近日，北京理工大学物理学院/光电学院李家方教授研究团队提出了一种融合机器学习与纳米剪纸加工技术的创新研究思路，成功开发出一种具备力学超弹性和振动可分辨的人工微网。本工作通过将遗传算法与深度学习相结合，突破了传统仿生蛛网结构的力学弹性局限，并探索了其在超灵敏质量传感和振动信息加密方面的应用潜力，为微纳机械传感、微纳机电系统（MEMS/NEMS）、机械超材料、生物操控和信息加密等领域的研究提供了新的思路。该创新成果于近期发表于国际顶级刊物Advanced Materials（IF: 26.8）上。

“师法自然”的研究理念已逐步发展成为极具创造力的跨学科交叉研究范式，并显著赋能了结构工程、力/光学超材料及微操纵技术等领域的发展。其中，微纳尺度的仿生蛛网结构设计成为一个重要的实践范例，已在超灵敏力学传感器、可拉伸器件及机械谐振器等领域展现出了重要的应用潜力。然而，目前绝大多数的人工仿生蛛网结构设计仍存在力学弹性较弱的问题，这一缺陷限制了其在某些领域的力学性能发挥与多功能应用能力，尤其在微纳尺度应用场景中，精准制备并自由操控高机械弹性、形貌变换可控的仿生蛛网结构变得极具挑战性。因此，寻求有效设计方案并实现微纳尺度高弹性蛛网结构的制备，对于开发基于仿生学的高精度力学微传感器以及动态微机械器件至关重要。

图1. 结合遗传算法与深度学习的超弹性微网优化设计示意图。

为解决上述难题，北理工团队创新性地将机器学习优化设计与纳米剪纸加工技术相结合，设计并实现了一种微纳尺度下的超弹性人工微网结构。首先，研究团队构建了“遗传算法+深度学习”的双优化框架，通过遗传算法模拟生物进化过程实现全局优化，并利用深度学习模型替代传统繁琐的数值模拟数据源获取方案，大幅提升了优化设计效率（图1）。在实验实现上，采用团队所开发的纳米剪纸加工技术，成功精准制备出优化后的超弹性微网结构，同时借助原子力显微镜（AFM）的精密纳米尺度力学表征手段，开展了微结构的力学刚度表征以及机械耐久性测试，实验结果展示出该结构具备与设计相符的优良力学特性和优异的机械耐久性（图2），为探索微网的机械振动性能及应用提供了良好条件。

图2. 超弹性微网的实验制备及力学特性表征。

为探究超弹性微网结构的功能特性及应用潜力，团队通过利用激光多普勒测振仪揭示了微网结构超灵敏的低频振动响应能力，并将此特性应用在了质量传感及信息加密两个方面。在超灵敏微小质量传感方面，超弹性微网结构如同“微型蹦床”一般可以“装载”微小物体（如图3所示）。当微小物体放置于微网结构的中心圆盘区域时，其结构共振频率则会产生规律性偏移，通过建立频率偏移量与质量变化的关系模型，即可实现对微小物体的质量传感监测。实验结果显示，该传感平台可实现皮克级（pg）微小物体的质量传感，灵敏度高达-0.801 kHz/pg。值得一提的是，该微网结构尺寸仅为20微米左右（头发丝直径的四分之一），因此，利用电子束曝光等相关制备工艺可以实现大规模阵列集成，有望进一步发展大阵列微型质量检测技术及其生物传感应用技术。

图3. 基于超弹性微网结构的超灵敏微小物体质量传感。

此外，在信息加密应用方面，研究团队基于微网振动“结构参数-力学刚度-共振响应”之间的映射规律，发现了优化前后微网结构刚度差异引起的共振特性（包括振幅和相位）变化等规律。基于该规律，通过巧妙地将多种结构进行编码设计和组合，实现了“特定振动”选择性激发“特定信息显示”的信息加密策略（如图4所示）。相比于传统光学加密对光学强度信息的依赖，这种基于微网振动可分辨的新型信息加密方案为MEMS兼容的多维信息安全策略研究提供了一种新的技术途径。

图4. 基于微网阵列的振动信息加密概念验证及演示。

综上所述，本工作将机器学习优化设计与纳米剪纸加工工艺有机结合，精准构筑了超弹性且振动可分辨的人工微网结构，实现了皮克量级下的超灵敏微小物体质量传感，探索了多维振动可分辨的动态信息加密应用，为力学微纳传感器、MEMS/NEMS谐振器、机械超材料、生物操作以及信息加密领域的创新发展提供了新颖的研究思路和技术途径。北理工博士生孙浩哲为论文第一作者，北理工洪孝荣博士（现集成电路与电子学院特立博士后）和李家方教授为通讯作者。研究团队感谢北京理工大学分析测试中心、怀柔综合极端条件实验装置微纳加工实验室（SECUF）等给予的支持与帮助。该交叉学科研究工作得到了国家自然科学基金（基础科学中心、国家杰出青年基金和面上项目）、国家重点研发计划、北京市自然科学基金、中国博士后科学基金等项目的支持。

文章信息（*为通讯作者）：

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).