自供电柔性摩擦电栅控离子凝胶晶体管,用于类脑触觉感知和人体活动识别

《Advanced Materials》:Self-Powered Flexible Triboelectric-Gated Ion-Gel Transistor for Neuromorphic Tactile Sensing and Human Activity Recognition

【字体: 大 中 小 】 时间:2026年03月11日 来源:Advanced Materials 26.8

编辑推荐:

  摘要 可穿戴且柔性的神经形态设备能够在自主响应机械刺激的同时准确模拟突触行为,这对于智能感知和仿生计算具有巨大潜力。本文介绍了一种全柔性的突触设备,该设备在塑料基底上制造的石墨烯通道离子凝胶门控晶体管(g-IGT)直接由基于聚(乙烯二氟化物-三氟乙烯)的摩擦电纳米发电机(TEN

  摘要

可穿戴且柔性的神经形态设备能够在自主响应机械刺激的同时准确模拟突触行为,这对于智能感知和仿生计算具有巨大潜力。本文介绍了一种全柔性的突触设备,该设备在塑料基底上制造的石墨烯通道离子凝胶门控晶体管(g-IGT)直接由基于聚(乙烯二氟化物-三氟乙烯)的摩擦电纳米发电机(TENG)驱动,实现了自供电的触觉感知和模拟权重存储。该设备通过感觉-短期-长期记忆转换来模拟多级存储层次结构,其特征是突触衰减时间约为70毫秒(感觉阶段)、0.2-0.45秒(短期阶段)和超过2.0秒(长期阶段)。此外,通过基于脉冲频率的可塑性实现了速率编码学习,从而能够进行频率选择性的增强和抑制。当将实验测得的权重更新曲线应用于单层感知器中以进行人类活动识别时,即使在1.1 MPa的弯曲应力下,神经网络系统的分类准确率也能达到88%以上。此外,即使在高噪声水平的极端环境中,该网络系统也能保持相对稳定的性能(>75%)。这些结果证明了TENG驱动的g-IGT是一种可行的途径,可以实现机械适应性、无需电池的神经形态平台,具备在现场进行感知、学习和适应的能力。

1 引言

可穿戴电子设备的快速发展加剧了设计新型设备的努力,这些设备能够与生物系统无缝互动[1-3]。在这种背景下,模拟生物神经网络功能的神经形态设备已成为高效[4-6]、低功耗[7-9]和智能接口的有希望的候选者,适用于健康监测和多模态感知[10-14]。这一追求的核心是能够再现关键的突触操作,如信号传输和可塑性,使人工神经网络能够以类似大脑的方式处理和适应感官输入[15-20]。在可用的设备架构中,石墨烯通道离子凝胶门控晶体管(g-IGT)因其石墨烯的卓越载流子迁移率和静电透明度以及离子凝胶的柔韧性和电双层功能而脱颖而出。这些特性允许在低电压(<2 V)下运行,并实现模拟生物突触中离子动态的模拟突触权重调制[21-23]。最近的研究报告了小于100飞焦耳的突触事件、线性电导调节以及在大规模制造中的兼容性。例如,Kim等人展示了203 ± 57 cm2/V·s(空穴)和91 ± 50 cm2/V·s(电子)的出色迁移率,同时保持稳定的操作性能即使在弯曲应力下[24]。同样,Liu等人实现了一种侧向门控的g-IGT,它在平面和弯曲状态下都表现出多样的突触功能,甚至在进行巴甫洛夫狗实验时也表现出这种功能[25]。尽管取得了这些进展,但大多数 reported 的g-IGT 仍然依赖外部电源和刚性基底,限制了它们在完全集成的可穿戴神经形态系统中的实际应用。人类的触觉感知源自能够感知微小机械扰动并将其转换为神经脉冲的机械感受器。为了电子复制这一过程,需要能够直接将机械运动转换为电输出的材料。基于电容[26]和压电[27-29]机制的方法已被报道,而最近,自2012年Wang等人引入摩擦电纳米发电机(TENGs)[30-32]以来,它们已成为一种特别有效的替代方案[33]。TENGs 的特点是能够从细微的身体运动、振动或触摸中收集能量,同时对低至亚毫牛顿的力具有敏感性[34, 35]。在接触充电过程中,TENG 设备产生的电压脉冲可以超过100 V,并提供数十微安范围内的电流[36, 37]。这些输出足够强,可以调制低功率的突触晶体管并同时驱动其电导。尽管具有这些优势,TENG 信号的固有高输出阻抗和脉冲脉冲特性使其难以直接与传统的电子电路配合使用[35]。为了解决这个问题,一些研究将 TENGs 与整流或电荷存储电路模块结合,以操作传感器或存储设备[38]。然而,从原始 TENG 波形产生稳定的直流输出仍然需要额外的功率调节组件,这阻碍了其全面集成。已经投入了大量努力将 TENGs 与 IGTs 集成。例如,Yu 等人在刚性 SiO2/Si 基底上报告了一种 TENG 驱动的 MoS2 IGT,实现了每事件 11.9 fJ 的超低切换能量[39]。后来,Zeng 等人在柔性平台上实现了摩擦电驱动的突触功能;然而,他们的设备仍然需要外部漏极偏压,因此不是完全自供电的[40]。更一般地,大多数关于柔性 TENG-IGT 的研究仍集中在设备级别性能上,而没有扩展到系统级别的演示,如端到端模拟或任务基准测试[41, 42]。这些发现既展示了当前技术的潜力,也指出了必须克服的四个未解决的挑战,以便实际应用中的感官-神经形态技术:(i) 准确模拟多级存储层次结构,(ii) 实现线性和稳定的突触权重更新,(iii) 在电和摩擦电刺激以及机械弯曲期间实现基于脉冲频率的可塑性(SRDP),以及 (iv) 通过动态运动识别任务展示系统级别的相关性。具体来说,对于 (i),再现“小于100毫秒的感觉记忆(SM)→ 几百毫秒的短期记忆(STM)→ 几秒的长期记忆(LTM)状态的时间和层次转换至关重要。对于 (ii),TENG 输出的短暂和非高斯特性通常导致不对称的增强/抑制和快速的电导衰减。对于 (iii),尚未在 TENG 驱动的 IGT 中展示关键的频率依赖性赫布学习规则。最后,对于 (iv),将摩擦电脉冲转换为实时的人类活动识别仍然是验证动态运动跟踪推理系统级别功能的一个未探索但至关重要的步骤。出于对无需电池和机械适应性神经形态平台的需求,我们在聚对苯二甲酸乙二醇酯(PET)基底上开发了一种自供电的 TENG 驱动 g-IGT,将触觉能量收集与突触操作结合起来。在确定了设备架构和机电行为后,我们探索了包括兴奋/抑制响应、成对脉冲可塑性和练习驱动的 SM–STM–LTM 转换在内的脉冲解析突触动态。我们进一步在电和摩擦电刺激下确认了 SRDP 功能,即使在机械弯曲的情况下也能实现,展现了自供电模式下的稳健和稳定的频率依赖性学习活动。最后,通过将硬件衍生的长期增强/抑制(LTP/LTD)内核集成到神经形态推理框架中,我们通过人类活动识别(HAR)验证了系统级别的功能,将摩擦电突触可塑性与实时体表计算联系起来。

