欢迎投稿欢迎课题组投递中文宣传稿，免费宣传成果，发布招聘广告，具体联系人：13162018291（微信同号）
研究背景
多模态表皮传感技术的快速发展,对可扩展、低能耗、能够处理海量原始数据的处理架构提出了迫切需求。在传统系统中,传感器与处理器在物理上相互分离,传感节点采集到的大量未经处理的原始数据必须传输到中央处理单元或云端,由此带来高昂的数据传输能耗与显著的传输时延。随着多模态监测系统的传感通道数不断增加,原始数据量呈指数级增长,进一步压垮了常规信号处理架构。
边缘计算是一种将处理资源从远端集中单元迁移到传感节点附近的分布式架构范式。它在信号产生的源头就近完成原位特征提取与数据压缩,从而大幅降低数据处理时延与传输负担。然而,对于超薄表皮系统等柔性集成平台,目前主流方案仍依赖混合集成策略——即把常规刚性硅芯片贴装到柔性衬底上。这类方案要么需要昂贵的晶圆减薄工艺,要么需要占用大量面积的蛇形互连,不仅推高制造成本,还会在软硬界面处产生应变集中、损害机械可靠性,且无法提供真正的全柔性平台。相比之下,将传感器与信号处理单元在超薄衬底上单片协同集成、完全采用柔性材料与配套工艺构筑,才是面向物联网时代可量产、耐用且经济可行的长远路线。
碳纳米管(CNT)兼具高载流子迁移率、本征柔性与低成本可加工性,是大面积柔性电子极具前景的半导体材料。在刚性硅衬底上,基于 CNT 的片上系统已实现超过 1000 个晶体管的微处理器、张量处理单元与三维集成传感系统。但要在柔性超薄衬底上实现可比的集成度与功能复杂度,仍是亟待突破的关键难题:迄今多数柔性 CNT 电路的集成规模仅停留在数十个晶体管,少数包含上百个晶体管的演示也只是把相同反相器重复堆叠成简单环形振荡器,本质上缺乏支撑复杂信号处理任务的计算能力。
成果简介
针对上述挑战,湖南大学潘安练教授、北京大学胡又凡副教授与湖南大学向立研究员(共同通讯作者)等人在 Nature Communications 上报道了一种基于碳纳米管薄膜晶体管(CNT-TFT)、由机器学习辅助设计的超薄柔性边缘计算电路;罗泽邦、向黎、邹雄锋为共同第一作者。研究团队将衬底工程、机器学习器件建模与产业兼容设计相结合,建立了一条从器件到系统的完整工具链。
在衬底层面,团队通过在聚酰亚胺主链中引入硅氧烷链段,研制出兼具强黏附与自剥离能力的PI-SiO 超薄衬底(约 2 μm):在严苛工艺条件下牢固黏附于硅片载体,浸入去离子水时又能温和无损地自发剥离,实现超薄衬底 100% 成功释放。在器件层面,分布于衬底各处的 100 个 p 型 CNT-TFT 表现出高度均一性(阈值电压标准差仅占工作栅压窗口的 4%),并可耐受 3000 次循环弯曲、性能退化极小。
在设计层面,团队提出机器学习辅助的
CNT-TFT 紧凑模型:用多层感知机将器件几何参数映射到电学特性,对漏极电流的预测准确率达 91.2%,并转换为与商用 EDA 平台兼容的 Verilog-A 模型。借助该工具链,团队建立标准单元库,经工业 EDA 自动布局布线,在超薄柔性衬底上构筑出集成361 个 CNT-TFT、160 个逻辑门的边缘计算电路。最终,8 通道倾角传感器与 8 输入计算核心单片集成于同一柔性衬底,通过优先级编码达成 62.5% 的数据压缩率,系统在 360° 滚动形变后仍正常工作,平均工作功耗约 68.8 μW。
图1 用于数据压缩的柔性近传感计算系统。(a) 共形贴附于皮肤的柔性近传感计算系统示意图，多通道传感与碳纳米管基超柔性集成电路相结合。(b) 传统传感-处理系统与柔性近传感计算系统的对比：上图为传统传感器外接数据处理系统的感知-识别流程，下图为利用柔性近传感计算系统就近完成数据处理的流程。(c) 上图为计算电路的空间叠层布局（金属层2用于源漏及单元间布线、沟道层为CNT、介质层、金属层1用于栅极与信号布线），下图为碳纳米管反相器的结构示意图，比例尺1 μm。(d) 近传感计算系统的整体信号流：倾角传感器经传感接口（幅度放大与信号整形）后送入数字处理单元完成数据编码，最终输出压缩数据。
