CN117854643A - 一种基于图形神经网络的mems膜仿真方法及系统 - Google Patents
一种基于图形神经网络的mems膜仿真方法及系统 Download PDFInfo
- Publication number
- CN117854643A CN117854643A CN202311836643.5A CN202311836643A CN117854643A CN 117854643 A CN117854643 A CN 117854643A CN 202311836643 A CN202311836643 A CN 202311836643A CN 117854643 A CN117854643 A CN 117854643A
- Authority
- CN
- China
- Prior art keywords
- node
- simulation
- model
- mems membrane
- graphic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 103
- 239000012528 membrane Substances 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 230000003190 augmentative effect Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 239000000463 material Substances 0.000 claims abstract description 20
- 230000003416 augmentation Effects 0.000 claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 230000004907 flux Effects 0.000 claims abstract description 12
- 238000006073 displacement reaction Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 230000000704 physical effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 7
- 238000012356 Product development Methods 0.000 abstract description 2
- 238000004904 shortening Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 27
- 238000004364 calculation method Methods 0.000 description 12
- 102100038687 5'-nucleotidase domain-containing protein 3 Human genes 0.000 description 9
- 239000010408 film Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 102100031620 Cysteine and glycine-rich protein 3 Human genes 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000329 molecular dynamics simulation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于计算机领域MEMS膜结构智能仿真方法，特别涉及一种基于图形神经网络的MEMS膜仿真方法及系统。该方法包括：建立待仿真MEMS膜的边界条件、几何参数和材料特性的模型，进行图形网络模型重构；采用增广矩阵算法对重构的图形网络模型进行增广节点和拓扑的构造，得到图形表示；将图形表示输入预先建立和训练好的人工智能仿真模型中，得到相应的预测仿真结果，所述预测仿真结果包括：MEMS膜的位移、应变、温度、电流、电压、光强度、磁通量和应力分布；所述人工智能仿真模型采用图形神经网络。本发明有助于缩短产品开发周期，降低计算资源需求，实现快速迭代设计。
Description
技术领域
本发明属于计算机领域MEMS膜结构智能仿真方法，特别涉及一种基于图形神经网络的MEMS膜仿真方法及系统。
背景技术