2 结果与讨论

2.1 设备架构和基本设备特性

图1a 将生物触觉路径(左上角)与其电子对应物(左下角)进行了比较。在人体手臂中,机械感受器将皮肤变形转换为沿传入神经元传播的脉冲序列,并在化学突触处加权。为了模仿这一过程,两个 TENG 与一个 g-IGT 相连接:栅极侧的 TENG 提供突触前脉冲,而漏极侧的 TENG 生成突触后脉冲。在接触-分离过程中,聚(乙烯二氟化物-三氟乙烯)(P(VDF-TrFE) 层积累了相反的摩擦电荷。由此产生的电压脉冲驱动离子凝胶中的 1-乙基-3-甲基咪唑(EMIM+)和双(三氟甲烷磺酰)亚胺(TFSI?)离子向石墨烯通道迁移或远离石墨烯通道,从而调节突触后电流(ΔPSC),这与生物中的神经递质诱导的突触电流类似。由于这两种脉冲都直接来自环境触觉,因此电路完全不需要外部电池即可运行,同时保持了 SRDP 所需的因果前/后顺序。该设备的结构柔韧性对于可穿戴应用至关重要,这一点通过弯曲测试和光学成像得到了视觉和实验验证(图1b)。制造细节在图S1中提供,拉曼 scattering 和 X 射线衍射数据确认了单层石墨烯和 P(VDF-TrFE) 的 β-相(见图S2)。

2.1.1 设备架构和基本设备特性

图1a 将生物触觉路径(左上角)与其电子对应物(左下角)进行了比较。在人体手臂中,机械感受器将皮肤变形转换为沿传入神经元传播的脉冲序列,并在化学突触处进行加权。为了模拟这一过程,两个 TENG 被连接到 g-IGT:栅极侧的 TENG 提供突触前脉冲,而漏极侧的 TENG 生成突触后脉冲。在接触-分离过程中,聚(乙烯二氟化物-三氟乙烯)(P(VDF-TrFE)层积累相反的摩擦电荷。由此产生的电压脉冲驱动离子凝胶中的 1-乙基-3-甲基咪唑(EMIM+)和双(三氟甲烷磺酰)亚胺(TFSI?)离子向石墨烯通道移动,从而调节突触后电流(ΔPSC),这与生物中的神经递质诱导的突触电流类似。由于这两种脉冲都直接来自环境触觉,因此电路完全无需外部电池即可运行,同时保持了 SRDP 所需的因果前/后顺序。该设备的结构柔韧性对于可穿戴应用至关重要,这一点通过弯曲测试和光学成像得到了视觉和实验验证(见图1b)。制造细节在图S1中提供,拉曼散射和 X 射线衍射数据确认了单层石墨烯和 P(VDF-TrFE) 的 β 相(见图S2)。

2.1.2 设备架构和基本特性

图 1a 将生物触觉路径(左上角)与其电子对应物(左下角)进行了比较。在人体手臂中,机械感受器将皮肤变形转换为沿传入神经元传播的脉冲序列,并在化学突触处进行加权。为了模仿这一过程,两个 TENG 被连接到 g-IGT:栅极侧的 TENG 提供突触前脉冲,而漏极侧的 TENG 生成突触后脉冲。在接触-分离过程中,聚(乙烯二氟化物-三氟乙烯)(P(VDF-TrFE)层积累相反的摩擦电荷。由此产生的电压脉冲驱动离子凝胶中的 1-乙基-3-甲基咪唑(EMIM+)和双(三氟甲烷磺酰)亚胺(TFSI?)离子向石墨烯通道移动或远离石墨烯通道,从而调节突触后电流(ΔPSC),这与生物中的神经递质诱导的突触电流类似。由于这两种脉冲都直接来自环境触觉,因此电路完全无需外部电池即可运行,同时保持了 SRDP 所需的因果前/后顺序。该设备的结构柔韧性对于可穿戴应用至关重要,这一点通过弯曲测试和光学成像得到了视觉和实验验证(见图1b)。制造细节在图 S1 中提供,拉曼散射和 X 射线衍射数据确认了单层石墨烯和 P(VDF-TrFE) 的 β 相(见图 S2)。