图2 自剥离薄膜与碳纳米管薄膜晶体管特性。(a) 自剥离过程示意图。(b) 柔性近传感计算系统在水中自剥离过程的实物照片。(c) 器件揉皱后仍保持完好的照片。(d) 器件贴附于叶片表面的照片。(e) 器件贴附于人体手掌的照片。(f) 100个CNT-TFT（W/L = 10，V_ds = −0.1 V）的转移曲线及光学显微镜照片（比例尺100 μm），曲线分散度极小，体现高度均一性。(g–j) 分别对应电流开关比 I_on/I_off、宽度归一化关态电流 I_off/W、阈值电压 V_th 与亚阈值摆幅 SS 的统计分布。(k) 代表性CNT-TFT（W/L = 10）的输出特性曲线，呈现清晰的线性区与饱和区。
图3 边缘计算电路的设计流程与机器学习辅助紧凑建模。(a) 柔性近传感计算电路的设计与制造流程，灰色框内为机器学习辅助的CNT晶体管紧凑建模流程，整体涵盖工艺设计、版图设计与制造三个协同优化阶段。(b) 训练过程中每个epoch的损失随步数逐渐收敛。(c) 训练过程中决定系数 R² 随步数提升，反映模型拟合不断改善。(d) 机器学习预测电流值与目标样本数据的对比。(e) 不同漏压、不同晶体管尺寸下，lg I_ds–V_gs 的机器学习预测（方块）、SPICE仿真（三角）与实验（实线）三者结果的对比，不同颜色对应不同W/L与V_ds条件。(f) 基于机器学习的SPICE仿真给出的不同尺寸反相器电压传输特性。(g) 采用机器学习紧凑模型的反相器瞬态响应。
图5 逻辑门与计算电路表征。(a–h) NOT、NOR、NAND、AND逻辑门的伪彩光学照片及其对应的输入-输出特性，逻辑门在0 V（逻辑“0”）与5 V（逻辑“1”）之间实现轨到轨翻转，比例尺100 μm。(i) 近传感计算电路的光学照片及其对应电路图，电路集成361个CNT-TFT、160个逻辑门，比例尺500 μm。(j) 计算电路的输入-输出特性表征，可将多通道输入按既定真值表编码为压缩输出，并实现从I7到I0的降序优先级排序。
图6 柔性近传感计算系统。
(a) 集成传感、预处理与计算的柔性近传感计算系统架构示意图。(b) 制备完成的柔性近传感计算系统实物照片，布局紧凑、集成密度高。(c) 器件机械柔性演示，包括贴附于人体皮肤以及卷曲成筒状的形态。(d) 系统中实现的三级信号处理流程：信号产生→信号整形→边缘计算→压缩数据。(e) 集成系统在不同运动方向下的实时信号处理性能，上半部分为放大整形后的信号，下半部分为计算电路生成的数字压缩输出。
总结展望
本工作建立了一套面向CNT-TFT的机器学习辅助、产业兼容的设计框架，实现了紧凑模型建立、逻辑门系统化优化以及在超薄柔性衬底上的可扩展电路构筑。所演示的电路具备高电学均一性、稳健的信号处理能力，并在单片集成的倾角传感系统中完成了实时数据压缩，有望显著降低表皮电子系统在可穿戴应用中的数据传输负担。这些结果共同勾勒出一条实用路线：在单一超薄形态中同时兼顾器件级均一性、电路级功能性与系统级信息处理能力。
展望未来，该单片平台还有望拓展至电生理监测等模拟传感应用，但前提是进一步集成放大、滤波、信号转换等信号调理功能，这对器件均一性、噪声抑制、工作稳定性与功耗效率提出了更高要求。此外，在模型可解释性与敏感性分析、大面积工艺均一性、互连与布线策略、信号完整性、制造良率以及更完善的标准单元/设计基础设施等方面持续推进，将有助于把该框架拓展到更广的传感模态与更大规模的CNT-TFT电路系统。
文献链接
DOI：https://doi.org/10.1038/s41467-026-74053-5