目前的硅基MEMS膜是多种传感器敏感元件的核心部件，需要在设计时进行模型仿真并进行优化，然而传统的数值仿真算法求解大规模仿真问题时可能需要大量的计算资源，包括时间和内存，求解要很长的计算时间并且需要高性能计算机。传统数值方法无法进行复杂问题仿真尤其是非线性系统或具有复杂结构的模型。传统数值算法通常不提供模型可解释性，难以理解模型的内部运作方式。传统数值算法通常需要精确的数学模型来工作，而对于某些问题，这些模型可能不存在或难以建立。因此在进行MEMS膜的复杂结构仿真问题时，如何快速高效的进行MEMS膜仿真计算极为重要。目前国际上尚没有一种基于图形神经网络的MEMS膜仿真方法。
发明内容
本发明的目的在于克服现有技术缺陷，提出了一种基于图形神经网络的MEMS膜仿真方法及系统。
为了实现上述目的，本发明提出了一种基于图形神经网络的MEMS膜仿真方法，所述方法包括：
建立待仿真MEMS膜的边界条件、几何参数和材料特性的模型，进行图形网络模型重构；
采用增广矩阵算法对重构的图形网络模型进行增广节点和拓扑的构造，得到图形表示；
将图形表示输入预先建立和训练好的人工智能仿真模型中，得到相应的预测仿真结果，所述预测仿真结果包括：MEMS膜的位移、应变、温度、电流、电压、光强度、磁通量和应力分布；
所述人工智能仿真模型采用图形神经网络。
优选的，所述MEMS膜的边界条件包括：作用在模型边界上的载荷力、压强、温度、电流、电压、光强度及磁通量以及模型边界约束，所述边界约束包括：固定约束，自由约束，单一或者多维度约束；
所述几何参数包括：MEMS膜的形状结构、尺寸和界面厚度，通过计算机图形化建模或三维几何检测仪器进行重建获得；
所述材料特性包括：MEMS膜的材料属性，包括介电常数、密度、热传导系数、弹性模量、泊松比及磁导率，所述材料特性作为模型节点的本征特性。
优选的，所述进行图形网络模型重构，包括：
基于几何参数创建MEMS膜的图形表示，在图中，每个节点表示MEMS膜上的一个离散点，节点之间的连接关系由边表示，图g满足下式：
式中，ε是图形拓扑结构的所有成对关系边的集合，θ表示需要仿真的全局物理属性的向量，包括载荷力、压强、温度、电流、电压及磁通量，代表每个节点索引值ni组成的离散网格的节点信息，满足下式：
其中，xi为单位节点的坐标向量，i代表节点的序号。
优选的，所述采用增广矩阵算法对重构的图形网络模型进行增广节点和拓扑的构造，得到图形表示包括：
步骤1)输入连接性εin最近领域节点数量为κ，虚拟节点基数为η；
步骤2)初始化：
进行初始离散网格根节点结构建立；
建立循环变量i，匹配所有结构节点；
将初始节点通过邻域转化κ作为输入创建簇C；
在所有簇中心创建新的初始根部节点；
将根部节点匹配到虚拟节点的每一层的层内的c；
步骤3)在循环变量i未达到设定值n时，执行以下处理，否则转至步骤4)；
寻找邻域节点创建簇；
连接所有根部节点；
循环变量i自加一，转至步骤3)；
步骤4)定义增广节点域和增广拓扑结构ε′，对每个节点的所有传入消息求和来合并消息进行节点向量更新/>建立包括节点nj发送有向边的所有节点集合，成为其增广邻域图形/>
优选的，所述图形神经网络包括编码器，多节点处理器和解码器，其中，
所述编码器，用于将输入图形的任何节点和边数值特征嵌入到更高维度的潜在空间中；
所述多节点处理器，采用多层感知器或图自注意力网络的人工智能函数近似方法执行一系列消息传递步骤处理编码器的嵌入；
所述解码器，采用多个未观测层或隐藏层的网络形成深度网络，用于实现解码。
优选的，所述图形神经网络的解码过程包括：
根据输入的图形表示，将全局物理参数嵌入zθ，全局形状参数嵌入zg，局部连接输入以及进行增广图形域的物理属性/>求和，再通过对D维系统中的每一个参数组进行人工智能函数hd求解，得到仿真输出结果g′：
其中，j表示增广节点编号，d表示维度序号。
优选的，所述方法还包括人工智能仿真模型的训练步骤，包括：
建立训练集，所述训练集包括MEMS膜已知的几何参数、材料特性和边界条件以及相应的节点需要仿真的物理参量分布数据集；
将训练集输入图形神经网络进行训练，待满足训练误差边界条件，得到训练好的仿真模型。
另一方面，本发明提出了一种基于图形神经网络的MEMS膜仿真系统，所述系统包括：
图形化建模模块，用于建立待仿真MEMS膜的边界条件、几何参数和材料特性的模型，进行图形网络模型重构；
增广矩阵算法模块，用于采用增广矩阵算法对重构的图形网络模型进行增广节点和拓扑的构造，得到图形表示；和
仿真输出模块，用于将图形表示输入预先建立和训练好的人工智能仿真模型中，得到相应的预测仿真结果，所述预测仿真结果包括：MEMS膜的位移、应变、温度、电流、电压、光强度、磁通量和应力分布；
所述人工智能仿真模型采用图形神经网络。
与现有技术相比，本发明的优势在于：
1、本发明在算法上可以适用于复杂结构，并且能够提供节点和边的影响可视化，可以用于解释模型的预测结果和更好地理解仿真过程，大幅缩短计算时间和提高仿真效率；
2、本发明将人工智能和MEMS膜结构物理建模相结合，创建强大的预测模型，探索庞大的参数空间，并提供实时解决方案；
3、本发明提出一个新的GNN仿真框架，用于快速高精度的评估MEMS膜结构特性；
