Двухэталонный трибоэлектрический датчик на основе глубокого обучения для прямого предсказания поверхностного потенциала

Почему важно трение поверхностей

Каждый раз, когда вы снимаете свитер и слышите потрескивание, вы наблюдаете трибоэлектрический эффект — склонность различных материалов накапливать или отдавать электроны при контакте и разъединении. Инженеры пытаются использовать это повседневное явление для создания самопитающихся датчиков и устройств сбора энергии для носимых гаджетов и мягких роботов. Но один ключевой параметр трудно быстро измерить: насколько сильно материал склонен удерживать или отдавать электрический заряд, свойство, связанное с его поверхностным потенциалом. В этой работе показан новый метод прямого чтения этого скрытого свойства по простому движению «контакт — отрыв» с помощью умного датчика и глубокого обучения.

Новый тип сенсора прикосновения

Исследователи создали тонкий гибкий датчик, который напоминает набор резиноподобных пленок. В его основе — два почти идентичных слоя из силиконовой резины (PDMS), однако поверхности химически модифицированы так, чтобы вести себя противоположным образом при трении: один слой склонен становиться более положительным, другой — более отрицательным. Когда неизвестный материал прижимают к обоим слоям и затем отрывают, каждый слой генерирует электрический сигнал. Поскольку два слоя изначально имеют разные зарядовые предпочтения, пара сигналов в совокупности несет гораздо более богатую информацию о материале, чем одиночное измерение. Такая двойная схема также помогает компенсировать случайные помехи из окружающей среды, например пыль или небольшие изменения влажности.

Преобразование сырых сигналов в скрытые свойства

Чтобы превратить эти парные электрические импульсы в осмысленное значение поверхностного потенциала, команда опирается на глубокое обучение. Сначала они измерили истинные поверхностные потенциалы десяти распространенных материалов с помощью специализированного микроскопического метода — Кельвин-зондовой силовой микроскопии — в контролируемых сухих условиях. Затем они записали тысячи форм волны напряжения с их датчика при многократных нажатиях и отрывах каждого материала при двух уровнях влажности. Вместо того чтобы пытаться вывести уравнение, связывающее все влияющие факторы — шероховатость, захваченный заряд, влажность — исследователи обучили несколько нейронных сетей напрямую извлекать зависимость из данных. Среди протестированных архитектур особенно эффективной оказалась временная свёрточная сеть, хорошо распознающая закономерности во временных рядах.

Насколько хорошо это работает в реальных условиях

Обученные на семи материалах модели проверяли, как они прогнозируют поверхностный потенциал трех новых материалов, которые сети ранее не видели, при различных уровнях влажности. При совместном использовании обоих слоев лучший модельный вариант стабильно удерживал погрешность предсказания ниже примерно восьми процентов по сравнению с микроскопическими измерениями и правильно располагал материалы в порядке трибоэлектрической серии — от сильных «принимающих» электронов до сильных «отдающих». Двухэталонная конструкция увеличивала точность примерно на 85% по сравнению с использованием одного слоя, а предсказания оставались надежными при умеренных изменениях влажности. При очень высокой влажности, когда водные пленки на поверхностях сильно ослабляют накопление заряда, все модели испытывали трудности, но подход с двумя слоями по-прежнему правильно определял знак поверхностного потенциала.

Устойчивая учеба при ограниченных данных

Авторы также изучили чувствительность метода к практическим ограничениям: объему доступных данных и частоте дискретизации сигналов датчика. Как и ожидалось, увеличение числа примеров обучения улучшало результаты до определенного предела, но после умеренного объема данных прирост становился незначительным, что указывает на то, что метод не требует огромных датасетов. Аналогично, повышение частоты дискретизации помогало лишь до тех пор, пока основные особенности сигналов не были захвачены; далее важнее оказывались архитектура модели и использование двойных сигналов, а не сама скорость. Во всех этих тестах двухэталонная схема последовательно позволяла моделям глубокого обучения снижать ошибку предсказания, тогда как простые линейные аппроксимации не справлялись с нелинейной, временно меняющейся природой сигналов.

Что это значит для будущих «умных» поверхностей

Объединяя продуманный трибоэлектрический датчик с современными методами глубокого обучения, эта работа показывает, что скрытые зарядовые предпочтения повседневных материалов можно вывести по простому нажатию, без дорогостоящих или медленных лабораторных инструментов. Вместо покомпонентного измерения деликатных поверхностей устройство могло бы один раз коснуться или потереть их и оценить эффективный поверхностный потенциал, достаточно стабильный для использования в качестве эталона даже при изменениях влажности. Такая возможность может помочь мягким роботам распознавать объекты при прикосновении, позволить носимой электронике самокалиброваться по мере старения поверхностей и поддержать более умные самопитающиеся интерфейсы, которые отслеживают эволюцию своих зарядовых состояний со временем.

Цитирование: 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

Ключевые слова: трибоэлектрические датчики, поверхностный потенциал, глубокое обучение, самопитающаяся электроника, идентификация материалов