《Advanced Materials》：Weaving Intelligence: Thermally Drawn Multimaterial Fibers Toward AI-Enabled Smart Textiles
智能纺织品的快速发展加剧了对多材料系统的需求，这些系统将机械柔顺性与嵌入式自适应计算能力相结合。热拉纤维已成为一个强大的平台，能够将聚合物、金属、半导体以及压电或离子电子相共集成到具有高几何保真度和制造可扩展性的连续多材料架构中。这些混合纤维可实现分布式传感、能量调制和信号转导，同时生成高维数据流，非常适合人工智能（AI）驱动的分析。本综述调查了AI与热拉技术交叉领域的最新进展，包括以数据为中心的优化、实时过程控制、信号处理和预测建模，这些进展正在重塑纤维制造和系统级集成。研究人员重点介绍了多材料共拉、分层纤维工程和功能集成架构方面的进展，这些为纤维内计算奠定了基础。重点放在神经形态和基于脉冲神经网络（SNN）的方法上，这些方法能够实现节能、事件驱动的计算，与纺织平台分布式和可变形特性相一致。最后，研究人员讨论了新兴挑战和机遇，包括可扩展的神经形态架构、不确定性感知学习和AI驱动的材料优化。这些进展共同勾勒出一条通往自主、自优化纺织系统的路径，其中单个纤维作为下一代智能材料中分布式、受认知启发的节点。
1 引言
电子器件从刚性平面设备向柔软、灵活和可拉伸系统的演变，正在彻底改变技术与人体的交互方式。材料科学、力学和器件架构的进步推动了可穿戴生物传感器、软体机器人等应用。其中，纤维状电子器件因其灵活性、高长径比以及与编织和穿戴的兼容性而脱颖而出。然而，传统微加工技术（如光刻或纳米压印）难以适应纤维的弯曲几何形状。热拉多材料纤维的引入从根本上改变了这一格局，提供了一种可扩展、高精度且连续的途径，将光学、电子、磁热或生物功能集成到单根纤维中。通过将宏观多材料预制棒热缩成千米级微结构纤维，该过程能够精确控制几何形状和材料组成，同时保持结构均匀性。此外，纤维本身作为一个活性材料平台，能够形成新相、非对称微纳结构和完全集成的器件架构。这些能力为下一代纺织品铺平了道路，使其具备视觉、听觉、言语、多模态传感、通信、能量收集与存储以及嵌入式数据存储和计算功能。
与此同时，纺织行业正经历向数字化的范式转变，由自动化、数据驱动制造以及电子产品与可穿戴系统的日益融合推动。传统织物正演变为智能纺织系统，集成机械柔性、柔软性和嵌入式电子功能。热拉纤维作为分布式多模态节点，能够实时传感、驱动、通信和局部计算，将传统织物转变为自适应、自感知系统，桥接材料科学、电子学和人工智能（AI）。AI的核心是通过计算架构模拟人类认知和决策；随着深度学习的演进，脉冲神经网络（SNN）和神经形态计算范式提供了生物启发式基础。智能纺织品的演变可分为三代：第一代为被动基板；第二代嵌入导电线程或印刷电路；第三代将电子、传感和计算功能直接集成到纤维基体中。研究人员还注意到，机器学习（ML）正成为优化热拉过程（制造多功能纤维的基础技术）的变革性工具。通过数据驱动建模和预测分析，ML算法可动态调节温度梯度、熔体粘度、进料速度和拉伸张力，实现实时缺陷检测、自适应过程控制和参数自优化。同时，该技术正从被动功能载体演变为AI计算的物理基板。展望未来，将忆阻、铁电或离子电子组件集成到纤维架构中，可使热拉纤维执行纤维内数据处理、动态调制电导状态并展示类似SNN的尖峰学习行为。AI集成的热拉纤维可实现分布式、低功耗神经形态计算，弥合数据感知与智能响应之间的鸿沟。当编织到织物中时，这些纤维共同作为神经形态网络运行，实现从单个纤维“神经元”到 cohesive 织物“大脑”的转变。