4、不同MEMS膜的几何形状、大小、材料属性和加载条件可能差异很大，本发明的方法通过使用GNN模型能够适应这些差异，可适应不同解剖结构，从而具有广泛的适用性，不需要每次重新构建传统数值方法的模型；
5、采用本发明的方法，由于仿真速度快，设计人员可以迅速进行多次仿真，以优化MEMS膜的设计和性能，这有助于缩短产品开发周期，实现快速迭代设计；
6、本发明的方法还具有迁移学习的能力，可以专门针对感兴趣的MEMS膜解剖结构进行模型专业化，从而进一步提高准确性和效率，可用于特定解剖结构的专业化；
7、与传统的有限元等数值仿真方法相比，本发明的方法通常需要更少的计算资源，因为它能够在GNN模型中学习并利用膜的复杂关系，而不需要在每次仿真中重新求解大量方程，从而降低计算资源需求。
附图说明
图1是本发明基于图形神经网络的MEMS膜仿真方法的总体实施方案；
图2是本发明的一个简单的矩形域模型示意图；
图3是本发明的矩形MEMS膜结构的几何构型及算法；其中图3(a)是初始阶段节点和边的图形结构，图3(b)是包含增广节点的图形结构，图3(c)根节点和层间连接的构造，图3(d)是增广节点的简化结构单元，图3(e)是第二层增广虚拟节点和边的建立，图3(f)是层内拓扑结构全连接；
图4是本发明的三维模型中虚拟节点和边缘对加速计算方法示意图。
具体实施方式
基于图的神经网络(Graph Neural Networks，GNN)在物理仿真中的应用已经成为一个备受关注的研究领域，因为它们可以改善仿真模型的准确性、速度和可解释性。
通过GNN可以实现图形建模，物理仿真通常涉及描述现实世界中的复杂物理过程或系统。这些过程或系统的结构可以被看作是一个图，其中节点代表物理实体(如粒子、分子、电路元件等)，边代表它们之间的相互作用。GNN能够有效地捕获图形结构中的信息，因此可以用于建模这些复杂的物理系统。GNN还以进行数据表示，物理仿真通常需要处理大量的数据，包括位置、速度、质量、电荷等物理属性。这些数据可以被表示为图的节点特征。节点特征可以包括离散属性和连续属性，而GNN可以处理这些不同类型的特征。GNN可以进行边的建模：边代表物理实体之间的相互作用，这些相互作用通常由物理定律描述。GNN可以被用来建模这些相互作用，通过学习边的权重或建立边的类型来模拟不同类型的相互作用。
通过以上步骤可以实现GNN的动态系统仿真。在动态系统仿真中，GNN可以用于模拟系统随时间演化的过程。通过迭代更新节点的状态，可以模拟出动态系统的行为。这在分子动力学模拟、流体力学仿真以及多物理场仿真等领域非常有用。从而进行结构优化问题的求解。物理仿真中经常涉及到求解优化问题，例如找到能量最低的分子结构或最佳电路设计。GNN可以与优化算法结合使用，帮助寻找最优解决方案。可以使用GNN来校正传感器数据中的噪声，或者从实验数据中学习复杂的系统动态。与传统的数值方法相比，GNN提供了更好的模型解释性，因为它们可以可视化节点和边的影响。这有助于科学家更好地理解模型的结果和物理系统的行为。
需要注意的是，使用GNN进行物理仿真需要仔细选择适当的GNN架构、超参数和数据预处理方法，以确保模型的准确性和可靠性。此外，物理仿真中的复杂问题可能需要大规模计算资源，因此需要考虑高性能计算和分布式计算资源。
本发明提供了一种用于微机电系统(MEMS)膜智能仿真的创新方法，旨在提高仿真速度和准确性。MEMS膜是一种微小而薄的膜结构，在许多微型器件中都有广泛的应用，例如传感器、微型马达和微流体器件。膜的形变和物理性质对于这些设备的性能至关重要，因此快速而准确的仿真方法对MEMS技术的发展至关重要。
本发明的关键特征在于将图形神经网络(GNN)技术应用于MEMS膜仿真中。GNN是一种机器学习方法，特别适用于处理图形数据，它可以学习节点和边之间的复杂关系。在MEMS膜仿真中，我们将MEMS膜的几何参数、材料特性和外部加载条件表示为一个图，其中节点表示离散点，边表示它们之间的连接关系。然后，我们使用GNN来训练一个模型，将这些参数与膜的形变响应和应力分布相关联。
GNN仿真器的输入是以图形形式表示的所考虑物理系统的初始状态。本发明的总体实施方案如图1所示，输入是MEMS膜开始时的几何形状。仿真器的第一阶段是编码器，将图形的任何节点和边数值特征(例如边界条件信息)嵌入到一个更高维度的潜在空间中。第二阶段是通过执行一系列消息传递步骤来处理这些嵌入，其中节点和边的表示根据图的拓扑关系依次更新，通过在相邻节点之间交换信息来实现。最后一个阶段是解码器阶段，其中最终的节点嵌入用于预测系统的最终状态。每个阶段：编码、处理和解码，都是使用独立的可训练的多层感知器(MLP)来执行的。MLP的所有参数控制着GNN的预测，可以使用基于梯度的更新方案在一组训练数据上找到整个仿真模型中所有MLP的全部参数的点估计，方式与单个MLP相同。最终得到MEMS膜开始时的几何构型及关键参数物理量。
下面从单个单元开始来详细解释如何通过GNN方法开展MEMS膜的数值仿真。
