硅PIN探测器与摩擦纳米发电机（TENG）集成用于自供能无线AI智能识别

《Electronic Materials》：Integration of Silicon PIN Detectors and TENGs for Self-Powered Wireless AI Intelligent Recognition

　　

在本研究中，研究人员探索了一种成本效益高的摩擦纳米发电机（TENG）与大型硅PIN探测器（直径：12 mm）的集成，用于智能无线识别应用。无线通信消除了物理连接的需求，从而在部署中实现更大的灵活性和可扩展性。它允许AI系统无缝集成到各种环境中，不受布线限制，降低安装复杂性并增强移动性。此外，研究人员展示了TENG作为自主通信单元的功能。TENG被用于将各种环境触发信号转换为数字格式，并自主为光电器件供电，从而无需外部电源。通过将光电组件集成到自供能传感系统中，TENG可以识别特定触发信息并减少外部噪声，从而提高信息传输的准确性。此外，无线技术促进了实时数据传输和处理。这种设置不仅增强了系统的整体效率和适应性，还支持在多样化和动态环境中的持续运行。本文介绍了一种新型的卷积神经网络-长短期记忆（CNN-LSTM）融合神经网络模型。利用该传感系统与CNN-LSTM神经网络的结合，能够收集并识别光电器件闪烁频率和亮度的变化。这种能力使得可以识别由TENG产生的环境触发信号。人体触发信号的分类和识别结果表明，识别准确率达到92.94%。

**论文解读：硅PIN探测器与摩擦纳米发电机集成用于自供能无线AI智能识别系统**

**研究背景与问题**

随着物联网（IoT）和人工智能（AI）技术的快速发展，传感器在环境监测、智能家居、人机交互等领域的重要性日益凸显。然而，传统传感器系统面临两大核心瓶颈：一是便携式传感器严重依赖化学电池，电池放电快、需频繁更换且存在环境处置问题，尤其对于由数千个节点组成的移动监测网络，能源供给成为关键限制；二是传统数据传输依赖有线连接（限制移动性）或射频（RF）无线信号（易受电磁干扰（EMI）影响）。因此，亟需开发一种具备无线通信能力、高抗噪性和智能识别功能的自供能传感系统。

摩擦纳米发电机（TENG）作为一种创新的能量收集技术，可将环境机械能转换为电能，并作为自供能有源传感器。硅PIN（正-本征-负）探测器因具有厚耗尽层、高阻抗系数、低暗电流和高响应度等优点，可用于检测微弱光电信号。然而，以往集成系统（如自供能辐射探测器）仅将TENG用作高压电源反向偏置PIN二极管，完全依赖PIN探测器捕捉外部刺激，忽略了TENG电输出波形中丰富的机械信息，导致系统缺乏识别复杂机械触发模式或人体手势的能力。

**研究内容与结论**

本研究提出一种自供能无线AI智能识别系统，将大面积硅PIN探测器与接触-分离模式TENG（CS-TENG）集成。研究人员制备了直径12 mm、具有稳定电学特性的硅PIN探测器，并采用纸板基CS-TENG实现自供能。系统工作原理：CS-TENG作为有源传感单元，将环境机械触发（如人体肢体运动）转换为数字式电脉冲，驱动红外发光二极管（LED）闪烁，将机械信息调制为光信号；远程大面积硅PIN探测器捕获光信号并转换回电波形；最后，通过卷积神经网络-长短期记忆（CNN-LSTM）融合深度学习网络分析亮度与闪烁频率的时序变化，实现动作感知信息提取。实验结果表明，该系统对四种人体触发信号（手掌、膝盖、肘部、脚底）的分类识别准确率达到92.94%，在鲁棒性测试中（含随机时移和噪声干扰）准确率高达98.6%，显著优于传统支持向量机（SVM，~68%）、单一CNN（78.2%）和LSTM（89.4%）模型。该研究为自供能人机交互和未来物联网网络提供了鲁棒解决方案，论文发表在《Electronic Materials》。

**主要关键技术与方法**

1. **硅PIN探测器制备**：采用标准半导体工艺，在高阻硅晶圆（电阻率≥1000 Ω·cm）上通过氧化、离子注入（硼离子B⁺形成p区，磷离子P⁺形成欧姆接触）、湿法刻蚀和铝溅射等步骤，制备敏感区直径12 mm、厚度100 μm的探测器，暗电流在30 V反偏压下仅99 nA，峰值响应度0.54 A/W（972 nm），比探测率（D^*）达1.05×10¹² Jones。

2. **接触-分离模式TENG（CS-TENG）制备**：以纸板为基底，粘贴聚四氟乙烯（PTFE）胶带作为负摩擦层，外侧对称区域粘贴铜箔作为导电电极，通过接触带电与静电感应耦合产生电压（最高480 V）和电流（26.18 μA），最大功率密度311.11 μW/cm²。

3. **光学无线通信系统**：TENG驱动LED发光，PIN探测器接收光信号，实现电气隔离与抗电磁干扰，光学通道作为天然低通滤波器，有效衰减高频噪声。

4. **CNN-LSTM深度学习模型**：CNN层提取空间特征，LSTM层提取时序相关性，通过Dropout层防止过拟合，Softmax激活函数完成四分类。样本来源：从志愿者采集手掌、膝盖、肘部、脚底四种触发动作的电压变化数据，共5100组（每组154个时间点），其中60%训练、20%验证、20%测试。

**研究结果**

**5.1 实验数据采集与机制分析**
通过比较TENG原始电信号与PIN探测器接收的光学解调信号，发现光学通道保留了原始信号的主要形态特征（峰值和持续时间），同时有效滤除高频电磁噪声和尖峰，提高了信噪比（SNR），验证了光通信的优越性。

**5.2 数据处理**
采用Z-score归一化（零均值、单位方差）和Min-Max缩放（归至[0,1]）预处理数据，增强模型稳定性，避免过拟合。

**5.3 结果分析**
CNN-LSTM网络在训练集和验证集上分别达到96.37%和92.64%的准确率。在测试集上，CNN-LSTM平均准确率92.94%，F1-score 93.11%，优于CNN（87.94%）和LSTM（87.64%）。针对难分类样本（膝盖、肘部），CNN-LSTM的召回率明显更高，体现了其强大的特征提取能力。

**5.4 性能比较与系统优势**
与现有自供能传感系统（如基于“PIN+TENG”的电路模型、依赖有线或RF无线传输的TENG运动传感器）相比，本系统采用光学无线通信实现完全电气隔离和高抗电磁干扰，结合CNN-LSTM深度学习实现92.94%的高精度识别，构成核心创新。

**总结与结论**
本研究成功构建了一个自供能无线AI识别系统，将大面积硅PIN光电探测器与CS-TENG无缝集成。CS-TENG作为自供能有源传感器，将机械触发信息编码为调制光脉冲；光学无线传输机制有效滤除高频电噪声并提供抗电磁干扰能力。制备的硅PIN探测器具有优异光学性能（峰值响应度0.54 A/W，比探测率1.05×10¹² Jones），确保高保真信号获取。通过采用新型CNN-LSTM混合深度学习框架，系统有效捕捉信号的空间形态特征和长时程时序逻辑。基准测试证实，该模型在实验数据集上达到92.94%的识别准确率，在鲁棒性测试中达到98.6%，优于传统SVM和单一CNN模型。本研究不仅为自供能人机交互提供了鲁棒解决方案，而且为未来物联网网络中高性能器件与智能算法的融合建立了全面框架。