2.1.3 测量设置

图 1c 展示了用于评估基本记忆特性的测量设置示意图。在这种配置中,石墨烯通道通过离子凝胶层与栅极分离,该离子凝胶层起到静电突触间隙的作用。图 1d 比较了三种扫描速率(0.20、0.10 和 0.05 V/s,从左到右)下测量的漏极电流与栅极电压(ID–VG)传输曲线。在相对较快的扫描速率 0.20 V/s(图 1d,左)下,正向和反向迹线明显分离,当扫描电压(Vsweep)范围为 ±3 V 时产生了 1.23 V 的记忆窗口(ΔVM)(参见图 S3)。图 S4 全面展示了栅极调制下离子分布的操作洞察,包括石墨烯通道内的电子和空穴积累。将扫描速率降低到 0.05 V/s(图 1d,右)时,EMIM+/TFSI? 离子对可以在每个偏压步骤下达到平衡。结果,残余的界面电荷较小,滞后环在 Vsweep = ±3 V 时缩小到 0.69 V。这种速率依赖性的扩展证实了石墨烯通道中的突触滞后受到离子在离子凝胶电解质中的充电和松弛动力学的影响。为了进一步验证制造过程的空间均匀性,我们通过测量芯片上的九个独立设备来评估循环间和设备间的一致性,所有设备都表现出一致的极性行为和滞后演变(见图 S5)。在这些多个独立样本上进行 20 循环的双向扫描传输测量时(扫描速率分别为 0.20、0.10 和 0.05 V/s;见图 S6),设备表现出高度可重复的切换行为,保持一致的滞后环形状和窗口宽度。具体来说,随着扫描速率的减慢(从 0.20 V/s 的 1.1 V 减少到 0.05 V/s 的 0.85 V),平均滞后宽度系统性地减小。这证实了响应是由可预测的离子动力学控制的,而不是不稳定性。此外,设备在 1000 次连续的设置/重置切换周期期间表现出长期稳定性,显示出稳定的电导状态并且几乎没有疲劳(见图 S7)。图 1e 展示了在 VG(sweep) = ±2 V 下测量的漏极电压(VD)依赖的传输特性,VD 范围为 1 到 100 mV。增加 VD 增强了横向场,降低了石墨烯/离子凝胶界面的注入屏障,并放大了滞后窗口。导通状态电流从 VD = 1 mV 时的 0.69 μA 增加到 100 mV 时的 17.2 μA,显示出高度模拟的、VD 可调的通道电导调制。输出特性曲线(ID–VD 在 VG = ?2.0 到 +2.0 V;见图 S8)保持线性和对称性,证实了欧姆接触和整个突触电压窗口内的稳定通道电导。在 TENG 的情况下,垂直接触-分离模式(图 1f)通过重复接触和释放 PET/Al 和 P(VDF-TrFE)/Al 层将机械冲击转换为摩擦电荷[43](另见图 S9)。为了验证主要的电荷生成机制,我们最初进行了控制实验,比较了接触-分离(摩擦电主导)和连续压缩(仅压电)模式。如图 S10a,b 所示,在 1.5 N 下压电贡献可以忽略不计(约 0.25 V),相比之下摩擦电输出约为 2.4 V。这证实了驱动突触可塑性的尖锐电压脉冲主要归因于接触充电和分离阶段的静电感应。在这里,使用反馈控制的线性电机系统实现了接触力和频率的精确独立控制(见图 S11)。图 1g 显示了当接触-分离力从 0.25 N 变化到 2.0 N 时产生的电压脉冲。每个周期产生一对极性脉冲:接触时的正脉冲(VTENG+)和释放时的负脉冲(VTENG?)。两个幅度都随着冲击力的增加而单调增加。这一趋势在图 1h 中进行了总结,其中 VTENG+ 从 0.25 N 时的 0.6 V 增加到 2.0 N 时的 3.0 V,VTENG? 从 0.25 N 时的 |?1.01 V| 增加到 2.0 N 时的 |?5.3 V|。高决定系数(R2 = 0.99)是从 VTENG 和接触-分离力之间的关系得出的,证实了 TENG 输出提供了机械力和/或速度编码的电压刺激。为了进一步验证电荷传递能力,我们还评估了 TENG 设备的输出电流特性(见图 S12)。与电压行为一致,流经 1 MΩ 负载电阻的输出电流(ITENG)随着力的增加而增加,在 1.5 N 时达到峰值 2.91 μA。除了合理的输出性能外,TENG 还展示了出色的机械耐用性和电气稳定性,在 1000 次连续操作周期内保持一致的电压幅度(见图 S13)。此外,TENG 设备在弯曲引起的拉伸应力下也显示出稳定的输出特性(见图 S14)。例如,即使在小应力σf = 0.32 MPa的情况下,脉冲列仍然保持稳定,其峰值幅度变化仅为平态的约15%,这与弯曲状态下有效接触面积预期减少的情况一致(即,当曲率增大时,接触面积减小)。

2.2 脉冲分辨的突触动态和记忆转换

在确定了结构设计和基本电学行为(图1)之后,我们接下来研究了制造的g-IGT的突触可塑性。如图2所示,通过改变脉冲幅度(Vpulse)和持续时间(tpulse),系统地表征了兴奋性和抑制性突触后电流(EPSC/IPSC)响应,从而直接洞察了生物学上相关的动态过程。当分别对g-IGT施加负脉冲和正脉冲(Vpulse = ±0.5–1.5 V,tpulse = 10–100 ms)时,突触瞬变过程明显区分了EPSC(图2a,红色)和IPSC(图2b,蓝色)。对于EPSC和IPSC,ΔPSC的幅度都随着tpulse的延长和Vpulse的增大而逐渐增加(图2c,d)。为了进一步分析更新后的突触后电流(ΔPSC)对这些脉冲参数的依赖性,我们从每个数据集中提取了突触衰减时间(τdecay)。τdecay值是通过使用拉伸指数函数(SEF)来拟合瞬变过程获得的,该函数最初用于描述电容器放电和介电极化衰减[44, 45]。这个函数已被广泛用于描述各种物理系统中的时间依赖现象[46-48]。SEF的表达式为

(1)