本综述考察了AI与多材料热拉范式的集成，重点讨论多材料共拉、分层结构和功能集成方面的最新进展，以及AI在增强和优化热拉过程中的作用。随后分析了基于传统ANN的算法在纤维传感系统中的应用（第3节）。在此基础上，第4节探讨了神经形态计算和SNN范式在纤维系统中的新兴整合。SNN因其事件驱动、低功耗和时间适应性，在分布式纤维环境中具有变革潜力。第5节讨论了关键挑战和未来展望，包括材料和结构设计约束、能源效率、神经形态纤维架构以及不确定性感知建模。本综述旨在提供AI在该纤维平台中集成的全面视角，为推进下一代可穿戴和交互系统奠定概念基础。
2 热拉过程与AI集成的基础
2.1 自上而下微加工：热拉多材料纤维中的形状保持
热拉过程最初用于光纤制造，现已发展为生产多功能、千米级纤维的通用技术。它通过精确控制几何形状和内部架构，实现多种材料和功能器件在单根连续纤维中的无缝集成。典型过程中，宏观预制棒在拉丝炉中加热至软化或玻璃化转变温度以上，随后在牵引力作用下形成连续纤维。由于质量守恒，纤维半径与预制棒半径的缩放比由进料速度和拉丝速度控制。该过程能忠实地在微观层面保持预制棒的成分、几何和内部架构，从而设计出包含光波导、导电通道、电极和空心微通道的复杂横向几何形状，实现单纤维多功能性。从工业角度看，热拉过程提供精确尺寸控制、轴向均匀性和可扩展性，可实现自动化连续生产。其独特优势在于制造具有高度复杂横向几何的连续纤维；核-壳和多芯设计尤为重要，可通过迭代“堆叠-拉伸”技术实现，进而模仿生物神经回路的分层组织，为下一代智能纺织品提供高度可扩展的结构硬件平台。
2.2 包层材料选择标准
为确保可靠制造，材料必须具有兼容的玻璃化转变温度（T
g）或熔点（T
m），使拉丝温度（T
draw）能够实现粘性流动而不降解。匹配维卡软化温度（T
vs）、热膨胀系数（α）和粘度（η）可最小化内应力、分层和开裂。最佳包层粘度在10
4–10
8 Pa·s范围内，确保稳定伸长；强界面粘附和润湿性可防止淬火过程中的微孔。因此，非晶包层如玻璃和热塑性塑料（如聚甲基丙烯酸甲酯（PMMA）和聚碳酸酯（PC））因光学透明、各向同性机械响应和生物相容性而受到青睐。除传统包层外，可拉伸弹性体如苯乙烯-乙烯-丁烯-苯乙烯（SEBS）因其弹性和流变兼容性，成为声学和机械传感纤维的首选包层。表1总结了常用聚合物的代表性T
g、T
vs和α值。
2.3 纤维芯集成材料
流变学建模、微观结构分析和流体力学的最新进展深化了对热拉过程的理解，使得在芯部集成电、热和力学性能与包层显著不同的多种材料成为可能。这推动了包括聚合物、金属、半导体和功能复合材料在内的多样化材料在单纤维架构中的集成。研究人员阐述了应力诱导链排列和相变（如P(VDF-TrFE)中α到β转变增强压电和铁电性能），并通过改进的粘度和流动控制成功拉制了金属玻璃和可生物降解聚合物。同时，材料集成从早期光子学和聚合物基纤维向日益复杂的多材料系统演变，包含导体、半导体和功能复合材料。先进流体力学和纳米冶金学建模实现了半导体芯的稳定拉丝，而工程化毛细不稳定性被用于制备可调形态的封装纳米线阵列。扩散阻挡层和缓冲层被用于抑制金属、半导体和聚合物之间的化学互扩散，保持多材料架构的组成和电学稳定性。后处理功能化策略（包括生物活性涂层、刺激响应复合材料和嵌入式生化传感器）在生物工程和生物医学应用中开辟了有前景的机会。为进一步扩展功能，复合材料的发展成为关键前沿。导电聚合物复合材料通过将纳米填料（如炭黑、碳纳米管（CNTs）和碳纳米纤维（CNFs））分散到热塑性基体中制备，热拉过程自然对齐这些高长径比纳米纤维，产生高导电且机械柔软的电极。复合材料工程也用于机械传感和声学应用，将钙钛矿陶瓷纳米颗粒（如钛酸钡（BaTiO
