Nano-Micro Letters：通过深度学习解耦实现灵活的双模传感晶体管以用于独立的光和温度重建

NavyLIu

2026-07-14

延世大学Hyun Jae Kim、Jong Bin An报道了一种柔性双模传感晶体管（FDST），该晶体管基于集成在铟镓锌薄膜晶体管上的氧化锌纳米纤维（ZnO-NF），并结合了基于深度学习的信号解耦策略。

本文要点：

1) 缺陷介导的亚隙激发和热激活界面电位调制能够实现高灵敏度的双模响应，提供高达2.69 A W^-1的宽带光响应率（R）和0.071°C⁻¹的温度系数。为了实现对光和温度的可靠区分和同时重建，多方位读取将耦合的刺激物理编码为高维电流指纹，该指纹由轻量级多层感知器解码。

2) 这种协同方法能够准确独立地重建光强和温度，实现0.99左右的决定系数（R²）。FDST在10000次弯曲循环和严重弯曲（半径2mm）下表现出卓越的机械稳定性。此外，基于低功耗微控制器的可穿戴系统在不受控制的室外条件下实现了实时监测，光学和热模态之间的交叉干扰可以忽略不计。

参考文献：

Shilin Lu et.al Flexible Dual-Modal Sensing Transistor Enabled by Deep Learning Decoupling for Independent Light and Temperature Reconstruction Nano-Micro Letters 2026

DOI: 10.1007/s40820-026-02285-7

https://doi.org/10.1007/s40820-026-02285-7