首先通过进行一般问题的求解比拟方法来进行说明，MEMS膜的结构模型可以表示为物理平衡时的非线性边值问题，显示一个简单的矩形域Ω，由2个三角形(T1和T2)组成；而使用图神经网络(GNN)仿真器来找到问题的近似解，采用的仿真系统将GNN仿真器比拟为包含4个节点(n1,n2,n3,n4)的离散仿真网格单元g，具体单元形式见图2。
其中对于平面非线性问题应满足以下控制平衡方程：
式中σ是平衡方程中柯西张量，表示其物理量与形变关系，b是相关是物体的体载荷，u是位移场，ud是规定的边界上的位移边界条件，t是对边界/>施加的牵引密度。整个计算域Ω需要用n个简单或四边形/六面体单元离散使上述控制平衡得以数值求解。图2中显示了一个简单的矩形域Ω，由2个三角形(T1和T2)组成。相应的，其GNN仿真器需要寻找上述的MEMS膜系统的一般非线性领域的数值近似解。为了将GNN仿真器应用于给定的离散有限元网格，必须以图g的形式表示用于匹配常规数值计算中的三角形或者四边形网格，我们定义图为包含：
式中ε是图形拓扑结构的所有成对关系边的集合，θ的表示任何需要仿真的全局物理属性的向量，它可以代表应力、压强、温度、电流、电压、光强度及磁通量等物理，而代表每个节点索引值ni组成的离散网格的节点信息，其单位节点的坐标向量为xi
然后通过多层感知器(MLP)或者图自注意力网络(GAT)等人工智能函数近似方法。而MLP或者GAT中的函数映射fω：RDin→RDout是由仿射函数的顺序组合组成具有非线性激活函数求解器具有多个未观测层或隐藏层的网络形成深度网络。
下面详细描述给定输入图g的来进行增广节点和拓扑的构造的算法步骤，这里需要引入变量κ作为输入，其表示要考虑的最近领域节点数量，最终层的虚拟节点的每一层的层内连接性记为εin。第二个是自然数递减序列η表示每层虚拟节点的基数。
以下是增广型图形节点生成算法步骤：
输入：在连接性εin最近领域节点数量κ，虚拟节点基数η，输入需要仿真的全局物理属性的向量θ初始边界条件；
输出： ε′,θ′为最终输出参数。
初始化：进行初始离散网格根节点结构建立；
创建循环，建立循环变量i＝1,…n执行,匹配所有结构节点；
将初始节点通过邻域转化κ作为输入创建簇C；
在所有簇中心创建新的初始根部节点；
将根部节点匹配到虚拟节点的每一层的层内的c
当i<n时继续执行；
寻找邻域节点创建簇；
连接所有根部节点。
进行循环迭代计算。
定义增广节点域和增广拓扑结构ε′，仿真得到需要仿真的全局物理属性的向量θ′。
下面结合图3中实例详细讲述算法中增广矩阵算法。
图3中显示了一个有96节点的矩形MEMS膜结构的几何构型。图3(a)用黑色方块表示了初始图形g的节点位置信息拓扑结构中ε中的每对有向边表示为单条直线。图3(b)显示了以上算法生成的虚拟节点基数η＝[24,6]，κ＝4，时的坐标信息，与有限元方法节点一致。其中第一层η1＝24个虚拟节点用圆圈表示，第二层的η2＝6节点三角形表示。算法通过算法首先将第0层根节点初始化为与原始网格节点的模型，然后通过n步构建多尺度增广图。在步骤i＝1时，虚拟节点的初始层通过首先使用k-means，将实际节点坐标xi分组到集群中创建簇结构C中。然后找到虚拟节点的坐标作为中心，通过分配了一个标量索引变量Sc到每个根节点，可以通过Sc来寻找实节点，根节点和叶节点通过在每个根节点之间创建一对有向边来建立层间拓扑εin，所有叶子节点Si将通过k-means分配给聚类簇C。
图3(c)显示了膜结构示例的根节点和层间连接的构造。每个24根节点的坐标用圆圈表示，这些根节点是通过聚类得到的96个离散节点。每个离散节点与其相应的集群簇中心之间的连接用灰线表示节点。对于每个根节点Sc，将其本地根邻近节点定义为其κ的参量下的根节点。在最近邻计算中使用的距离度量是使用欧几里得度量。而层内拓扑通过创建一对有向边根节点之间的映射进行扩展。
图3(d)显示了使用κ＝4的最近邻，以灰色线的形式创建简化结构单元的方法。定义的不对称的邻域。通过不停迭代创造全连接的εin，在创建最后一层结点之后，返回增强g′。图3(e)(f)中的显示了矩形膜中从创建第二层虚拟节点到最后一层虚拟节点的方法，将来自第1层的虚拟节点聚类C簇简化到最后一层为6个簇中心，形成最后的层内拓扑结构全连接的。
图4描述了三维模型中虚拟节点和边缘对加速计算方法。其中通过三维模型中虚拟节点和边缘对模拟器的阶段处理的方法，可以形成本申请中算法生成的增广的MEMS膜几何构型。因为信息一次只能通过一个边传递到另一个节点，如果从膜的对角进行传递，必须经过大量传递步骤实现一个实节点到另一个节点信息传递。采用本发明中增强型图形算法后后节点密度较低，允许信息传播更有效地围绕图形进行，箭头表示对角信息从一段到另一端的简化。节点信息评估可以单独对每个节点进行预测，并且从各个维度进行单独计算，而不显式地考虑任何相关结构。这是因为本发明中的隐式结构最终由模拟器的处理器阶段决定，因此实际进行计算时可以忽略解码器的阶段。本发明中的体系结构的特别有利于MEMS膜的物理仿真。解码过程中包含了全局形状嵌入向量，使用解码器同化每个节点特定信息。在预测下步位移时，结合几何形状的全局信息可以预测结构整体几何形状。在考虑重复前进时评估一个固定的初始几何在不同的输入参数值下，编码和处理状态可以最初精确计算一次仿真结果，而随后的评估只需要执行解码步骤。自处理器阶段构成了模拟器的大部分计算需求，前向评估在这种情况下，可以高效地建立替代模型，这样MEMS膜仿真模拟器比传统数值模拟器大幅节省实际，以用于实时模型评估，可以用于MEMS膜结构仿真优化。
