基于深度学习的双参考摩擦电传感器用于直接预测表面电势

为什么摩擦表面很重要

每次你脱下毛衣听到劈啪声时，实际上就是在看到摩擦电效应——不同材料在接触和分离时倾向于获得或失去电子的现象。工程师正试图利用这种日常现象来构建自供能传感器和能量收集器，应用于可穿戴设备和软体机器人等领域。但有一个关键参数很难快速测量：某种材料倾向于保留或放弃电荷的强弱，这一性质与其表面电势有关。本文提出了一种新方法，通过简单的接触与释放动作，结合智能传感器与深度学习，直接读取这一隐藏属性。

一种新型触觉传感器

研究人员构建了一种薄且柔性的传感器，触感类似多层橡胶膜的堆叠。其核心是两层近似相同的硅橡胶（PDMS），但通过化学调控使表面在摩擦时表现相反：一层倾向于带正电，另一层倾向于带负电。当未知材料同时压在两层上再被拉开时，每层都会产生电信号。由于两层的电荷偏好不同，这对信号比单一读数包含了更多关于材料的信息。双参考设计还帮助抵消环境中的随机扰动，例如浮尘或小幅湿度变化。

将原始信号转化为隐藏属性

为将成对电脉冲转换为有意义的表面电势值，团队依赖深度学习。他们首先在受控的干燥条件下，使用一种叫做开尔文探针力显微镜的专用显微技术测量了十种常见材料的真实表面电势。随后在两种湿度水平下，记录了传感器在每种材料反复压放过程中产生的成千上万条电压波形。研究者没有试图写出涵盖所有影响因素（粗糙度、滞留电荷、湿度等）的解析公式，而是训练了若干神经网络模型，让模型从数据中直接学习这种关系。在测试的网络结构中，一种擅长识别时序模式的时间卷积网络表现尤其突出。

在实际条件下的表现如何

在以七种材料进行训练后，模型被要求在不同湿度条件下预测三种未见过的新材料的表面电势。综合使用两层传感器时，最佳模型相比显微镜测量始终将预测误差控制在约八个百分点以内，并能清晰地将材料按摩擦电序列排序——从强烈得电子到强烈失电子。与仅用单层相比，双参考设计将准确度提高了约85%，且在中等湿度变化下预测仍然可靠。在非常高的湿度下，由于表面水膜强烈削弱了电荷积累，所有模型表现都变差，但双层方案仍能正确判断表面电势的符号。

在有限数据下的稳健学习

作者还研究了该方法对实际限制（如可用数据量和信号采样速率）的敏感性。与预期一致，更多的训练样本在一定程度上提高了性能，但超过中等数据量后收益变小，表明该方法不需要庞大的数据集。同样，提高采样率在捕捉到信号的主要特征之前有帮助；之后，模型设计与双信号的使用比原始速度更为关键。在这些测试中，双参考设置持续使深度学习模型降低预测误差，而更简单的线性拟合方法难以应对信号的非线性和时变特性。

对未来智能表面的意义

通过将巧妙设计的摩擦电传感器与现代深度学习结合，这项工作表明日常材料的隐藏电荷偏好可以通过一次简单的按压动作推断出来，而无需昂贵或缓慢的实验室仪器。设备无需对脆弱表面逐点测量，只需轻触或摩擦一次即可估算出足够稳定的有效表面电势作为参考，即使湿度发生变化亦可使用。这种能力可帮助软体机器人识别其接触对象，使可穿戴电子在表面老化时自我校准，并支持更智能的自供能界面以监测其自身电荷状态随时间的演变。

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

关键词: 摩擦电传感器, 表面电势, 深度学习, 自供能电子学, 材料识别