其中I(t)是输出电流,Ipeak是峰值EPSC(或IPSC),I∞是衰减后的最终值,t0是突触前脉冲的时间,β是从0到1的拉伸指数。为了确定最佳的β值,在不同的Vpulse下,将tpulse = 20 ms时记录的EPSC和IPSC数据用β值从0.3到1.0进行拟合。提取的τdecay显示出对β的钟形依赖性(见图S15a,b)。也就是说,τdecay从β ≈ 0.3开始连续增加,在β ≈ 0.7时达到最大值(对于EPSC约为270 ms,对于IPSC约为220 ms),然后趋于饱和。相比之下,R2(即决定系数)在稍低的指数β ≈ 0.5时达到峰值(见图S15c,d)。为了平衡长τdecay的物理相关性和拟合的统计准确性,我们将β固定为0.6,这是一个中间值,可以在保持R2在其最佳值的1%范围内的同时,保留超过95%的最大τdecay。这个选择确保了突触器件的短期和长期衰减特性的准确建模,从而将生物突触松弛的时间尺度与基于硬件的神经形态学模拟所需的定量准确性联系起来。图2e,f显示了EPSC/IPSC的τdecay作为tpulse的函数。g-IGT展示的τdecay值范围大约为EPSC的70到450 ms,IPSC的70到300 ms,这两个值都随着|Vpulse|的增大(对于EPSC是|?0.5|到|?1.5 V|;对于IPSC是0.5到1.5 V)和tpulse的延长(10–100 ms)而增加。这些τdecay的动态变化很好地对应于多存储记忆层次结构。在tpulse = 10 ms时,该器件的τdecay约为70 ms,对于EPSC和IPSC都是如此,这符合SM(短时记忆)范围,并且与N-甲基-D-天冬氨酸受体的衰减特性(τdecay (SM) = 60–100 ms)紧密匹配[49, 50]。对于更长的脉冲(>> 10 ms),τdecay急剧增加,对于EPSC约为300–450 ms,对于IPSC约为200–300 ms。这表明g-IGT将其记忆状态扩展到了STM(长期记忆)范围,具有更长的τdecay(STM)值,反映了增强的突触整合。通过再现这些生物学上相关的时间尺度并在更强的输入刺激下放大衰减时间,g-IGT捕捉了神经可塑性的基本特征,并为多样的神经形态学应用提供了可调的时间响应。图2e,f显示了EPSC/IPSC的τdecay作为tpulse的函数。g-IGT展示的τdecay值范围大约为EPSC的70到450 ms,IPSC的70到300 ms,这两个值都随着更高的|Vpulse|(对于EPSC是|?0.5|到|?1.5 V|;对于IPSC是0.5到1.5 V)和更长的tpulse(10–100 ms)而增加。这些τdecay的动态变化与多存储记忆层次结构相对应。在tpulse = 10 ms时,该器件的τdecay约为70 ms,对于EPSC和IPSC都是如此,这符合SM范围,并且与N-甲基-D-天冬氨酸受体的衰减特性(τdecay (SM) = 60–100 ms)紧密匹配[49, 50]。对于更长的脉冲(>> 10 ms),τdecay急剧增加,对于EPSC约为300–450 ms,对于IPSC约为200–300 ms。这表明g-IGT将其记忆状态扩展到了STM范围,具有更长的τdecay(STM)值,反映了增强的突触整合。通过再现这些生物学上相关的时间尺度并在更强的输入刺激下放大衰减时间,g-IGT捕捉了神经可塑性的基本特征,并为多样的神经形态学应用提供了可调的时间响应。

2.2 脉冲分辨的突触动力学和记忆转换

在确定了结构设计和基本电学行为(图1)之后,我们接下来研究了制造的g-IGT的突触可塑性。如图2所示,通过改变脉冲幅度(Vpulse)和持续时间(tpulse),系统地表征了兴奋性和抑制性突触后电流(EPSC/IPSC)响应,从而直接洞察了生物学上相关的动态过程。当分别对g-IGT施加负脉冲和正脉冲(Vpulse = ±0.5–1.5 V,tpulse = 10–100 ms)时,突触瞬变过程清晰地区分了EPSC(图2a,红色)和IPSC(图2b,蓝色)。对于EPSC和IPSC,随着tpulse的延长和Vpulse的增大(图2c,d),ΔPSC的幅度逐渐增加。为了进一步分析更新后的突触后电流(ΔPSC)对这些脉冲参数的依赖性,我们从每个数据集中提取了突触衰减时间(τdecay)。τdecay值是通过使用拉伸指数函数(SEF)来拟合瞬变过程得到的,该函数最初用于描述电容器放电和介电极化衰减[44, 45]。SEF被广泛用于描述各种物理系统中的时间依赖现象[46-48]。SEF的表达式为

(1)

其中I(t)是输出电流,Ipeak是峰值EPSC(或IPSC),I∞是衰减后的最终值,t0是突触前脉冲的时间,β是从0到1的拉伸指数。为了确定最佳的β值,在tpulse = 20 ms时,用β值从0.3到1.0对不同Vpulse下的EPSC和IPSC数据进行了拟合。提取的τdecay显示出对β的钟形依赖性(见图S15a,b)。即τdecay从β ≈ 0.3开始连续增加,在β ≈ 0.7时达到最大值(对于EPSC约为270 ms,对于IPSC约为220 ms),然后趋于饱和。相比之下,R2(即决定系数)在稍低的指数β ≈ 0.5时达到峰值(见图S15c,d)。为了平衡长τdecay的物理相关性和拟合的统计准确性,我们将β固定为0.6,这是一个中间值,它在保持超过95%的最大τdecay的同时,使R2在其最佳值的1%范围内。这个选择确保了突触器件的短期和长期衰减特性的准确建模,从而将生物突触松弛的时间尺度与基于硬件的神经形态学模拟所需的定量准确性联系起来。图2e,f显示了EPSC/IPSC的τdecay作为tpulse的函数。g-IGT展示的τdecay值范围大约为EPSC的70到450 ms,IPSC的70到300 ms,这两个值都随着更高的|Vpulse|(对于EPSC是|?0.5|到|?1.5 V|;对于IPSC是0.5到1.5 V)和更长的tpulse(10–100 ms)而增加。这些τdecay的动态变化与多存储记忆层次结构相对应。在tpulse = 10 ms时,该器件的τdecay约为70 ms,对于EPSC和IPSC都是如此,这符合SM(短时记忆)范围,并且与N-甲基-D-天冬氨酸受体的衰减特性(τdecay (SM) = 60–100 ms)紧密匹配[49, 50]。对于更长的脉冲(>> 10 ms),τdecay急剧增加,对于EPSC约为300–450 ms,对于IPSC约为200–300 ms。这表明g-IGT将其记忆状态扩展到了STM(长期记忆)范围,具有更长的τdecay(STM)值,反映了增强的突触整合。通过再现这些生物学上相关的时间尺度并在更强的输入刺激下放大衰减时间,g-IGT捕捉了神经可塑性的基本特征,并为多样的神经形态学应用提供了可调的时间响应。