增广矩阵算法中通过对每个节点的所有传入消息求和来合并消息进行节点向量更新建立包括节点nj发送有向边的所有节点集合称为其增广邻域图形/>
在更新节点信息时使用聚类求和，通过信息解释来激发增广路径向量作为物理量，然后求解作用在上面物体物理量总和，其值等于各个分量的矢量和。最终解码器将全局物理参数嵌入zθ，全局形状参数嵌入zg，局部连接输入进行增广图形域的物理属性/>求和，再通过对D维系统中的每一个参数组进行多层感知器或图自注意力网络等hd函数求解，最终得到仿真输出结果g′。
下面结合附图和实施例对本发明的技术方案进行详细的说明。
实施例1
本发明的实施例1提出了一种基于图形神经网络的MEMS膜仿真方法，包括：
步骤1)建立待仿真MEMS膜的边界条件、几何参数和材料特性的模型，进行图形网络模型重构；
几何建模：MEMS膜的形状结构、尺寸和界面厚度，通过计算机图形化建模或三维几何检测仪器进行重建获得；
MEMS膜的材料特性建模，包括但不限于介电常数、密度、热传导系数、弹性模量、泊松比及磁导率等，其作为模型节点的本征特性；
边界条件确立：作用在模型边界上的载荷力、压强、温度、电流、电压、光强度及磁通量以及模型边界约束条件，边界约束包括，固定约束，自由约束，单一或者多维度约束；
步骤2)采用增广矩阵算法对重构的图形网络模型进行增广节点和拓扑的构造，得到图形表示；
图形表示：基于采集到的几何参数创建MEMS膜的图形表示。在这个图中，每个节点表示MEMS膜上的一个离散点，节点之间的连接关系由边表示。这个图形是仿真的基础。
步骤3)将图形表示输入预先建立和训练好的人工智能仿真模型中，得到相应的预测仿真结果，所述预测仿真结果包括：MEMS膜的位移、应变、温度、电流、电压、光强度、磁通量和应力分布；
所述人工智能仿真模型采用图形神经网络。
GNN模型训练：采用已采集的数据对GNN模型进行训练。GNN模型将学习如何将几何参数、材料特性和边界条件与MEMS膜的形变响应和各个物理量分布相关联。训练数据集包括已知的几何参数、材料特性和加载条件以及相应各个物理量分布。
仿真：一旦GNN模型经过训练，它可以用于进行MEMS膜的仿真。用户可以输入不同的边界条件和几何参数，例如不同的外部压力或温度边界，以及不同的膜几何形状。GNN模型将根据输入参数生成相应的仿真结果，包括MEMS膜的形变和各个物理量分布。
结果分析：用户可以分析仿真结果，以了解MEMS膜在不同边界条件下的性能和行为。
分析可以包括检查各个物理量分布是否在可接受范围内，确定膜的最大形变、几何尺寸以及膜的结构形状等。还可以使用仿真结果来优化MEMS膜的设计和性能，例如通过调整膜的几何形状或材料特性来改进性能。
通过以上步骤，本发明的方法可以实现快速而准确的MEMS膜仿真，为工程师和研究人员提供了有力的工具来设计、优化和分析MEMS器件和设备，从而推动MEMS技术的发展和应用。此方法还具有广泛的适用性，可用于不同类型和形状的MEMS膜，以满足各种应用领域的需求。
推广到其他应用领域：虽然本发明的方法以MEMS膜仿真为例，但类似的方法可以推广到其他领域，如纳米技术、材料科学和生物医学工程中的仿真问题。
实施例2
本发明的实施例2提出了一种基于图形神经网络的MEMS膜仿真系统，基于实施例1的方法实现，所述系统包括：
图形化建模模块，用于建立待仿真MEMS膜的边界条件、几何参数和材料特性的模型，进行图形网络模型重构；
增广矩阵算法模块，用于采用增广矩阵算法对重构的图形网络模型进行增广节点和拓扑的构造，得到图形表示；
仿真输出模块，用于将图形表示输入预先建立和训练好的人工智能仿真模型中，得到相应的预测仿真结果，所述预测仿真结果包括：MEMS膜的位移、应变、温度、电流、电压、光强度、磁通量和应力分布；
所述人工智能仿真模型采用图形神经网络。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于图形神经网络的MEMS膜仿真方法，所述方法包括：
建立待仿真MEMS膜的边界条件、几何参数和材料特性的模型，进行图形网络模型重构；
采用增广矩阵算法对重构的图形网络模型进行增广节点和拓扑的构造，得到图形表示；
将图形表示输入预先建立和训练好的人工智能仿真模型中，得到相应的预测仿真结果，所述预测仿真结果包括：MEMS膜的位移、应变、温度、电流、电压、光强度、磁通量和应力分布；