3）或锆钛酸铅（PZT））与CNTs嵌入聚偏氟乙烯（PVDF）基体中可显著增强压电性能和声学传感能力。先进的纳米复合材料，如通过金属微线可控毛细破裂形成的金属-聚合物共混物，以及用于高灵敏度电化学生物传感的催化活性CNT负载聚乙烯，展示了该方法的巨大通用性。
2.4 AI驱动的热拉过程创新
AI驱动的过程控制正成为变革性研究方向。基于深度强化学习（DRL）的控制策略已被开发，用于自主调节拉丝过程中的纤维直径。Kim等人展示了基于DRL的架构，该架构使用四个长短期记忆（LSTM）循环网络（演员、评论家及其对应的时间延迟目标网络），通过自举演员-评论家强化学习方案实现闭环控制。每个网络包含512个节点的五个LSTM层，递归处理时间窗口内的输入以生成控制动作。与传统的比例-积分-微分（PID）或模型预测控制器不同，该DRL系统无需分析或数值模型，而是通过直接与物理机器交互学习最优控制策略，实现预测性直径调节和动态参考轨迹的精确跟踪。该AI控制范式具有鲁棒性、快速适应性和实时传感数据兼容性等优势，但也需要大量计算资源和长训练周期。尽管如此，基于LSTM的DRL框架的成功证明了AI赋能制造在提高可重复性、最小化缺陷和加速高性能多材料纤维规模化生产方面的巨大潜力。未来，将AI驱动控制与物理信息流变学和流体力学模型相结合，可能加速发现具有差异特性的非常规多材料组合，进而实现纳米级金属玻璃、半导体和混合多材料纤维的可扩展制造。
3 热拉纤维传感系统中的AI信号处理
热拉纤维作为传感元件是重要进展；高通量制造产生大量数据，但纤维传感因固有信号噪声和有限精度面临挑战。数据丰富、高通量和低精度的特点为AI和ML技术创造了理想环境。因此，AI与热拉纤维的第一次大规模交集出现在利用多功能纤维作为传感器并应用常规神经网络进行信号分类方面。
3.1 独立纤维传感器系统中的AI信号处理
多材料热拉纤维的关键优势是在单根机械柔顺纤维中共集成多种传感模式。Caglar等人展示了在单纤维横截面中嵌入一对电容电极和两个独立电阻电极的架构，实现对纤维增强聚合物复合材料中树脂流动、固化过程、温度和机械应变的同步监测。由于炭黑填充聚合物电极的电阻同时受热膨胀和机械变形影响，多传感操作引入信号交叉灵敏度。作者采用Levenberg–Marquardt算法训练的三隐藏层人工神经网络（ANN）进行解耦。无需显式本构模型，ANN即可准确预测温度（偏差±0.1°C以下）并在多种热条件下高保真重建循环应变曲线。这种数据驱动解耦策略绕过了先验物理参数化的需求，展示了AI集成多材料纤维作为智能复合材料和环境智能系统中自主、可扩展且经济的传感节点的能力。
3.2 面向医疗保健的智能纺织品：基于热拉纤维的AI驱动信号处理与分类