2.2 脉冲分辨的突触动力学和记忆转换

在建立了结构设计和基本电学行为(图1)之后,我们接下来研究了制造的g-IGT的突触可塑性。如图2所示,通过改变脉冲幅度(Vpulse)和持续时间(tpulse),系统地表征了兴奋性和抑制性突触后电流(EPSC/IPSC)响应,从而直接洞察了生物学上相关的动态过程。当分别对g-IGT施加负脉冲和正脉冲(Vpulse = ±0.5–1.5 V,tpulse = 10–100 ms)时,突触瞬变过程明显区分了EPSC(图2a,红色)和IPSC(图2b,蓝色)。对于EPSC和IPSC,随着tpulse的延长和Vpulse的增大(图2c,d),ΔPSC的幅度逐渐增加。为了进一步分析更新后的突触后电流(ΔPSC)对这些脉冲参数的依赖性,我们从每个数据集中提取了突触衰减时间(τdecay)。τdecay值是通过使用拉伸指数函数(SEF)来拟合瞬变过程得到的,该函数最初用于描述电容器放电和介电极化衰减[44, 45]。SEF已被广泛用于描述各种物理系统中的时间依赖现象[46-48]。SEF的表达式为

(1)

其中I(t)是输出电流,Ipeak是峰值EPSC(或IPSC),I∞是衰减后的最终值,t0是突触前脉冲的时间,β是从0到1的拉伸指数。为了确定最佳的β值,在不同的Vpulse下,将tpulse = 20 ms时记录的EPSC和IPSC数据用β值从0.3到1.0进行拟合。提取的τdecay显示出对β的钟形依赖性(见图S15a,b)。即τdecay从β ≈ 0.3开始连续增加,在β ≈ 0.7时达到最大值(对于EPSC约为270 ms,对于IPSC约为220 ms),然后趋于饱和。相比之下,R2(即决定系数)在稍低的指数β ≈ 0.5时达到峰值(见图S15c,d)。为了平衡长τdecay的物理相关性和拟合的统计准确性,我们将β固定为0.6,这是一个中间值,它在保持超过95%的最大τdecay的同时,使R2在其最佳值的1%范围内。这个选择确保了突触器件的短期和长期衰减特性的准确建模,从而将生物突触松弛的时间尺度与基于硬件的神经形态学模拟所需的定量准确性联系起来。图2e,f显示了EPSC/IPSC的τdecay作为tpulse的函数。g-IGT展示的τdecay值范围大约为EPSC的70到450 ms,IPSC的70到300 ms,这两个值都随着更高的|Vpulse|(对于EPSC是|?0.5|到|?1.5 V|;对于IPSC是0.5到1.5 V)和更长的tpulse(10–100 ms)而增加。这些τdecay的动态变化与多存储记忆层次结构相对应。在tpulse = 10 ms时,该器件的τdecay约为70 ms,对于EPSC和IPSC都是如此,这符合SM(短时记忆)范围,并且与N-甲基-D-天冬氨酸受体的衰减特性(τdecay (SM) = 60–100 ms)紧密匹配[49, 50]。对于更长的脉冲(>> 10 ms),τdecay急剧增加,对于EPSC约为300–450 ms,对于IPSC约为200–300 ms。这表明g-IGT将其记忆状态扩展到了STM(长期记忆)范围,具有更长的τdecay(STM)值,反映了增强的突触整合。通过再现这些生物学上相关的时间尺度并在更强的输入刺激下放大衰减时间,g-IGT捕捉了神经可塑性的基本特征,并为多样的神经形态学应用提供了可调的时间响应。

2.2 脉冲分辨的突触动力学和记忆转换

在确定了结构设计和基本电学行为(图1)之后,我们接下来研究了制造的g-IGT的突触可塑性。如图2所示,通过改变脉冲幅度(Vpulse)和持续时间(tpulse),系统地表征了兴奋性和抑制性突触后电流(EPSC/IPSC)响应,从而直接洞察了生物学上相关的动态过程。当分别对g-IGT施加负脉冲和正脉冲(Vpulse = ±0.5–1.5 V,tpulse = 10–100 ms)时,突触瞬变过程明显区分了EPSC(图2a,红色)和IPSC(图2b,蓝色)。对于EPSC和IPSC,随着tpulse的延长和Vpulse的增大,ΔPSC的幅度逐渐增加(图2c,d)。为了进一步分析更新后的突触后电流(ΔPSC)对这些脉冲参数的依赖性,我们从每个数据集中提取了突触衰减时间(τdecay)。τdecay值是通过使用拉伸指数函数(SEF)来拟合瞬变过程得到的,该函数最初用于描述电容器放电和介电极化衰减[44, 45]。SEF已被广泛用于描述各种物理系统中的时间依赖现象[46-48]。SEF的表达式为

(1)

其中I(t)是输出电流,Ipeak是峰值EPSC(或IPSC),I∞是衰减后的最终值,t0是突触前脉冲的时间,β是从0到1的拉伸指数。为了确定最佳的β值,在不同的Vpulse下,将tpulse = 20 ms时记录的EPSC和IPSC数据用β值从0.3到1.0进行拟合。提取的τdecay显示出对β的钟形依赖性(见图S15a,b)。即τdecay从β ≈ 0.3开始连续增加,在β ≈ 0.7时达到最大值(对于EPSC约为270 ms,对于IPSC约为220 ms),然后趋于饱和。相比之下,R2(即决定系数)在稍低的指数β ≈ 0.5时达到峰值(见图S15c,d)。为了平衡长τdecay的物理相关性和拟合的统计准确性,我们将β固定为0.6,这是一个中间值,它在保持超过95%的最大τdecay的同时,使R2在其最佳值的1%范围内。这个选择确保了突触器件的短期和长期衰减特性的准确建模,从而将生物突触松弛的时间尺度与基于硬件的神经形态学模拟所需的定量准确性联系起来。图2e,f显示了EPSC/IPSC的τdecay作为tpulse的函数。g-IGT展示的τdecay值范围大约为EPSC的70到450 ms,IPSC的70到300 ms,这两个值都随着更高的|Vpulse|(对于EPSC是|?0.5|到|?1.5 V|;对于IPSC是0.5到1.5 V)和更长的tpulse(10–100 ms)而增加。这些τdecay的动态变化与多存储记忆层次结构相对应。在tpulse = 10 ms时,该器件的τdecay约为70 ms,对于EPSC和IPSC都是如此,这符合SM(短时记忆)范围,并且与N-甲基-D-天冬氨酸受体的衰减特性(τdecay (SM) = 60–100 ms)紧密匹配[49, 50]。对于更长的脉冲(>> 10 ms),τdecay急剧增加,对于EPSC约为300–450 ms,对于IPSC约为200–300 ms。这表明g-IGT将其记忆状态扩展到了STM(长期记忆)范围,具有更长的τdecay(STM)值,反映了增强的突触整合。通过再现这些生物学上相关的时间尺度并在更强的输入刺激下放大衰减时间,g-IGT捕捉了神经可塑性的基本特征,并为多样的神经形态学应用提供了可调的时间响应。