所述人工智能仿真模型采用图形神经网络。
2.根据权利要求1所述的基于图形神经网络的MEMS膜仿真方法，其特征在于，所述MEMS膜的边界条件包括：作用在模型边界上的载荷力、压强、温度、电流、电压、光强度及磁通量以及模型边界约束，所述边界约束包括：固定约束，自由约束，单一约束或多维度约束；
所述几何参数包括：MEMS膜的形状结构、尺寸和界面厚度，通过计算机图形化建模或三维几何检测仪器进行重建获得；
所述材料特性包括：MEMS膜的材料属性，包括介电常数、密度、热传导系数、弹性模量、泊松比及磁导率，所述材料特性作为模型节点的本征特性。
3.根据权利要求1所述的基于图形神经网络的MEMS膜仿真方法，其特征在于，所述进行图形网络模型重构，包括：
基于几何参数创建MEMS膜的图形表示，在图中，每个节点表示MEMS膜上的一个离散点，节点之间的连接关系由边表示，图g满足下式：
式中，ε是图形拓扑结构的所有成对关系边的集合，θ表示需要仿真的全局物理属性的向量，包括载荷力、压强、温度、电流、电压及磁通量，代表每个节点索引值ni组成的离散网格的节点信息，满足下式：
其中，xi为单位节点的坐标向量，i代表节点的序号。
4.根据权利要求3所述的基于图形神经网络的MEMS膜仿真方法，其特征在于，所述采用增广矩阵算法对重构的图形网络模型进行增广节点和拓扑的构造，得到图形表示包括：
步骤1)输入连接性εin最近领域节点数量为κ，虚拟节点基数为η；
步骤2)初始化：
进行初始离散网格根节点结构建立；
建立循环变量i，匹配所有结构节点；
将初始节点通过邻域转化κ作为输入创建簇C；
在所有簇中心创建新的初始根部节点；
将根部节点匹配到虚拟节点的每一层的层内的c；
步骤3)在循环变量i未达到设定值n时，执行以下处理，否则转至步骤4)；
寻找邻域节点创建簇；
连接所有根部节点；
循环变量i自加一，转至步骤3)；
步骤4)定义增广节点域和增广拓扑结构ε′，对每个节点的所有传入消息求和来合并消息进行节点向量更新/>建立包括节点nj发送有向边的所有节点集合，成为其增广邻域图形/>
5.根据权利要求4所述的基于图形神经网络的MEMS膜仿真方法，其特征在于，所述图形神经网络包括编码器、多节点处理器和解码器，其中，
所述编码器，用于将输入图形的任何节点和边数值特征嵌入到更高维度的潜在空间中；
所述多节点处理器，采用多层感知器或图自注意力网络的人工智能函数近似方法执行一系列消息传递步骤处理编码器的嵌入；
所述解码器，采用多个未观测层或隐藏层的网络形成深度网络，用于实现解码。
6.根据权利要求5所述的基于图形神经网络的MEMS膜仿真方法，其特征在于，所述图形神经网络的解码过程包括：
根据输入的图形表示，将全局物理参数嵌入zθ，全局形状参数嵌入zg，局部连接输入以及进行增广图形域的物理属性/>求和，再通过对D维系统中的每一个参数组进行人工智能函数hd求解，得到仿真输出结果g′：
其中，j表示增广节点编号，d表示维度序号。
7.根据权利要求1所述的基于图形神经网络的MEMS膜仿真方法，其特征在于，所述方法还包括人工智能仿真模型的训练步骤，包括：
建立训练集，所述训练集包括MEMS膜已知的几何参数、材料特性和边界条件以及相应的节点需要仿真的物理参量分布数据集；
将训练集输入图形神经网络进行训练，待满足训练误差边界条件，得到训练好的仿真模型。
8.一种基于图形神经网络的MEMS膜仿真系统，其特征在于，所述系统包括：
图形化建模模块，用于建立待仿真MEMS膜的边界条件、几何参数和材料特性的模型，进行图形网络模型重构；
增广矩阵算法模块，用于采用增广矩阵算法对重构的图形网络模型进行增广节点和拓扑的构造，得到图形表示；和
仿真输出模块，用于将图形表示输入预先建立和训练好的人工智能仿真模型中，得到相应的预测仿真结果，所述预测仿真结果包括：MEMS膜的位移、应变、温度、电流、电压、光强度、磁通量和应力分布；
所述人工智能仿真模型采用图形神经网络。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2023117108544 | 2023-12-13 | ||
| CN202311710854 | 2023-12-13 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117854643A true CN117854643A (zh) | 2024-04-09 |
| CN117854643B CN117854643B (zh) | 2024-06-14 |
Family
