مستشعر تريبوإلكتريك ذو مرجع مزدوج معتمد على التعلم العميق للتنبؤ المباشر بجهد السطح

لماذا يهم احتكاك الأسطح

في كل مرة تخلع فيها سترة وتسمع فرقعة، فإنك تشهد تأثير التريبوإلكتريك — ميل المواد المختلفة لكسب أو فقدان الإلكترونات عند ملامستها وفصلها. يسعى المهندسون للاستفادة من هذا الظاهرة اليومية لبناء حساسات وأجهزة حصاد طاقة ذاتية التغذية لأجهزية مثل الأجهزة القابلة للارتداء والروبوتات اللينة. لكن مقياساً أساسياً ظل صعب القياس بسرعة: مدى ميول مادة معينة للاحتفاظ بالشحنة أو التخلي عنها، وهو خاصية مرتبطة بجهد سطحها. تعرض هذه الورقة طريقة جديدة لقراءة تلك الخاصية الخفية مباشرةً من حركة بسيطة من نوع لمس وفصل، باستخدام حساس ذكي والتعلم العميق.

نوع جديد من حساس اللمس

بنى الباحثون حساسًا رقيقًا ومرنًا يشبه تكديس أغشية مطاطية. في قلبه طبقتان متشابهتان تقريبًا مصنعتان من مطاط السيليكون (PDMS)، لكن سطوحهما مُعدلة كيميائياً لتتصرف بشكل معاكس عند الاحتكاك: تميل إحداهما لأن تصبح أكثر إيجابية، والأخرى أكثر سلبية. عندما يضغط مادة مجهولة على الطبقتين ثم تُسحب بعيدًا، تنتج كل طبقة إشارة كهربائية. وبما أن الطبقتين تبدأان بتفضيلات شحنة مختلفة، فإن زوج الإشارات معًا يحتوي على معلومات أغنى عن المادة مقارنةً بقراءة واحدة فقط. كما يساعد التصميم ذو المرجعين على إلغاء الاضطرابات العشوائية من البيئة، مثل الغبار العالق أو تغيّر الرطوبة الطفيف.

تحويل الإشارات الخام إلى خصائص خفية

لتحويل تلك النبضات الكهربائية المزدوجة إلى قيمة مفهومة لجهد السطح، اعتمد الفريق على التعلم العميق. قاسوا أولاً جهود أسطح عشر مواد شائعة باستخدام تقنية مجهرية متخصصة تُدعى مجهر بروب كيلفن تحت ظروف جافة محكمة. ثم سجّلوا آلاف أشكال موجات الجهد من حساسهم بينما تُضغط وتُسحب كل مادة مرارًا عند مستويين من الرطوبة. بدلاً من محاولة كتابة معادلة تربط كل تأثير — خَشونة السطح، الشحن المحبوس، الرطوبة — درّب الباحثون عدة نماذج شبكات عصبية لتتعلم العلاقة مباشرة من البيانات. من بين التصاميم المختبرة، برهنت الشبكة الالتفافية الزمنية، التي تتفوق في تمييز الأنماط في المتسلسلات الزمنية، على فعاليتها بشكل خاص.

مدى فاعليته في ظروف العالم الحقيقي

بعد التدريب على سبع مواد، تحدوا النماذج لتنبؤ جهد السطح لثلاث مواد جديدة لم ترَها الشبكات من قبل، عبر نطاق من مستويات الرطوبة. عند استخدام الطبقتين معًا، حافظ أفضل نموذج بشكل ثابت على خطأ تنبؤ أقل من نحو ثمانية بالمئة مقارنةً بقياسات المجهر، ووضع بوضوح كل مادة في الموضع الصحيح على السلسلة التريبوإلكتريكية — من المكتسبة للإلكترونات بشدة إلى المانحة لها بشدة. عزز التصميم ذو المرجعين الدقة بنحو 85 بالمئة مقارنة باستخدام طبقة واحدة فقط، وظلت التنبؤات موثوقة عبر تغيّرات رطوبة متوسطة. عند رطوبة عالية جدًا، حيث تُضعف أغشية الماء على السطوح تجمع الشحنة بشدة، أظهرت كل النماذج صعوبة، لكن النهج ذي الطبقتين ما يزال يحدد إشارة (إيجابية أو سلبية) جهد السطح بشكل صحيح.

تعلم قوي من بيانات محدودة

فحص المؤلفون أيضًا مدى حساسية منهجهم لقيود عملية مثل حجم البيانات المتاحة وسرعة أخذ عينات إشارات الحساس. كما هو متوقع، تحسين أداء النماذج تَحسّن مع أمثلة تدريبية أكثر حتى حد معين، لكن بعد حجم بيانات متوسط أصبحت المكاسب ضئيلة، مما يوحي أن الطريقة لا تتطلب مجموعات بيانات ضخمة. وبالمثل، ساعد رفع معدل العينة فقط حتى تُلتقط السمات الأساسية للإشارات؛ بعد ذلك أضحى تصميم النموذج واستخدام الإشارتين المزدوجتين أهم من السرعة الخام. عبر هذه الاختبارات، مكّن الإعداد ذو المرجع المزدوج نماذج التعلم العميق باستمرار من تقليل خطأ التنبؤ، بينما فشلت طرق التركيب الخطي الأبسط في مجابهة الطابع اللاخطي والمتغير زمنياً للإشارات.

ماذا يعني هذا لأسطح ذكية مستقبلية

بجمع حساس تريبوإلكتريك مصمم بذكاء مع أدوات التعلم العميق الحديثة، تُظهر هذه الدراسة أنه يمكن استنتاج تفضيلات الشحنة الخفية للمواد اليومية من حركة ضغط بسيطة، من دون أدوات مختبرية مكلفة أو بطيئة. بدلاً من قياس الأسطح الحساسة نقطة بنقطة، يمكن لجهاز أن ينقرها أو يفركها مرة واحدة ويقدّر جهد سطح فعال مستقر بما يكفي ليُستخدم كمرجع حتى مع تغيّر الرطوبة. قد تساعد هذه القدرة الروبوتات اللينة على التعرف على ما تلمسه، وتمكّن الإلكترونيات القابلة للارتداء من معايرة نفسها مع قدم السطوح، وتدعم واجهات أكثر ذكاءً وذاتية التغذية تراقب كيف تتطور حالات شحنتها مع مرور الوقت.

الاستشهاد: Phan, V.Q., Cao, V.A., Kim, M. et al. Deep learning-based dual-reference triboelectric sensor for direct surface potential prediction. Commun Mater 7, 88 (2026). https://doi.org/10.1038/s43246-026-01090-4

الكلمات المفتاحية: أجهزة استشعار تريبوإلكتريك, جهد السطح, التعلم العميق, إلكترونيات ذاتية التغذية, تحديد المواد