利用机器学习辅助设计用于单片表皮系统的碳纳米管边缘计算电路

《Nature Communications》：Machine learning-assisted design of carbon nanotube edge computing circuits for monolithic epidermal systems

　　

摘要

多模态表皮传感技术的快速发展需要可扩展、能效高的数据处理架构，以便处理大量原始数据。传统系统由于传感器和处理器物理分离，存在能耗高和传输延迟的问题。在这里，我们提出了一种基于碳纳米管薄膜晶体管（CNT-TFT）和机器学习（ML）辅助设计的超薄柔性边缘计算电路。通过结合基板工程、基于ML的器件建模以及行业兼容的设计方法，我们建立了一套从器件到系统的完整工具链。该ML模型实现了91.2%的预测准确率，从而能够实现逻辑门的仿真引导优化。基于CNT的标准单元库可以构建包含361个晶体管和160个逻辑门的柔性电路。与8通道倾斜传感器的单片集成在经过360°变形后仍能保持功能，并实现了62.5%的数据压缩率。这项工作为完全集成的柔性边缘计算建立了基于ML的CNT电路设计框架，使得可扩展的可穿戴应用成为可能。