深層学習ベースの二重参照トライボ電気センサーによる直接表面電位予測

擦れる表面が重要な理由

セーターを脱ぐときにパチパチと音がするのを聞いたことがあるなら、それはトライボ電気効果が働いている例です—異なる材料が接触して離れるときに電子を得たり失ったりする傾向です。技術者たちはこの身近な現象を利用して、ウェアラブルやソフトロボット向けの自己発電センサーやエネルギーハーベスターを作ろうとしています。しかし、迅速に測りにくい重要な要素があります。それは、ある材料が電荷を保持する／放出する傾向の強さで、表面電位に結びつく性質です。本論文は、単純な接触・離脱動作からその隠れた性質を直接読み取る新しい方法を、スマートなセンサーと深層学習を用いて提示します。

新しいタイプのタッチセンサー

研究者らは薄く柔軟な、ゴム状のフィルムを重ねたような感触のセンサーを作りました。中核にはほぼ同一の二層があり、シリコーンゴム（PDMS）でできていますが、表面が化学的に調整されて擦れると反対の振る舞いをするようになっています：片方はより正に帯電しやすく、もう片方はより負に帯電しやすい。未知の材料を両層に押し当てて引き離すと、それぞれの層が電気信号を生みます。二つの層が異なる初期の電荷傾向から始まるため、二つの信号の組合せは単一の読み取りよりもはるかに豊富な情報を含みます。この二重構成は、ほこりやわずかな湿度変化などの環境ノイズを打ち消す助けにもなります。

生の信号を隠れた特性へ変換する

これらの対になった電気パルスを表面電位という意味のある値に変換するために、チームは深層学習を活用します。まず制御された乾燥条件下でケルビンプローブ力顕微鏡という特殊な顕微鏡手法を用いて、十種類の一般的な材料の真の表面電位を測定しました。次に、それぞれの材料を二つの湿度レベルで繰り返し押し離す際に、センサーから何千もの電圧波形を記録しました。粗さ、トラップされた電荷、湿気といったすべての影響を結びつける方程式を書こうとする代わりに、研究者らは複数のニューラルネットワークモデルをデータから関係を直接学習させました。検討した設計の中では、時系列のパターン認識に長けた時系列畳み込みネットワーク（temporal convolutional network）が特に有効であることがわかりました。

実環境での性能

七種類の材料で学習した後、モデルはこれまで見たことのない三種類の新しい材料の表面電位を、さまざまな湿度条件下で予測するという課題に挑みました。両方のセンサー層を組み合わせて使用すると、最良のモデルは顕微鏡測定と比較して予測誤差を一貫して約8％未満に抑え、材料をトライボ電気系列に沿った順序—強く電子を引き寄せるものから強く電子を与えるものまで—で正しく位置づけました。二重参照設計は単一層のみを使う場合に比べて精度を概ね85％向上させ、中程度の湿度変化でも予測は信頼できました。非常に高い湿度では表面に水膜ができて電荷蓄積が著しく弱まるためすべてのモデルが苦戦しましたが、二層アプローチは少なくとも表面電位の符号（正か負か）を正しく捉えることができました。

限られたデータからの頑健な学習

著者らはまた、利用可能なデータ量やセンサー信号のサンプリング速度など、実用上の制約に対する手法の感度を検討しました。予想どおり、学習データの数を増やすと性能は向上しましたが、中程度のデータ量を超えると利得は小さくなり、この手法が膨大なデータセットを必要としないことを示唆しました。同様に、サンプリングレートを上げることは信号の主要な特徴が捉えられるまでは有効でしたが、その後はモデル設計と二重信号の利用が単なる速度以上に重要になりました。これらの試験を通じて、二重参照の構成は深層学習モデルの予測誤差を一貫して低減させた一方で、より単純な線形フィッティング手法は信号の非線形性や時間変動性に対応できませんでした。

将来のスマート表面への意義

巧妙に設計されたトライボ電気センサーと最新の深層学習を組み合わせることで、本研究は日常の材料が持つ隠れた電荷の好みを、高価で遅い実験機器を使わずに単純な押圧動作から推定できることを示しています。繊細な表面を点ごとに測定する代わりに、装置が一度タップまたは擦るだけで有効な表面電位を推定し、湿度が変わっても参照として十分安定に使える可能性があります。こうした機能は、ソフトロボットが触れている物体を識別するのに役立ち、ウェアラブル機器が経年変化で自己校正することを可能にし、自己発電型のインターフェースが自らの電荷状態の変化を監視するためのより賢い仕組みを支えるでしょう。

引用: 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

キーワード: トライボ電気センサー, 表面電位, 深層学習, 自己発電エレクトロニクス, 材料識別