來自代爾夫特理工大學的一個研究小組成功地設計了世界上最精確的微芯片傳感器之一；該裝置可以在室溫下運行。他們將納米技術和機器學習與自然界的蜘蛛網(wǎng)結合起來，能夠使納米機械傳感器在與日常噪音極端隔離的情況下振動。這一突破發(fā)表在《先進材料》的新星期刊上，對引力和暗物質的研究以及量子互聯(lián)網(wǎng)、導航和傳感領域有很大影響。

研究最小尺度的振動物體，如用于傳感器或量子硬件的物體，最大的挑戰(zhàn)之一是如何保持環(huán)境熱噪聲不與它們的脆弱狀態(tài)發(fā)生作用。例如，量子硬件通常被保存在接近絕對零度（-273.15°C）的溫度下，這種特種冰箱的價格為50萬歐元一臺。來自代爾夫特理工大學的研究人員創(chuàng)造了一種網(wǎng)狀的微芯片傳感器，在與室溫噪聲隔離的情況下能產(chǎn)生極好的共振，他們的發(fā)現(xiàn)將使建造量子設備的費用更加低廉。

受自然界蜘蛛網(wǎng)的啟發(fā)和機器學習的指導，理查德·諾特（左）和米格爾·貝薩（右）在實驗室里展示了一種新型的傳感器。

領導這項研究的理查德-諾特和米格爾·貝薩正在尋找結合納米技術和機器學習的新方法。他們是如何想到用蜘蛛網(wǎng)作為模型的？諾特表示"我做這項工作已經(jīng)有十年了，在禁閉期間，我注意到我的陽臺上有很多蜘蛛網(wǎng)。我意識到蜘蛛網(wǎng)是非常好的振動探測器，因為它們要測量網(wǎng)內的振動來尋找它們的獵物，而不是網(wǎng)外的振動，比如風吹過樹。因此，為什么不搭上數(shù)百萬年的進化的便車，用蜘蛛網(wǎng)作為一個超敏感設備的初始模型呢？"

由于該團隊對蜘蛛網(wǎng)的復雜性一無所知，他們讓機器學習來指導發(fā)現(xiàn)過程。貝薩表示："我們知道實驗和模擬的成本很高，而且很耗時，所以和我的小組一起決定使用一種叫做貝葉斯優(yōu)化的算法，用很少的嘗試來找到一個好的設計。"這項工作的共同第一作者Dongil Shin隨后實現(xiàn)了計算機模型并應用機器學習算法找到了新的設備設計。

令研究人員驚訝的是，該算法在150種不同的蜘蛛網(wǎng)設計中提出了一個相對簡單的蜘蛛網(wǎng)，它只由六根弦以一種欺騙性的方式組合起來。"Dongil的計算機模擬顯示，這種設備可以在室溫下工作，在室溫下原子振動很大，但從環(huán)境中泄露進來的能量仍然非常低，換句話說，質量系數(shù)更高。通過機器學習和優(yōu)化，我們設法使理查德的蜘蛛網(wǎng)概念適應這一更好的質量系數(shù)。"

基于這種新的設計，共同第一作者安德烈·庫珀蒂諾（Andrea Cupertino）建造了一個微芯片傳感器，該傳感器帶有一層超薄的、納米級厚度的陶瓷材料--氮化硅。他們通過強行振動微芯片"網(wǎng)"并測量振動停止所需的時間來測試該模型。結果非常壯觀：室溫下的隔離振動打破了紀錄，微芯片網(wǎng)的外面幾乎沒有能量損失：振動在內部一圈移動，不接觸外面。這好比在秋千上給人推一把，就可以讓他們不停地蕩上近一個世紀。

通過他們的基于蜘蛛網(wǎng)的傳感器，研究人員展示了這種跨學科戰(zhàn)略如何通過結合生物啟發(fā)設計、機器學習和納米技術，為科學領域的新突破開辟了道路。這種新穎的范式對量子互聯(lián)網(wǎng)、傳感、微芯片技術和基礎物理學有著有趣的影響：例如探索超小的力量，如眾所周知的難以測量的重力或暗物質。據(jù)研究人員稱，如果沒有大學的凝聚力資助，這一發(fā)現(xiàn)是不可能的，這導致了納米技術和機器學習之間的合作。