ID=90541298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311836643.5A Active CN117854643B (zh) | 2023-12-13 | 2023-12-28 | 一种基于图形神经网络的mems膜仿真方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117854643B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118246294A (zh) * | 2024-05-27 | 2024-06-25 | 浙江凌迪数字科技有限公司 | 布料仿真方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105301961A (zh) * | 2015-10-29 | 2016-02-03 | 中国科学院长春光学精密机械与物理研究所 | 一种基于rbf神经网络的大口径转台系统模型辨识方法 |
| CN108170950A (zh) * | 2017-12-27 | 2018-06-15 | 电子科技大学 | 基于神经网络的多层频率选择表面吸波材料建模优化方法 |
| US10887713B1 (en) * | 2019-12-11 | 2021-01-05 | Facebook, Inc. | Microphone defect detection |
| US20210397770A1 (en) * | 2018-11-09 | 2021-12-23 | Adagos | Method of neural network construction for the simulation of physical systems |
| US20220107251A1 (en) * | 2019-04-03 | 2022-04-07 | Giatec Scientific Inc. | Embedded sensor devices and methods |
| CN116561376A (zh) * | 2023-03-02 | 2023-08-08 | 大连理工大学 | 一种多智能体超图建模与表示方法 |
-
2023
- 2023-12-28 CN CN202311836643.5A patent/CN117854643B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105301961A (zh) * | 2015-10-29 | 2016-02-03 | 中国科学院长春光学精密机械与物理研究所 | 一种基于rbf神经网络的大口径转台系统模型辨识方法 |
| CN108170950A (zh) * | 2017-12-27 | 2018-06-15 | 电子科技大学 | 基于神经网络的多层频率选择表面吸波材料建模优化方法 |
| US20210397770A1 (en) * | 2018-11-09 | 2021-12-23 | Adagos | Method of neural network construction for the simulation of physical systems |
| US20220107251A1 (en) * | 2019-04-03 | 2022-04-07 | Giatec Scientific Inc. | Embedded sensor devices and methods |
| US10887713B1 (en) * | 2019-12-11 | 2021-01-05 | Facebook, Inc. | Microphone defect detection |
| CN116561376A (zh) * | 2023-03-02 | 2023-08-08 | 大连理工大学 | 一种多智能体超图建模与表示方法 |
Non-Patent Citations (2)
| Title |
|---|
| KEUM, N.-H等: "Pixel structures using the negative feedback method for high-resolution active matrix organic light-emitting diode displays(Article)", 《JOURNAL OF THE SOCIETY FOR INFORMATION DISPLAY》, vol. 21, no. 12, 31 December 2013 (2013-12-31), pages 505 - 510 * |
| 姚英茂等: "基于图卷积网络与自注意力图池化的视频行人重识别方法", 《计算机应用》, vol. 43, no. 3, 10 March 2023 (2023-03-10), pages 728 - 735 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118246294A (zh) * | 2024-05-27 | 2024-06-25 | 浙江凌迪数字科技有限公司 | 布料仿真方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117854643B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114219076B (zh) | 量子神经网络训练方法及装置、电子设备和介质 | |