AI不仅辅助纤维制造，还贯穿整个纤维-织物层级，实现实时数据解释、自适应校准和分布式决策。在纤维纺织网络中嵌入AI，使纤维从孤立功能元件演变为协作、上下文感知的智能体。例如，ML在生物医学信号分析中取得显著进展。Yaseen等人比较了K近邻（KNNs）、深度神经网络（DNNs）和支持向量机（SVMs）等分类算法，使用梅尔频率倒谱系数（MFCCs）和离散小波变换（DWTs），在单标签心音分类中达到97.9%的准确率。Carter等人采用基于梅尔频谱图的二维时频表示支持多标签分类，便于ML特征与生理标记的直接比较。Karim等人使用集成学习框架，结合卷积神经网络（CNN）、SVM和随机森林（RF）分类器，通过软投票融合提高预测可靠性。在此基础上，热拉纤维生物传感平台中AI作为原生系统层而非后处理模块出现。柔性纤维架构集成光电容积描记（PPG）、热和应变敏感元件，实现连续的、多模态生理信号采集，并通过AI微控制器和超低功耗无线单元进行局部处理。Fink等人的开创性演示展示了数字化纤维集成传感、存储、计算和低功耗蓝牙（BLE）通信，作为服装中的分布式计算节点。每根纤维独立获取PPG和三轴加速度数据，每2秒进行神经推理，并将概率输出传输至协调纤维进行联合决策。孤立纤维由于局部数据有限准确率低于77%，而集体织物网络在识别复杂身体活动时准确率达95%。此外，AI赋能的纤维基纺织系统在日常生活环境中的环境智能方面展现出潜力，尤其针对老龄化人口。纤维基环境智能通过将多模态应变、压力、热和光学传感器嵌入日常纺织品和家具中，实现连续、非侵入且隐私保护的监测。结合分布式AI进行实时推理和分布式决策，这类系统支持低延迟跌倒检测、护理人员警报和纵向行为分析。
3.3 AI引领的智能传感纤维用于交互设备
将机械传感纤维与高级AI推理架构集成，为高分辨率人机交互、分布式运动感知和结构嵌入式保护系统提供了坚实基础。当集成到纺织品或复合材料中时，这些热拉纤维作为连续的多自由度传感网络，可时空分辨应变、压力和热场。Loke等人展示了直接在热拉纤维内执行ML推理的可行性，将基于体温动态训练的神经网络参数压缩并永久嵌入纤维的数字存储器中。这种紧密耦合的硬件和算法功能建立了自主纤维决策单元的基础。后续研究扩展到手势识别交互界面，智能手套中的分布式应变传感器实现高保真精细运动捕捉和低延迟推理，全手语翻译响应时间低于250毫秒，准确率接近完美。可扩展多材料系统捕获多维手部运动学，实现虚拟或机器人操作器的实时控制。将热拉纤维传感架构集成到移动和机器人控制系统中，机械敏感纤维网络连续编码手部轨迹、速度和施加力，通过轻量级时间学习模型转换为稳定潜表征，实现手势驱动无人机（UAV）导航。AI辅助生成建模进一步扩展功能范围，强化学习、拓扑优化和深度生成模型可实现纤维几何、多材料堆叠顺序和介观晶格架构的计算定制。当这些AI优化架构与热拉纤维的固有传感能力共集成时，所得结构不仅作为承载元件，还可作为交互式传感界面，形成设备、用户和环境之间的闭环交互。系统层面，纤维集成袜子、手套等可穿戴界面实现了虚拟现实/增强现实（VR/AR）中的步态推断、全身运动捕捉和精细手势识别。编织电子线和纺织嵌入式纤维传感器作为分布式触觉和环境界面用于智能家居控制。为过渡到完全柔性自主纤维网络，现代热拉纤维可将AI微控制器、数字存储器和超低功耗BLE模块直接嵌入软弹性体包层中，实现局部特征提取和实时边缘推理，消除传输原始数据到外部硬件的机械约束和延迟。通过共定位多模态传感、存储和事件驱动计算，这种硬件与分布式AI的紧密耦合将设计范式从外部支持的智能织物转变为完全自主、不受束缚的智能纺织网络。
4 基于热拉纤维的智能纺织系统的新兴AI方法
实现智能化需要在纤维-织物系统中同时优化计算能力、传感测量保真度、通信效率和能量管理等多个技术领域。这些功能属性共同定义嵌入式AI如何高效感知、处理和响应。最近的发展表明，AI驱动数据架构可在纤维和织物系统中物理实现。同时，开发能够在织物环境中直接运行的AI系统面临与常规数字计算截然不同的挑战。长期瓶颈在于功能纤维、纺织架构和外部电子之间的电学和机械接口可靠性。弹性电极、软互连、纤维-纺织集成策略和封装技术的最新进展显著缓解了这些限制。在此背景下，纤维AI架构必须同时协调机械柔顺性、分布式信号传输和超低功耗操作与长期耐久性。新兴范式提出织物神经网络，其中单根纤维作为神经元和突触的类似物，在编织矩阵中形成局部计算簇。热拉过程通过允许导体、半导体和功能电介质在单根连续纤维中共集成，为低延迟、分布式纤维内智能提供了根本的硬件优势。
4.1 脉冲神经网络特性启发下一代多材料纤维智能
SNNs是ANNs的高级子类，通过电子类比神经元和突触更忠实地再现人类神经系统的生物物理和电生理动力学。学习源于迭代的、活动依赖的突触权重调制。基础神经元模型包括泄漏积分点火（LIF）模型、尖峰响应模型和Hodgkin–Huxley模型。基于这些原理，新一代人工突触纤维架构（具有处理多输入尖峰编码信号的能力）已成为神经形态传感、计算和驱动的有前景平台。早期实验包括基于铁电有机晶体管的纤维突触器件，展示了增强和抑制等关键突触行为。随后，可重构两端纺织忆阻器展示了非易失性突触可塑性和易失性类神经元动力学，实现了织物内的热适应学习行为。纤维光电子突触能够进行光学传感、纤维内存储和数字成像，突出了编织系统中多模态感知和处理的潜力。这些集成突触纤维再现了关键神经生物学操作：刺激整合、尖峰启动、信号传播和类神经肌肉驱动，从而支持跨分布式材料网络的多感觉编码和闭环反馈控制。
4.2 计算架构与人工纤维神经元
SNNs的概念框架为纤维系统内的分布式计算提供了生物启发模型。每根纤维可集成多个功能域（金属触点、半导体芯、离子导体），共同作为相互连接的神经节点操作。最简单基于纤维的神经元遵循LIF原理，其中电阻（R）和电容（C）元件（如导电聚合物电极和介电聚合物包层）控制整合和泄漏动力学。“整合”对应于电荷或机械能积累，“泄漏”源于聚合物基体中的介电弛豫或粘弹性耗散。达到临界电位时发生放电事件产生尖峰。对于更复杂的动力学，Hodgkin–Huxley模型可概念化地适应纤维系统，通过K
+和Na
+通道的电压依赖性电阻和电容元件表示离子传输。时间编码通过编码信息在精确的尖峰时序中（延迟、增量调制或脉冲间间隔方案）进一步扩展这一类比。实现基于纺织的神经电路模型需要共集成R和C元件与可调电特性，并使用导电线程互连。热拉多材料纤维提供了一个统一的材料平台，其中R、C和导电元件可在单根连续纤维架构中单片共拉，实现无运动部件的空间可编程电响应。这种内在共集成将传感、信号调节和电路功能集成到纤维级构建块中，与纺织制造完全兼容。当与SNN范式结合时，此类纤维电路自然支持直接从材料层面进行事件驱动、异步信号处理，实现从感知到推理的端到端神经形态流程。
4.3 人工突触及纤维网络中的学习
