灵活的人工智能光电传感器为独立的节能健康监测设备铺平了道路

从创建图像、生成文本到启用自动驾驶汽车，人工智能（AI）的潜在用途是巨大的和变革性的。然而，所有这些能力都需要非常高的能源成本。例如，估计表明，训练OPEN AI流行的GPT-3模型消耗了超过1287兆瓦时，足以为美国普通家庭提供120年的电力

这种能源成本构成了一个巨大的障碍，尤其是在健康监测等大规模应用中使用人工智能时，大量关键健康信息被发送到集中的数据中心进行处理。这不仅消耗了大量的能量，还引发了人们对可持续性、带宽过载和通信延迟的担忧

实现基于人工智能的健康监测和生物诊断需要一个独立的传感器，该传感器独立运行，无需持续连接到中央服务器

同时，传感器必须具有长时间使用的低功耗，能够处理快速变化的生物信号进行实时监测，足够灵活，能够舒适地附着在人体上，并且由于卫生原因需要频繁更换，因此易于制造和处理

考虑到这些标准，由副教授Takashi Ikuno领导的东京科学大学（TUS）的研究人员开发了一种像人脑一样工作的柔性纸基传感器。他们的发现发表在《高级电子材料》上

在人脑中，信息通过突触在神经元网络之间传播。每个神经元都可以自己处理信息，使大脑能够同时处理多个任务。与传统的计算系统相比，这种并行处理能力使大脑更加高效

为了模拟这种能力，研究人员在10Â&微型的；m透明膜，其由氧化锌（ZnO）纳米颗粒和纤维素纳米纤维（CNFs）组成

透明薄膜有三个主要用途。首先，它允许光通过，使其能够处理代表各种生物信息的光学输入信号。其次，纤维素纳米纤维赋予柔性，并且可以容易地通过焚烧处理

第三，ZnO纳米颗粒具有光响应性，当暴露于脉冲紫外光和恒定电压时会产生光电流。这种光电流模拟了人脑中突触传递的反应，使该设备能够解释和处理从光学传感器接收的生物信息

值得注意的是，该薄膜能够区分4位输入光脉冲，并响应于时间序列的光输入产生不同的电流，其快速响应时间约为子秒。这种快速反应对于检测健康相关信号的突然变化或异常至关重要

此外，当暴露于两个连续的光脉冲时，第二个脉冲的电流响应更强。这种行为被称为后增强促进，有助于大脑中的短期记忆过程，并增强突触检测和响应熟悉模式的能力

为了测试这一点，研究人员将MNIST图像（一个手写数字的数据集）转换为4位光脉冲。然后，他们用这些脉冲照射薄膜，并测量电流响应。使用这些数据作为输入，神经网络能够识别手写数字，准确率为88%

值得注意的是，即使设备被反复弯曲和拉伸1000次，这种手写数字识别能力也不会受到影响，这证明了它的坚固性和重复使用的可行性。Ikuno博士总结道：“这项研究强调了将半导体纳米颗粒嵌入柔性CNF膜中用作PRC柔性突触器件的潜力。”