| CN110705029B (zh) | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 | |
| CN117854643B (zh) | 一种基于图形神经网络的mems膜仿真方法及系统 | |
| CN108763376A (zh) | 融合关系路径、类型、实体描述信息的知识表示学习方法 | |
| CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
| CN117540664B (zh) | 一种基于图神经网络的二维流场预测与修正方法 | |
| CN113221475A (zh) | 一种用于高精度流场分析的网格自适应方法 | |
| CN116245013A (zh) | 一种地质预测模型构建方法、建模方法、设备及存储介质 | |
| CN115983148A (zh) | 一种cfd仿真云图预测方法、系统、电子设备及介质 | |
| CN115618663B (zh) | 一种网格方程与物理方程耦合的量子求解方法及装置 | |
| CN114550849A (zh) | 基于量子图神经网络解决化学分子性质预测的方法 | |
| Zhang et al. | End‐to‐end generation of structural topology for complex architectural layouts with graph neural networks | |
| CN116894180B (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 | |
| Zhang et al. | MeshLink: a surface structured mesh generation framework to facilitate automated data linkage | |
| CN118038032A (zh) | 基于超点嵌入和聚类的点云语义分割模型及其训练方法 | |
| Massegur Sampietro et al. | Recurrent Multi-Mesh Convolutional Autoencoder Framework for Spatio-Temporal Aerodynamic Modelling. | |
| CN116522712A (zh) | 一种神经网络的地热热储温度场模拟的方法 | |
| CN115438575A (zh) | 一种用于高精度翼型流场预测的分析方法 | |
| Bielefeldt et al. | Expanding the Design Space Via Graph-Based Interpretation of L-System Encodings for Topology Optimization of Multifunctional Structures Expanding the Design Space Via Graph-Based | |
| Li et al. | Deep learning-based reduced order model for three-dimensional unsteady flow using mesh transformation and stitching | |
| Linghu et al. | Higher-order multi-scale deep Ritz method for multi-scale problems of authentic composite materials | |
| Luan et al. | Scalable Probabilistic Modeling and Machine Learning With Dimensionality Reduction for Expensive High-Dimensional Problems | |
| CN117672415B (zh) | 一种基于图神经网络的原子间相互作用势构建方法及系统 | |
| CN113591383B (zh) | 面向多保真度数据的数字孪生建模方法及预测系统 | |
| WO2024007919A1 (zh) | 基于lbm的量子流动模拟方法、装置、介质及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |