可穿戴电子皮肤正在从"单点传感"走向"多通道、多模态、连续监测"。这带来一个很现实的问题：传感器越来越多，原始数据越来越大，如果所有信号都先传到刚性芯片、手机或云端再处理，系统就会遇到功耗、延迟、连线复杂度和机械可靠性的共同限制。
当前的核心不是再做一个柔性传感器，而是把传感、前端处理和数字编码电路放到同一张超薄柔性基底上。Li Xiang，Youfan Hu，Anlian Pa等人使用碳纳米管薄膜晶体管（CNT-TFT）构建柔性近传感计算电路，并用机器学习辅助建立器件紧凑模型，让 CNT 电路可以进入类似传统集成电路的设计流程。
换句话说，这项工作的重点是：电子皮肤不只是"感知"，还要在皮肤附近先完成一部分"计算"。
一，为什么电子皮肤需要近传感计算？
传统可穿戴系统通常采用"传感器在柔性端，处理器在刚性端"的架构。传感器贴在皮肤上，但信号要传到外部芯片、手机或云端处理。对于少量通道，这种架构可以工作；但对于多通道电子皮肤，它会迅速暴露出三个问题。
第一，数据传输负担变大。多通道传感阵列会持续产生原始信号，通道数越多，传输线、接口和无线通信的能耗越高。
第二，系统延迟增加。人机交互、运动识别、健康监测等场景往往要求快速响应，原始数据先离开皮肤再处理，会增加端到端延迟。
第三，柔性和刚性之间的界面不友好。把传统硅芯片贴到柔性基底上，需要应变缓冲结构或薄化工艺，容易引入制造成本、面积占用和软硬界面失效。
这也是近传感计算的意义：让传感器附近的柔性电路先完成放大、整形、编码或压缩，只把更紧凑的结果传出去。
图1｜8通道倾角传感器先把手部方向转化为多路输入，CNT-TFT 电路在同一柔性贴片上完成信号整形和8到3位编码，从源头减少需要传输的数据量。
二，CNT-TFT 为什么适合做柔性计算电路？
碳纳米管是一类很适合柔性电子的半导体材料。它具有较高载流子迁移率、可低温加工、可大面积制备，并且本身具有机械柔性。因此，CNT-TFT 常被认为是柔性集成电路的重要候选路线。
但"能做晶体管"和"能做复杂电路"之间有一段很长的距离。柔性 CNT 电路过去常停留在少量晶体管、简单反相器或环形振荡器层面，难以承担真正的信号处理任务。原因很直接：器件参数的批次波动、薄膜网络的非理想输运、柔性基底带来的界面效应，都会让电路设计变得比硅 CMOS 更难预测。
其中问题可拆成三层：
-
先做出可稳定释放、可弯折的超薄基底；
-
再建立足够准确的 CNT-TFT 器件模型；
-
最后把模型接入标准单元和 EDA 设计流程，构建真正能编码和压缩数据的柔性电路。
三，先解决"薄而不断"的基底问题
采用约 2 μm 厚的 PI-SiO 超薄基底。它的关键设计是：制备过程中能牢固贴在硅片临时载体上，制备完成后又能在水中温和自剥离。
这个设计看似偏材料工艺，但对电路很关键。集成电路不是一个器件，而是成百上千个器件共同工作。剥离过程只要造成局部裂纹、污染或应力集中，就可能让电路良率快速下降。传统激光剥离、机械剥离或化学蚀刻都有潜在损伤和污染风险，而水触发的自剥离方式降低了这类风险。
在这个基底上，研究团队测试了 100 个 p 型 CNT-TFT。器件表现出较好的均一性：电流开关比约为 ，阈值电压为
，亚阈值摆幅为
，迁移率约为
。在弯折半径降至 0.77 cm 以及 3000 次循环弯折后，关键电学参数仍保持稳定。
这说明基底和器件本身已经具备进一步做柔性计算电路的基础。
四，机器学习真正帮的是"建模"和"设计"
CNT-TFT 的电学行为很难用简单公式完全描述。碳纳米管网络的密度、取向、纯度、接触电阻、柔性聚合物界面和低温工艺都会影响器件曲线。若没有可靠模型，电路设计只能大量依赖手工试错。
这里，机器学习并不是直接识别人体动作，而是用于建立 CNT-TFT 的紧凑模型。研究团队制备了不同沟道宽长比 \(W/L\) 的器件，测量转移曲线和输出曲线，提取阈值电压、亚阈值摆幅、开关比、接触电阻等参数，再用多层感知机（MLP）学习"器件几何参数到电学响应"的映射。
训练后的模型对漏极电流的预测准确率达到 91.2%，训练过程中的 从 0.992 提高到 0.9985。随后，模型被转换为 Verilog-A 格式，接入 SPICE 仿真和 Cadence Virtuoso 等 EDA 工具。这样，CNT-TFT 不再只是实验室里的单个器件，而是可以被纳入电路级仿真的"设计对象"。
图2｜实验测得的 CNT-TFT 数据训练出紧凑模型，模型被转换为 EDA 可用的 Verilog-A/SPICE 表达，再用于反相器、逻辑门、标准单元和柔性集成电路设计。
