摩擦电感官智能：从机械信息编码到传感器内记忆、神经形态计算与闭环交互

《Sensors》：Triboelectric Sensory Intelligence: From Mechanical Information Encoding to In-Sensor Memory, Neuromorphic Computing, and Closed-Loop Interaction

　　

摩擦电（triboelectric）界面正从自供电（self-powered）传感向能够编码、保留、转换并响应机械信息的集成式感官系统演进。然而，摩擦电转导与记忆、神经形态器件及智能界面的快速融合，也模糊了信号生成、状态调制、物理计算与任务级智能之间的界限。本综述建立一种以信息为中心的摩擦电感官智能框架，将机械相互作用沿电气编码、信号–器件耦合、内部状态演化、感官处理、感知，最终至闭环动作逐层追溯。基于幅值、极性、时间结构、空间模式、材料依赖响应及多模态信号的感官表征，从编码保真度、可分离性与鲁棒性角度予以考察；进而将阻变开关（resistive switching）、电荷存储、铁电极化（ferroelectric polarization）以及离子或电化学动力学等状态机制，与感官记忆、时间滤波、突触可塑性（synaptic plasticity）、事件驱动转换及其他物理计算基元相关联。综述强调区分结构集成与处理位置、器件动力学与所实现的计算、硬件处理与下游软件推理。相关原理进一步映射到触觉与材料感知、手势与运动接口、多感官整合及感觉–运动反馈，并引入可重复性、能耗、延迟、可扩展性与泛化等系统级考量。面向未来，可靠的源–接收端协同设计、自适应处理、可扩展异构集成与闭环运行，是将摩擦电界面从孤立器件演示推进为持续自主感官系统的关键。

1. 1.
   Introduction
   该部分提出以信息为中心的摩擦电感官智能视角，将生物感觉–运动通路与摩擦电系统建立功能对应关系。机械交互经接触起电（contact electrification）与静电感应转为电信号，再经波形或脉冲编码、状态化器件变换、任务信息解释与物理动作耦合，形成感知–动作闭环。文章明确区分能量流与信息流：摩擦电信号可同时承担传感、状态调制与能量供给，但三者需要不同实验证据支撑，且高电学输出不等于准确感知或计算。
2. 2.
   Triboelectric Sensing and Mechanical Information Encoding
   2.1. Triboelectric Transduction of Mechanical Stimuli
   机械–电学转换由接触起电、几何相关静电学与负载条件共同决定。接触–分离、滑动与自由站立等构型给出位移、交叠、电荷转移与输出的不同关系；摩擦纳米发电机（TENG）可近似为几何依赖的容性源，测量波形受负载阻抗影响。峰值电压不能脱离机械构型与读取条件独立表示力或压力，定量传感需架构与负载专属标定。

2.2. Materials and Device Engineering for Signal Fidelity

材料与结构决定信号保真度而非仅输出幅值。微纳结构、表面化学、电荷陷阱、柔顺性与环境稳定性共同影响循环重复性、迟滞、漂移与波形保持。多层摩擦结构可将顺序接触转为可控电学脉冲序列，目标是在重复性与可分离性上保留刺激依赖特征。

2.3. Amplitude, Polarity, and Temporal Encoding

幅值、极性与时间结构分别承载刺激大小、运动方向与动态信息。时间编码存在两类物理来源：一类由接触序列直接映射为电学事件序列；另一类由TENG波形驱动非线性或阈值化接收器件产生发放。群体发放时序可压缩动态触觉交互，但对抖动与漏触发敏感。

2.4. Spatial and Material-Specific Encoding

阵列中位置、相对响应幅值与激活时序共同构成空间表征；标称像素密度不等同于有效空间分辨率，接触扩散与串扰会拓宽响应。材料特异性编码利用参考接触面对未知材料生成电学指纹，可支持分类识别，也可在标定后推断表面电势等连续物性。

2.5. Multimodal and Multiplexed Encoding

多模态通过互补通道降低单通道歧义，例如摩擦电瞬态响应与电容/压阻准静态信息结合。物理融合指多路输入在共同状态元件中交互后再读取，区别于并行采集加软件融合。温度、压力与振动通道需明确各特征的物理来源与交叉敏感。

2.6. Representation Separability and Encoding Reliability

表征质量以类内变异与类间可分离性、重复性与鲁棒性衡量，而非以原始采样率或类别数替代信息量。编码与压缩可保留任务相关特征，但可能丢弃后续条件所需信息；验证需保持机械接触单元的独立性与数据来源可追溯。

1. 3.
   Coupling Triboelectric Signals with Memory and Computing Devices
   3.1. Electrical Matching Between Triboelectric Sources and Stateful Devices
   可靠编程要求源输出在电压、转移电荷、阻抗、极性与时间尺度上覆盖接收器件工作窗。接收端电容会重塑TENG端波形，高开路电压不保证有效写入；状态演化还会反改负载与后续编程条件。不同机制（阻变、电荷存储、离子/电化学、再生开关）对电荷、脉宽与阈值的需求各异。

