本文提出了一种机器学习框架，用于V型热传感器的逆向设计。目标是确定最佳传感器几何形状，包括梁倾斜角、梁长度和梁宽度，以在给定温度下实现目标位移。同时，设计还需考虑最小结构体积和传感器必须承受的最小机械应力。由于对于给定位移存在多种可能的几何配置，这一问题呈现出病态特性，导致直接回归方法失效。
我们记录了一系列五次探索性试验，逐步揭示了问题的本质，最终形成了一个两阶段解决方案：首先是训练神经网络前向模型，将几何形状和材料常数映射到传感器响应；然后在冻结的前向模型上进行梯度下降逆向优化，同时最小化应力和体积。所提出的流程利用了3000个样本的数据集，预测位移的平均绝对百分比误差（MAPE）为4.76%，超过70%的预测MAPE低于5%。
博主点评： 该研究展示了机器学习在传感器设计中的应用潜力，通过有效的建模和优化方法，解决了复杂的设计问题。尤其是梯度下降的逆向优化，为多变量设计提供了新的思路，展现了数据驱动方法在工程领域的实用性。