四分之一），因此，利用電子束曝光等相關制備工藝可以實現大規(guī)模陣列集成，有望進一步發(fā)展大陣列微型質量檢測技術及其生物傳感應用技術。
圖3. 基于超彈性微網結構的超靈敏微小物體質量傳感。
此外，在信息加密應用方面，研究團隊基于微網振動“結構參數-力學剛度-共振響應”之間的映射規(guī)律，發(fā)現了優(yōu)化前后微網結構剛度差異引起的共振特性（包括振幅和相位）變化等規(guī)律。基于該規(guī)律，通過巧妙地將多種結構進行編碼設計和組合，實現了“特定振動”選擇性激發(fā)“特定信息顯示”的信息加密策略（如圖4所示）。相比于傳統(tǒng)光學加密對光學強度信息的依賴，這種基于微網振動可分辨的新型信息加密方案為MEMS兼容的多維信息安全策略研究提供了一種新的技術途徑。
圖4. 基于微網陣列的振動信息加密概念驗證及演示。
綜上所述，本工作將機器學習優(yōu)化設計與納米剪紙加工工藝有機結合，精準構筑了超彈性且振動可分辨的人工微網結構，實現了皮克量級下的超靈敏微小物體質量傳感，探索了多維振動可分辨的動態(tài)信息加密應用，為力學微納傳感器、MEMS/NEMS諧振器、機械超材料、生物操作以及信息加密領域的創(chuàng)新發(fā)展提供了新穎的研究思路和技術途徑。北理工博士生孫浩哲為論文第一作者，北理工洪孝榮博士（現集成電路與電子學院特立博士后）和李家方教授為通訊作者。研究團隊感謝北京理工大學分析測試中心、懷柔綜合極端條件實驗裝置微納加工實驗室（SECUF）等給予的支持與幫助。該交叉學科研究工作得到了國家自然科學基金（基礎科學中心、國家杰出青年基金和面上項目）、國家重點研發(fā)計劃、北京市自然科學基金、中國博士后科學基金等項目的支持。
文章信息（*為通訊作者）：
Haozhe Sun, Xiaorong Hong*, Jijie Tang, Weikang Dong, Qinghua Liang, Yongyue Zhang, Yanzhong Wang, Chongrui Li, Yingying Chen, Meihua Niu, Yang Wang, Jiahua Duan, Xiaoyang Duan, Feng Li, Jiafang Li*, “Machine learning-assisted ultraelastic and vibration-resolvable microwebs”, Advanced Materials, e19941 (2026).
文章鏈接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.202519941
分享到：