3.2. Two-Terminal Memristive Devices

两端忆阻器件将机械激励转为易失或持久电阻态，机制可包括导电细丝、离子重分布与界面势垒演化。自供电需覆盖写–复位–读全链路：机械事件可写入电阻图案，但读取常仍需外加偏置。演示价值在于可寻址空间状态编程，而非仅单条迟滞曲线。

3.3. Floating-Gate and Ferroelectric Transistors

浮栅/电荷俘获器件以受限载流子实现非易失多级态；铁电场效应管（FeFET）以极化态调制沟道输运。摩擦电事件提供编程电位，晶体管沟道提供独立读取，实现刺激结束后仍可访问的电子态。需区分摩擦电介导的电学编程与机械直接极化翻转两条路径。

3.4. Electrolyte-Gated Transistors and Organic Electrochemical Transistors

电解质栅与有机电化学晶体管（OECT）通过离子重分布形成界面或体相状态。双电层调制主要产生静电门控，体相离子渗透则产生氧化还原掺杂；残留离子态带来历史依赖，输入间隔与弛豫时间之比决定连续刺激的时序交互强度。

1. 4.
   Architectures and Functions of Triboelectric Sensory Computing
   4.1. Integration Architectures and Processing Location
   结构集成从分立、共享界面/电极到单片共构；处理位置分为片外（off-sensor）、近传感器（near-sensor）与传感器内（in-sensor）。集成度高不等于计算深度深，离散状态接收器也可做本地时间处理，单片结构也可能仅完成转导与存储。

4.2. Sensory Memory and History-Dependent Processing

感官记忆关注保留态的位置、信息与寿命：可改写换能器自身后续响应，也可在独立接收器中写入可重读状态。以写–态–读关系界定功能记忆，需区别于表面电荷衰减与环境漂移带来的偶然历史依赖。摩擦电子（tribotronic）MoS2触摸记忆即利用界面电荷产生持久阈值偏移，并在读取前已完成状态建立。

4.3. Synaptic Dynamics and Temporal Processing

突触动力学表现为易化、抑制、时间求和、长时程增强等历史依赖变换。短时可塑性适配近期事件加权，长时电导演化支持权重积累；但可塑性与目标驱动学习应分层评价，仅有状态变化尚未构成任务级学习。

4.4. Threshold and Event-Based Transformation

积分–阈值–复位–恢复将连续激励转为离散事件。双稳或再生元件可稀疏化触觉/声学信号，内部泄漏与恢复动态决定发放时序，使刺激历史以事件序列形式参与后续滤波、积累与决策。

4.5. Computational Primitives

物理计算基元包括状态依赖逻辑、时间滤波、非线性褪色记忆（fading-memory）与加权求和。储备计算（reservoir computing）需在上述动力学之外具备可训练读取层；连通听觉系统示例将编码、发放与突触加权在硬件通路中连接，完成窄集音高区分。

4.6. From Device Functions to Hardware Sensory Computing

实现深度分为：L1特性响应、L2物理基元、L3连通硬件多操作、L4任务级输出。软件分类器运行在物理计算机上仍属下游解释；多数演示强于局部状态形成与时空/事件基元，任务评估常依赖混合软件辅助。

1. 5.
   Intelligent Perception and Closed-Loop Interaction
   5.1. Tactile, Texture, and Object Perception
   纹理、材料身份、物性与滑移对应不同特征提取：滑动波动编码纹理，参考接触指纹支持材料识别，混合压力–振动通道描述接触状态，粘滑特征表征滑移。感知策略须匹配目标变量，并在力、速度、接触面积变化下检验表征不变性。

5.2. Gesture and Motion Interfaces

可穿戴分布传感将变形与运动时序映射为手势指令。变换可发生在末端软件分类，也可由状态化硬件先做历史加权、事件选择与歧义抑制；时序手势尤其受益于本地记忆与门控。

5.3. Robotic and Bioelectronic Sensory Interfaces

机器人电子皮肤要求重复变形下几何与电学映射稳定，可拉伸与自修复需同时恢复功能而非仅导通。生物电子接口将机械编码信号耦接神经或肌肉效应，但电生理激活、诱发运动与感觉重建应作为不同功能端点分别验证。

5.4. Multimodal Perception and Sensory Fusion

独立通道拓展可观特征，共享态器件在读取前引入上下文依赖变换。机械–光–热输入可调制共同电子、离子或极化态，其增益应通过单模对照与输入时序解耦来评估。

5.5. Machine-Learning-Assisted Sensory Interpretation

机器学习将波形映射为分类、回归或状态推断。材料识别、表面电势估计与手势识别精度不可横向等同，需明确输入分布、标签定义与评估协议；物理处理位置决定哪些特征在前端已被压缩或重构。

总体来看，该综述以信息流为主轴，统一了摩擦电编码、状态耦合、物理计算与闭环交互的评价格架，并指出领域下一步应超越单器件演示，在源–接收协同、可扩展阵列、能耗核算与自适应控制上建立系统级证据。