近日，清华大学邹贵生教授、刘磊副教授，太原理工大学王文先教授等合作总结了新兴的人工智能技术在智能柔性传感系统方面的最新进展。相关工作在《纳微快报(英文)》发表。
人工智能(AI)、大数据、云计算、5G/6G 通信、数字健康等信息技术的不断变革，通过深刻地重新定义了我们与物理世界的互动关系，促使人类生活变得更加互联和智能。柔性传感领域是这些变革性技术的核心，它可以通过各种柔性传感器将数字信号与物理空间无缝集成。这些传感器通常具有适应不规则表面、在机械变形下经久耐用以及对外界刺激敏感等特点。如今，柔性器件的发展主要体现在两个方面。其一是从单纯的数据采集转变为更加智能的系统。这种模式转变强调了柔性传感器从单一功能元件发展为更智能的传感系统，它不仅能收集传感信息，还可以理解和解释周围环境。其二是源于大数据和云计算技术的快速发展所带来的数据量爆炸式增长。随着数据日益多样化和复杂化，对高效处理海量、多层面数据的需求不断增加。上述两种需求为配备先进算法和硬件架构的机器创造了机会，并最终促进了能够承担这些任务的自适应人工智能发展。以大脑启发的算法(机器学习)和框架(人工突触)等方面为代表，持续的人工智能技术革命浪潮使得智能柔性传感系统愈发的可能。
Artificial Intelligence Meets Flexible Sensors: Emerging Smart Flexible Sensing Systems Driven by Machine Learning and Artificial Synapses
Tianming Sun, Bin Feng, Jinpeng Huo, Yu Xiao, Wengan Wang, Jin Peng, Zehua Li, Chengjie Du, Wenxian Wang*, Guisheng Zou*, Lei Liu*
Nano-Micro Letters (2024)16: 14
https://doi.org/10.1007/s40820-023-01235-x
1. 从算法(机器学习)和框架(人工突触)两个层面回顾了由大脑启发的人工智能(AI)驱动的新兴智能柔性传感系统的最新进展。
2. 讨论了人工智能技术与柔性传感器融合后产生的强大数据分析和智能决策等新功能。
3. 展示了人工智能驱动的智能柔性传感系统的广阔应用前景。
人工智能(AI)革命浪潮引起了人类社会对智能化前所未有的兴趣。作为连接物理世界和数字信号的重要组成部分，柔性传感器正在从单一传感元件逐渐发展为更智能的系统，能够高效采集、分析甚至感知海量、多层面的数据。虽然从人工操作的角度来看，智能柔性传感技术的发展具有挑战性，但由于受大脑启发的人工智能在算法(机器学习)和框架(人工突触)层面的创新，智能柔性传感的发展得到了极大的推动。清华大学邹贵生教授、刘磊副教授，太原理工大学王文先教授等总结了新兴的人工智能技术在智能柔性传感系统方面的最新进展。详细介绍了机器学习和人工突触的基本概念。全面回顾了人工智能和柔性传感融合所带来的新功能，极大地推进了柔性传感系统、软/人形机器人和人类活动监测等应用的发展。最后，讨论了作为二十世纪最深刻的两项创新，柔性传感与人工智能技术的深度融合所面临的主要挑战和未来机遇。
I 人工智能技术的基本概念
1.1 机器学习算法的基本原理
机器学习是一种可以自动建立非线性输入-输出映射的技术，同时绕过了复杂的物理或数学，其核心思想是利用大量原始数据集训练一个代用模型，一旦模型训练成功，就能以较高的计算效率和精度实现其目标应用，如属性预测、图像识别和物体检测等。用于柔性传感器系统的机器学习算法主要包括传统机器学习算法(如支持向量机(SVM)和人工神经网络(ANN))和深度学习(DL)算法(如卷积神经网络(CNN)和递归神经网络(RNN))。