2.2 脉冲分辨的突触动力学和记忆转换

在确定了结构设计和基本电学行为(图1)之后,我们接下来研究了制造的g-IGT的突触可塑性。如图2所示,通过改变脉冲幅度(Vpulse)和持续时间(tpulse),系统地表征了兴奋性和抑制性突触后电流(EPSC/IPSC)响应,从而直接洞察了生物学上相关的动态过程。当分别对g-IGT施加负因此,观察到的SRDP行为使得g-IGT能够作为一个可调的模拟频率过滤器,将相对脉冲率转换为双向的突触权重更新。图5

在不同fpre和fpost条件下,由电脉冲和TENG脉冲驱动的g-IGT的SRDP特性。(a) 使用电脉冲进行SRDP测量的示意图。(b) 在电刺激下的SRDP响应(fpre = 15–45 Hz,fpost = 25 Hz)。(c) 在平坦状态下使用TENG脉冲进行SRDP测量(fpre = 5–20 Hz,fpost = 10 Hz)。(d) 在平坦状态下的TENG驱动SRDP响应。(e) 在弯曲状态下使用TENG脉冲进行SRDP测量。(f) 在弯曲状态下,TENG驱动的SRDP响应显示出对机械应力的鲁棒性。图6

不同脉冲频率条件下g-IGT的操作示意图。(a) 仅由+Vpulse(D)引起的LTP现象,这是由于通过TFSI?积累介导的EDL增强了石墨烯通道的电导率。(b) 在较低fpre(< fpost)时,由于+Vpulse(D)引起的EDL被极性相反的+Vpulse(G)引起的EDL所抵消,导致ΔPSC动态范围减小。(c) 在较高fpre(> fpost)时,由于+Vpulse(G)引起的EDL形成速度比+Vpulse(D)快,导致LTD现象。除了电刺激之外,确定设备在完全自供电模式下是否可以实现SRDP同样重要。为了验证这一点,我们使用TENG输入评估了摩擦电驱动的SRDP,其中突触后部分保持恒定频率,而突触前部分以不同的速率变化。如图5c所示,TENG输出被施加到两个突触端子:漏极(突触后部)接收到恒定的fpost为10 Hz,而栅极(突触前部)以变化的fpre(从5到20 Hz)进行驱动。与电刺激下的SRDP一致,该设备显示出清晰的TENG驱动SRDP(图5d),ΔPSC随fpre系统性地变化。在没有Vpulse(G)的情况下,仅Vpulse(D)由于界面TFSI?离子的积累而引起了强烈的LTP。当fpre等于fpost(10 Hz)时,+Vpulse(D)引起的EDL和+Vpulse(G)引起的EDL几乎抵消了彼此,导致ΔPSC的变化可以忽略不计。将fpre增加到15 Hz会逆转ELSC/IPSC的平衡,并引发微弱的LTD;而将fpre进一步增加到20 Hz则产生了明显的LTD。值得注意的是,即使在高达1.1 MPa的机械弯曲应力下,该设备也保持了一致的SRDP功能(图5e,f),证明了其鲁棒性和稳定的神经形态性能。此外,其他g-IGT设备在弯曲状态下也表现出相同的TENG驱动SRDP特征(另见图S19)。此外,在0.39–1.1 MPa的应力窗口内进行的扩展测试显示,在1–100 Hz的脉冲序列中ΔPSC值保持恒定(图S20a),而在1.1 MPa的更高拉伸应力下进行的1000次弯曲循环的耐久性测试也显示了稳定的ΔPSC值(图S20b)。这些结果展示了g-IGT中界面离子动力学的鲁棒性和其在机械变形下的相关突触可塑性。为了评估g-IGT如何将物理刺激转换为突触权重变化,我们提取了每个脉冲后的更新电导(ΔG)值,并将其作为npulse的函数绘制出来,得到了与npulse相关的LTP和LTD曲线(图7)。这些曲线清楚地区分了由三种类型输入引起的强和弱的突触修改:纯电脉冲(图7a)、平坦状态下的TENG脉冲(图7b)以及弯曲状态下的TENG脉冲(图7c)。图7d–f的下方面板总结了动态范围指数(Gmax/Gmin)和非线性因子(NL)作为Δf(= fpre – fpost)的函数,这些是从以下方程[68-70]中提取的:

通过SRDP数据获得的Δf依赖性突触可塑性的分析。(a) 电脉冲下的Δf依赖性LTP/LTD曲线。(b) TENG脉冲下的Δf依赖性LTP/LTD曲线。(c) 具有机械弯曲的TENG脉冲下的Δf依赖性LTP/LTD曲线。(d) 电刺激下的Gmax/Gmin和NL。(e) TENG刺激下的Gmax/Gmin和NL。(f) 弯曲状态下TENG刺激下的Gmax/Gmin和NL。(d–f)中的误差条代表从5个不同样本中获得的标准偏差。

2.4 人类活动识别的推理任务

上述展示的SRDP特性使得突触权重能够根据频率进行调制,为时间模式学习提供了自然的基础。基于这一原理,我们接下来评估了g-IGT的SRDP驱动的可塑性是否能够支持序列学习和HAR(Human Activity Recognition)。为了评估设备级别的可塑性是否能够支持序列学习,我们构建了一个概念性的神经形态HAR系统,该系统模仿了在简化神经架构内如何处理物理运动数据。为此,如图8a所示,我们使用了来自可穿戴腰部安装传感器的时变加速度信号,提取了六种代表性活动(走动(Walk)、上楼(Up)、下楼(Down)、坐下(Sit)、站立(Stand)和躺下(Lay)的三轴数据流(x轴、y轴和z轴)。这些数据来源于公开可用的UCI HAR数据集(另见方法:HAR训练数据集[71-73])。原始加速度数据被分割成2.56秒的窗口(50 Hz采样率下的128个时间步长),并转换为保留了时间连续性和方向变异性的特征张量。然后将每个分割的波形输入到一个具有384个输入节点的单层感知器中(128个时间步长×3个轴),该感知器与六个输出神经元完全连接(图8b)。为了隔离突触设备特性对HAR性能的贡献,我们有意采用了单层感知器架构,排除了可能掩盖设备级别可塑性影响的隐藏层。这种简化配置确保了分类结果仅受突触权重更新动态中编码的时间变换的控制。图8