生物神经系统的学习根本上由突触可塑性控制，其中突触权重响应神经活动和环境刺激动态调节。将该原理转化为智能纤维系统需要开发具有电可调电导、滞后行为和非易失性状态保持能力的人工突触，使纤维能够以学习依赖的方式编码、存储和更新信息。在热拉和涂层纤维架构中，此类突触功能可通过嵌入式忆阻结、铁电层或离子凝胶栅极晶体管结构实现，允许电荷传输的局部调节和纤维水平的长期记忆保持。最近使用氧化石墨烯和还原氧化石墨烯涂层导电纱线的演示展示了机械鲁棒、变形容忍的电阻调制，为纺织品中的自适应突触互连建立了可行的材料基础。铁电有机晶体管集成到金属微线上可模拟兴奋性和抑制性突触反应，提供模拟存储和学习能力。当组装成更大架构时，这种学习感知纤维网络自然并行于ANN的组织原则。表2比较了前馈和循环网络架构对纤维神经形态系统中SNN实现的适应性：前馈架构适用于静态模式识别，而循环和尖峰模型更有效地捕获时间相关性、事件驱动动力和连续时间信号演化。
4.4 通过尖峰进行时空处理与通信
尖峰网络本质上在时域编码和处理信息，基于离散、时间分辨事件而非静态数据表示。这种计算模式特别适合热拉多材料纤维系统，因为后者持续暴露于动态和多模态刺激。单个感觉扰动可转换为通过纤维网络内嵌的导电或光电通路传播的尖峰序列，具有高时间保真度。通过 enable 在纤维节点级别的局部处理，尖峰纤维网络可执行瞬态事件的早期检测和分类，仅向邻近纤维传输稀疏、任务相关的特征。这种异步事件驱动通信范式显著降低了能耗。最近的原理验证演示包括将纺织压力传感器与尖峰电路集成的可穿戴神经形态系统，已通过尖峰编码和处理实现实时触觉刺激分类。
5 当前挑战与展望：AI集成在热拉多材料纤维中的视角
通过热拉过程，多材料纤维从被动结构或电子组件转变为在材料科学、嵌入式电子学和机器智能交叉点上运行的可计算活性材料系统。尽管取得显著进展，仍需解决若干关键挑战以实现AI赋能的智能多材料纤维的全部潜力。这些挑战包括：材料兼容性和热稳定性；输出触点的电气和机械耐久性；能量自主性和电源管理；数据安全、不确定性和伦理考量；计算效率和神经形态适应。以下子节对这些挑战进行深入分析。
5.1 材料与结构设计考量
在热拉纤维中实现SNN启发架构需要对材料相容性和分层结构设计进行严格控制。稳定的共拉要求所有组成材料（聚合物、金属、半导体和功能氧化物）具有紧密匹配的软化温度、流变行为和热膨胀系数，以维持界面内聚并防止分层、空隙形成或几何失真。介电基体如PC和环烯烃共聚物提供机械鲁棒性和低损耗绝缘，而铁电聚合物如P(VDF-TrFE)提供长期突触权重保持和STDP样可塑性所需的剩余极化状态。热拉过程的最新进展扩展了神经形态纤维的结构设计空间，使纤维可无缝集成到纺织架构中。通过多芯、同轴或多层配置，纤维可镜像生物神经回路的分层组织。交叉、平行、扭曲、同轴和忆阻纤维网络代表了有前景的架构。热拉过程的内在可扩展性允许以千米级连续纤维生产这些神经架构，具有均匀的横截面保真度。为了在纺织平台内模拟多层神经计算，编织或堆叠纤维架构可纳入垂直（平面外）互连，实现机械柔顺织物内的真正三维神经形态映射。纺织特定约束（灵活性、可洗性、机械耐久性和用户舒适性）需要模块化设计策略，其中神经节点和隐藏层可嵌入、互连、替换或重新配置而不损害系统完整性。
5.2 能源效率与自适应动力学
SNN启发的计算因其稀疏和事件驱动的神经元激活而具有固有低能耗。这种动态时间编码操作自然与能量收集热拉纤维平台的特征保持一致。SNN通常比传统ANN包含更少的活性神经节点，并天然支持突触修剪策略以消除冗余。从结构角度，纤维化SNN的分布式实现引入了额外的鲁棒性维度：在编织或多层纤维网络中，动态断开、重新路由或重新配置纤维节点的能力类似于生物容错机制。这种自适应弹性结合SNN固有的时间编码和稀疏激活动力学，为在可变、机械动态和资源受限条件下运行的纤维神经形态系统建立了合适的计算范式。