图1. 各种机器学习算法的基本概念。(a) 用于二元分类的SVM模型示意；(b) ANN模型结构；(c) CNN模型结构；(d) RNN模型结构。
1.2 大脑启发的突触器件
随着人工智能和大数据的兴起，人们对低能耗、高效率、高自适应计算的需求逐渐增加。新兴的神经形态电子系统可以通过模仿脑神经系统的功能高效处理海量复杂信息，有望突破传统冯-诺依曼计算机体系结构能耗高、计算慢的瓶颈，促进类脑智能的实现。生物突触是神经系统中的一种独特结构，它赋予神经元通信能力，并同时执行计算和记忆。为了模拟这种突触特性，研究人员利用两端(2T)忆阻器和三端(3T)晶体管的模拟和滞后特性来构建仿生突触元件。最近，基于2T记忆晶体管和3T晶体管不同工作机制的人工突触受到了极大关注。
图2. 生物突触和人工突触(不同工作机制：2T忆阻器和3T晶体管)示意图。(a) 生物突触；(b-e) 2T忆阻器(b 离子迁移、c 铁电机制、d 相变、e 氧化还原反应)；(f-g) 3T晶体管(f 载流子捕获/释放、g 离子通道门控、h 铁电极化)。
II 人工智能驱动的智能柔性传感
2.1 常见的柔性传感器类型
柔性传感器按类型和功能可分为三大类，包括柔性电机械传感器、柔性光电传感器和柔性化学传感器。
图3. 柔性传感器的常见类型。(a-c) 柔性电机械传感器(a 柔性应变传感、b 柔性压力传感器、c 柔性振动传感器)；(d-f) 柔性光电传感器(d, e 紫外-可见光传感器、f 红外传感器)；(g, h) 柔性化学传感器(g 气体传感器、h 离子传感器)。
2.2 机器学习驱动的智能柔性传感器
随着柔性传感器数量和数据量的增加，传感信息的处理和分析变得越来越复杂和困难。由于机器学习具有大规模数据处理、自适应能力强、效率高、自动化和智能化等优势，近些年，机器学习的融入已对柔性电子领域产生了深远的影响，为分析和处理来自多种类型传感器的数据增添了强有力的工具，使其变得更加智能和互联。具体来说，机器学习在传感数据分析与解释、多模态信息后处理与解耦以及智能环境传感与感知这三个主要方面发挥着关键作用。
图4. 机器学习算法在不同的柔性电子应用中实现传感数据分析与解释。
图5. 机器学习算法帮助柔性电子器件实现(a, b) 多模态信息的后处理和解耦，(c, d) 不同场景下的智能环境传感和感知。
2.3 人工突触驱动的智能柔性传感器
在人类的感觉器官中，各种类型的感受器可以检测和转换来自周围环境的不同刺激信号，进而将可解释的感觉信息传送到大脑进行认知处理，从而实现社交活动。这一生理过程是通过生物感觉器官与生物突触相结合来完成的。在此基础上，形成了人类感知外部世界的视觉、听觉、嗅觉、味觉和触觉等五大感知系统。随着人工智能技术的飞速发展，人们逐渐需要模仿生物感觉器官的智能柔性传感系统来动态捕捉描述真实世界的大量物理信息。随着信息数据的爆炸式增长，基于传统冯-诺依曼架构的信号处理和数据分析算法在速度和效率方面已无法满足日益增长的需求，这促进了大脑启发突触器件的快发展。人工突触是通过模仿生物突触结构开发出来的，它能以类似于生物神经网络响应神经信号的方式传输和处理感官信息。因此，将人工突触与柔性传感元件相结合，可以在多个空间和时间尺度上实现高速、高效、低能耗的并行处理，这将有助于设计智能柔性传感系统，如触觉、视觉、听觉、嗅觉和味觉感知系统。
图6. 基于人工突触驱动智能柔性传感器的各种人工感知系统。(a) 触觉感知系统；(b) 听觉感知系统；(c) 视觉感知系统；(d) 嗅觉感知系统；(e) 味觉感知系统；(f) 多模态感知系统。
2.4 柔性传感器与机器学习和人工突触的融合