通过从SRDP分析中收集的实验数据,使用模拟获得了TENG驱动g-IGT的HAR活动。(a) 代表性人类活动及其对应的传感器信号。(b) 用于HAR准确性的神经网络架构。(c) 模拟推理准确性随训练周期的变化。(d) TENG驱动g-IGTs在第一个(顶部)和第200个(底部)训练周期时的混淆矩阵。(e) TENG驱动g-IGTs在第一个(顶部)和第200个(底部)训练周期时六个类别的输入层权重热图。(f) TENG驱动g-IGTs在弯曲状态下,第一个(顶部)和第200个(底部)训练周期时的输入层权重热图。为了弥合算法学习模型和实验观察到的突触行为之间的差距,我们在HAR模拟框架中引入了一个基于g-IGT的人工突触。如图S21(支持信息)所示,在电和摩擦电模式下(平坦和弯曲状态下)获得的标准化ΔG和npulse依赖的LTP/LTD曲线用双指数函数(方程(3)进行了拟合。然后使用提取的参数初始化了放置在设备模型顶部的突触转换模块。具体来说,两个独立的参数集(y0、A1、τ1、A2和τ2)用于增强/抑制,从g-IGT的拟合中转移到高级学习算法中。对于每个384元素的输入向量,计算时间导数(Δx),并根据每个元素的符号选择性地应用LTP或LTD核(即,对于Δx ≥ 0时增强,对于Δx < 0时抑制),从而在每个时间步骤复制g-IGT的突触行为。然后将转换后的特征向量传递到一个六类别的SoftMax输出层,其中每个类别i的概率计算为[74, 75]:
其中zi表示对应于类别i的对数几率。所有参数通过反向传播进行了优化。网络在5881个标记序列上进行了训练,并在1471个独立样本集(80:20分割)上进行了验证。在这种配置下,网络迅速适应了硬件衍生的突触动态。如图8c所示,所有情况下的学习曲线都显示出了快速收敛。200个周期后,分类准确率分别达到了89.04%(理想值)、88.78%(电刺激)、88.46%(平坦状态下的TENG)和88.05%(弯曲状态下的TENG)。这些值之间的差异仅≤1%,证实了自供电操作和适度的机械应变不会显著降低推理准确性。在平坦状态下,TENG驱动的突触在第一个和第200个周期时的混淆矩阵从接近随机变为清晰的对角线,证明了每个类别的稳健回忆。如图8e所示,相应的输入权重热图显示,最初无特征的分布分离成了六个定义明确的簇。对于弯曲状态下的TENG驱动突触也观察到了质量上相同的进展(图8f,g),表明摩擦电波形抖动或弯曲应力都不会影响长期推理性能。总之,图8证明了摩擦电门控方案将随机收集的机械能量转换为突触权重更新,这些更新具有足够的可重复性,以在现实的HAR基准测试中维持超过88%的识别准确率。基于这一结果,我们接下来检验了在实际可穿戴操作中预期到的常见信号干扰下的鲁棒性(图9)。具体来说,我们引入了四种扰动类型来模拟真实的硬件和环境不稳定性(见图S22):(1)高斯噪声(σ = 0–0.2,标准化)以考虑热和环境背景;(2)信号丢失(0.5%–2.0%)以模拟间歇性接触/界面故障;(3)栅极-漏极错位(1–4个时间步长的时间延迟)以模拟由复杂变形引起的机械延迟;(4)幅度波动(1%–15%的变化)以表示不规则的人体冲击力和弯曲引起的有效接触面积变化(见图S14)。这些人为因素在五个强度级别(Lv. 0–Lv. 4)上共同缩放,以量化训练准确性的变化(见表S1)。如图8a所示,200个周期后,模型在无噪声条件下(Lv. 0)达到了最大准确率88.05%,而将噪声强度增加到Lv. 4时,准确率降低到54.8%(也见图9a,插图)。值得注意的是,该模型在高达Lv. 2(高噪声水平)时保持了相对稳定的性能(>75%),表明其对中等信号干扰具有韧性。在平坦状态下,TENG驱动的突触在第一个和第200个周期时的混淆矩阵从接近随机变为清晰的对角线(图8d),证明了每个类别的稳健勾选。如图8e所示,相应的输入权重热图显示,最初无特征的分布分离成了六个定义明确的簇。对于弯曲状态下的TENG驱动突触也观察到了质量上相同的进展(图8f,g),表明摩擦电波形抖动或弯曲应力不会损害长期推理性能。总体而言,图8证明摩擦电门控方案将随机收集的机械能量转换为突触权重更新,这些更新足够可重复,以在现实的HAR基准测试中维持超过88%的识别准确率。基于这一结果,我们接下来检验了在实际可穿戴操作中预期的常见信号干扰下的鲁棒性(图9)。具体来说,我们引入了四种扰动类型来模拟真实的硬件和环境不稳定性(见图S22):(1)高斯噪声(σ = 0–0.2,标准化)以考虑热和环境背景;(2)信号丢失(0.5%–2.0%)以模拟间歇性接触/界面故障;(3)栅极-漏极错位(1–4个时间步长的时间延迟)以模拟由复杂变形引起的机械延迟;(4)幅度波动(1%–15%的变化)以表示不规则的人体冲击力和弯曲引起的有效接触面积变化(见图S14)。这些人为因素在五个强度级别(Lv. 0–Lv. 4)上共同缩放,以量化训练准确性的变化(见表S1)。如图9a所示,200个周期后,模型在无噪声条件(Lv. 0)下达到了最大准确率88.05%,而将噪声强度增加到Lv. 4时,准确率降低到54.8%(也见图9a,插图)。值得注意的是,即使在Lv. 2(高噪声水平)下,模型也保持了相对稳定的性能(>75%),表明其对中等信号干扰具有韧性。第1至4级别的相应扭曲输入特征图、混淆矩阵和突触权重分布在图9b–e中进行了总结,显示静态活动在很大程度上仍然可以区分,而严重的扭曲(Lv. 4)主要影响了动态活动的分类和学习的特征模式。总的来说,这些结果证实了该系统在现实噪声水平下的鲁棒性,同时突出了在极端信号退化下的性能权衡。结合HAR结果(图8和图9),这种系统级别的鲁棒性支持了摩擦电门控突触晶体管在体上智能中的实际应用。图9