5.3 走向神经形态智能纤维系统
传统上神经形态计算由经典ML模型主导，依赖密集、基于帧的同步处理。ANN、CNN和RNN等架构尽管算法不同，但共享对高吞吐量、大内存和连续数据采样需求，使其不适合分布式或纤维嵌入传感网络。相比之下，SNN作为第三代神经网络，通过离散尖峰事件编码信息，其事件驱动异步计算支持稀疏活动模式，能耗降低数个数量级。这些属性与纤维系统要求（分布式传感、有限功率和局部计算）直接对齐。SNN与事件驱动传感器模态（如单光子雪崩二极管（SPAD）阵列和动态视觉传感器（DVS））自然兼容，可处理事件流而不需要帧重建。表3比较了与纤维系统相关的AI架构，突出SNN在多材料纤维集成中的优势。新兴研究方向专注于将训练好的CNN转换为SNN模拟，结合深度学习表示能力和尖峰计算效率。该过程包括：修改CNN架构使其与尖峰兼容（移除偏置、替换最大池化为平均池化、使用dropout、替换SoftMax为尖峰输出方案）；训练修改后CNN；将学习权重转移到由整合-点火神经元组成的等效SNN，并进行权重-阈值平衡。这种混合流程在图像识别和事件视觉任务中已有良好表现，对基于热拉纤维的神经形态系统有前景。
5.4 鲁棒智能热拉纤维系统的不确定性量化
不确定性量化在鲁棒智能纺织系统开发中起核心作用，涵盖材料选择、结构设计、热拉纤维制造、传感和数据驱动方法。将不确定性量化纳入AI流程可增强正向预测鲁棒性、支持逆向设计任务并改善传感性能。不确定性可分为两类：偶然不确定性（数据，源于系统固有变异性）和认知不确定性（模型，源于有限知识）。偶然不确定性涉及多材料组成异质性、制造过程随机条件和传感噪声，通过概率方法（如模型预测控制和DRL）处理。认知不确定性通过贝叶斯AI模型（如贝叶斯神经网络（BNNs）、高斯过程回归）处理，这些模型通过先验分布和后验预测分布提供预测变异性和模型信心。然而，计算后验预测分布在深度神经网络中困难，需要近似推理策略（如马尔可夫链蒙特卡洛采样、变分推断、蒙特卡洛dropout、深度集成和拉普拉斯方法）。这些方法各有权衡，在异方差数据噪声情况下仍需进一步研究。
6 结论与展望
通过热拉过程制造的多材料多功能纤维已远超其光学通信的原始角色，成为可扩展的材料平台，能够在柔性轻质架构中集成传感、驱动、存储和计算。将AI集成到热拉纤维的制造和操作功能中标志着一个关键时刻。在制造层面，AI辅助过程控制实现实时优化、预测缺陷缓解和数据驱动预制棒设计。在系统层面，纤维集成AI（通过嵌入式微控制器、神经形态电路或分布式推理节点）支持纤维内模式识别、多模态信号融合和事件驱动响应。不确定性量化的纳入可使预测附带校准置信度估计。尽管历史上对专用制造机器的依赖可能构成障碍，但由于热拉过程最初用于制造石英光纤，拉丝塔在许多光学研究机构中已可用，紧凑型桌面平台的开发进一步促进了可及性。神经形态计算的并行发展通过使纺织级人工突触可塑性成为可能，扩展了热拉纤维系统的功能范围。展望未来，战略研究方向包括：定义智能纺织网络架构所需的功能领域；识别适合纤维系统的神经形态元件；探索多层编织神经架构；开发尖峰编码和分类方案；推进神经形态硬件设计。这些方向共同描绘了下一代AI赋能纺织系统的路线图，标志着纺织科学从被动结构材料向主动高性能平台的转变，最终将产生新一代智能、自适应和自重构的可穿戴技术。