除了简单的机器学习驱动或人工突触驱动的智能柔性传感器外，柔性传感器与机器学习和人工突触的融合将带来更复杂的集识别、传感、记忆、计算和反馈功能于一体的智能可穿戴应用。
III 人工智能驱动的智能柔性传感系统应用前景
3.1 更智能的人类活动监测
在人工智能和大数据时代，基于柔性电子器件开发出了各种具有智能感知、自主决策和自适应能力的智能传感系统，在人类活动和服务领域发挥着不可替代的作用。这些器件可以提供更加自然和直观的交互、个性化和定制化服务，实现智能环境交互，增强虚拟现实体验。
图7. 人工智能驱动的智能柔性传感系统，更智能的人类活动监测。
3.2 更具人性化感受的人工感知器官
现今，由人工突触驱动的智能柔性传感器开发出的五种更具人性化感受的人工感知系统正在成为人类生活中不可或缺的元素。
图8. 人工智能驱动的智能柔性传感系统，更具人性化感受的人工感知器官。
3.3 更自主行动的软体和人形机器人
软体机器人具有极好的灵活性和可变性，可实现舒适的物理接触操作，因此被广泛应用于许多动态、非平面场景，如抓取、制造、操纵、运动和人机交互。人工感知系统与软体机器人的结合可以赋予机器人类似人类的感知和交互功能，从而提高机器人的适应性、灵活性和安全性，使其能够更好地理解和适应周围环境。
图9. 人工智能驱动的智能柔性传感系统，更自主行动的软体和人形机器人。
IV 总结与展望
在过去几年中，人工智能融入智能柔性传感器系统取得了重大进展。本综述总结了有关这一主题的最新进展。
机器学习具有高效信息处理和高质量特征识别的优势，非常适合大规模传感数据分析、解释和模式判定。一方面，机器学习解耦多模态/类型信息的能力有助于更准确地理解在复杂实际环境中获得的综合传感数据。另一方面，人工突触模仿人脑的工作机制，具有低功耗、高并行性和实时处理能力的特点，有望成为超越传统冯·诺依曼架构的下一代计算设备。这种新兴的神经形态框架激发了各种智能人工感觉系统的设计。可以看出，这两项人工智能技术的深度融合，将引发传统柔性传感器向更智能的柔性传感系统逐渐进化，这不仅能从外部环境中收集信息，还可以对数据进行智能分析和解释，从而实现对环境的“自我感知”。这些新功能对于智能软体机器人、电子手套/皮肤、人机界面等广泛应用至关重要。
尽管人工智能驱动的智能柔性传感系统的发展已取得了显著的进步，但仍然面临着巨大的挑战。为了更好地融入机器学习，(1) 需要注意的是，对于许多柔性电子应用来说，获取高质量的实验数据仍然是一项耗时且具有挑战性的工作。应开发更先进的算法，以减轻模型训练对数据采集的要求。(2) 此外，柔性电子器件通常在各种动态甚至恶劣的应用场景中服役，这反过来又会逐渐改变器件构成材料的物理/化学特性。经过训练的模型能否适应性能不断变化的柔性电子器件仍然是一个问题。(3) 这个问题引起的另一个疑问是：由于材料属性和制造工艺不可避免的变化，在一个柔性器件上训练有素的机器学习模型能否顺利地转移/应用到另一个同类设备上？(4) 目前，柔性电子器件的计算能力还不如普通计算机硬件，而机器学习的模型训练则需要大量的计算能力。要在已部署的柔性器件上实现模型的实时更新还有很长的路要走。至于人工突触与智能柔性传感的融合，(1)虽然近年来已经开发出许多突触和柔性器件，但这类设备的柔性特征还需要不断改进，尤其是在扭曲和拉伸等恶劣场景下的突触行为和性能耐久性。(2) 基于突触的智能感知系统依赖于柔性传感器与突触元件的集成，而它们之间由不同材料制成的接口和通信仍然是一个挑战。(3) 从系统设计层面来看，智能柔性传感的构建需要柔性传感器、机器学习算法和人工突触的协同发展。总之，随着人工智能技术与柔性传感的融合日益深入，我们逐渐迈向智能社会的新时代。