柔性电子如果只靠材料性能，很难规模化；如果能建立从器件到电路再到系统的设计工具链，才有机会进入更复杂的功能集成。
五，从反相器到标准单元，再到 361 个晶体管
在集成电路里，反相器是最基础的逻辑单元。研究团队利用 ML 辅助 SPICE 仿真优化 CNT-TFT 反相器的宽长比，使其获得接近轨到轨的输出摆幅和较好的噪声容限。
实验中，150 个反相器的电压转移曲线表现出较高一致性，电压摆幅保持在 ，电压增益达到
，高、低静态噪声容限分别约为
和
。五级环形振荡器在 5 V 供电下实现 91 kHz 稳定振荡，对应单级传播延迟约 1.1 μs。
这些结果说明，CNT-TFT 不只是能开关，还能以较高一致性构成可级联的逻辑电路。
进一步，研究团队建立了包含 12 种 CNT-TFT 标准单元的库，包括 NOT、NOR、NAND、AND 等基本逻辑门。基于这些单元，他们构建了一个近传感计算电路：共 361 个 CNT-TFT、160 个逻辑门，面积为 0.168 cm²，晶体管密度约为 2150 个/cm²。
这对于柔性 CNT 电路来说，是从"演示器件"走向"系统电路"的关键推进。
六，8 通道倾角传感器如何被压缩成 3 位输出？
可以用一个 8 通道倾角传感器作为系统演示。传感器内部的液态金属液滴会随手部方向变化而接触不同电极，从而激活对应通道。原始输入是 8 路信号 到
，柔性电路先对信号进行放大和削波，使其变成标准数字波形，再通过优先级编码电路输出 3 位数字信号。
从信息表达上看，8 个方向通道如果直接传输，需要传 8 路原始输入；经过本地编码后，只需要 3 位输出即可表示方向。因此系统实现了 62.5% 的数据压缩，同时保留了方向识别所需信息。
更重要的是，这个过程发生在同一张柔性基底上。传感器、前端整形电路和数字编码电路是单片集成，而不是把柔性传感器外接到刚性处理芯片。系统贴附在人手上并经历不同角度弯折、360° 卷曲变形后仍能工作，361 个晶体管电路在 3 V 供电下的平均工作功耗约为 68.8 μW。
这展示了一个很清晰的方向：电子皮肤可以先在局部完成低功耗预处理，只把压缩后的结果传给后端系统。
七，这项工作真正推进了什么？
其价值不只在于某一个指标，而在于把几个长期分散的问题接到了一起。
第一，它证明柔性系统可以从"传感贴片"向"传感-计算一体化贴片"推进。电子皮肤不必永远依赖外部刚性芯片完成最基础的信号处理。
第二，它把机器学习放在了一个非常务实的位置：不是替代器件物理，而是帮助建立可仿真的紧凑模型，使非理想 CNT-TFT 能接入成熟 EDA 流程。
第三，它展示了标准单元库对柔性电子的重要性。没有标准单元，电路设计会停留在手工堆器件；有了经过验证的逻辑单元，复杂电路才可能被自动布局、布线和扩展。
第四，它将近传感计算落到了一个完整硬件系统上。8 通道输入、信号整形、优先级编码、3 位输出、皮肤贴附和弯折测试共同说明，这不是单个晶体管性能展示，而是面向可穿戴系统的数据处理架构演示。
八，局限性也要看清楚
这项工作仍处在柔性边缘计算电路的早期阶段。当前系统演示的是数字倾角传感和优先级编码，距离复杂生理信号处理还有距离。例如心电、肌电、汗液或多模态健康监测通常需要更复杂的模拟前端、滤波、模数转换、时序控制和抗噪声能力。
此外，CNT-TFT 大规模电路仍需要进一步提升器件均一性、长期工作稳定性、互连可靠性和设计库完整度。其中的 361 个晶体管和 160 个逻辑门已经显著推进了柔性 CNT 集成，但相比传统硅芯片仍然是小规模系统。
机器学习模型本身也需要更多可解释性和敏感性分析。它已经能帮助预测和仿真，但在跨工艺、跨批次、跨实验室扩展时，仍需要持续积累高质量器件数据。
总结
++综上，可以看出柔性电子皮肤向"本地智能硬件"迈出的一步。它把 CNT-TFT、超薄自剥离基底、ML 辅助紧凑建模、标准单元库和近传感数据压缩放到同一个系统里，说明柔性贴片不仅能贴在皮肤上采集信号，也能在皮肤附近先完成一部分逻辑处理。++
++对于未来可穿戴设备、人机交互和低功耗电子皮肤来说，这种架构的意义很直接：减少原始数据传输，降低延迟和功耗，同时减少对刚性外部芯片的依赖。它还不是终点，但已经把"柔性传感器"推进到了"柔性计算系统"的门口++ 。
参考资料：Nature Communications, 2026，DOI：10.1038/s41467-026-74053-5