评估了系统对现实物理信号干扰的鲁棒性。(a)在五个噪声强度级别(Lv. 0至Lv. 4)下200个周期的训练准确率曲线。噪声模型包括高斯噪声、信号丢失、栅极-漏极错位和幅度波动,以模拟不同程度的硬件不稳定性。插图总结了最大准确率,显示从88.05%(清洁)逐渐过渡到54.8%(极端)。(b–e)在不同噪声水平下系统的分类性能和内部状态的详细可视化:(b)第1级(中等),(c)第2级(高),(d)第3级(严重),(e)第4级(极端)。每一列显示了扭曲的输入特征图(顶部)、结果的混淆矩阵(中间)和突触权重分布(底部)。

3 结论

我们展示了一种完全灵活的、自供电的神经形态突触,它位于PET基板上,其中P(VDF-TrFE) TENG直接控制了一个石墨烯通道IGT。该设备实现了(i)与其突触衰减时间相关的多存储层次结构,从约70毫秒(SM)、0.2–0.45秒(STM)到超过2秒(LTM),(ii)高度线性的突触权重更新(NL ≈ 1.3–2.5),以及(iii)作为模拟频率比较器的SRDP功能。值得注意的是,从机械接触中收获的摩擦电脉冲直接调节突触电导,而无需任何外部电源调节。此外,该设备在1.1 MPa的弯曲应力下仍保持稳定的性能。当在单层感知器中实现时,实验测量的LTP/LTD核在六类人类活动识别中实现了超过88%的准确率,这仅比理想的软件模型低约1%。此外,在采用高噪声环境时,也记录了相对较高的准确率(>75%)。这些发现共同弥合了概念验证阶段的摩擦电控制和系统级神经形态推理之间的差距,为可穿戴人工智能技术铺平了道路,该技术能够将无处不在的身体运动转化为有意义的体表计算。

**4 实验部分**

**4.1 材料**

P(VDF-TrFE)(密度:25°C时为1.74 g/mL)、聚乙二醇二丙烯酸酯(平均分子量Mn为575,密度:1.12 g/mL)和2-羟基-2-甲基丙基苯酚(分子量Mw为164.20 g/mol,密度:1.077 g/mL)均从Sigma-Aldrich购买,并按原样使用。离子凝胶电解质[EMIM][TFSI](分子量Mw为391.31 g/mol)也从Sigma-Aldrich获得。单层石墨烯是通过化学气相沉积在铜箔上制备的。市售的PET薄膜被用作TENG和晶体管的柔性基底。

**4.2 g-IGT的制备**

单层石墨烯通过化学气相沉积在铜箔上制备,然后转移到PET基底(tPET = 100 μm)上。通过光刻技术在石墨烯薄膜上形成图案,并使用O2等离子体刻蚀去除不需要的区域,从而定义通道区域(通道长度L = 300 μm;通道宽度W = 100 μm)。接着使用电子束蒸发技术在PET片上沉积源极和漏极接触点以及平面栅极。离子凝胶电解质由离子液体[EMIM][TFSI]、光固化单体聚乙二醇二丙烯酸酯和光引发剂2-羟基-2-甲基丙基苯酚按88:8:4的质量比制备而成。旋涂后的离子凝胶层厚度约为10 μm,并通过选择性紫外曝光(365 nm,100 mW cm?2,10秒)进行图案化。曝光区域发生交联,未曝光的部分则用去离子水清除,从而得到最终的栅极介电结构。

**4.3 TENG的制备**

首先清洁PET薄膜,然后通过热蒸发铝来形成底部和顶部电极。摩擦电层是通过将P(VDF-TrFE)(10 wt.%)溶解在N,N-二甲甲酰胺中制备的,随后将该溶液以1000 rpm的速度旋涂在涂有铝的基底上60秒。涂覆后的薄膜在干燥烤箱中于140°C下退火2小时,以诱导P(VDF-TrFE)的铁电β相。冷却后,将P(VDF-TrFE)层与顶部铝电极层压在一起,完成摩擦电对堆叠结构。TENG的有效接触面积为3 cm × 3 cm,整个设备的面积为5 cm × 5 cm。

**4.4 TENG驱动装置**

摩擦电输出性能通过定制的测量系统进行评估。使用可编程直线电机(P01-23×80/60×120-LC,LinMot)对TENG设备施加周期性的垂直接触-分离运动,精确控制频率和位移。施加在设备上的法向力通过与电机轴同轴安装的在线力传感器(M5IE,Mark-10)实时监测。每次测量前,根据制造商的程序对力传感器进行归零和校准,每次接触事件期间的峰值力被作为报告的“力”值。电输出信号由数字示波器(EDUX1052A/G,Keysight)记录。TENG的开路电压(VTENG)通过高输入阻抗测量,而输出电流(ITENG)则是通过测量连接到外部负载电阻上的电压降来确定的。

**4.5 TENG在SRDP中的应用协议**

对于SRDP(刺激反应 ?i?n位,Stimulated Response to Disturbance),首先通过调节电机加速度将驱动力校准为目标峰值力1 N,并使用在线力传感器进行验证。校准后,保持行程和加速度曲线不变以确保相同的敲击条件,仅调整fpre以设定驱动频率(5–20 Hz)。除非另有说明,这些实验中使用的TENG脉冲波形具有固定的脉冲宽度(tpulse = 20 ms),而重复周期(1/f)则相应变化。

**4.6 材料表征**

P(VDF-TrFE)的晶体相通过X射线衍射(Ultima IV,Rigaku,日本)进行表征。石墨烯层的结构完整性使用拉曼光谱(LabRAM HR Evolution,HORIBA,日本)进行分析。

**4.7 设备表征**

使用半导体参数分析仪(Keysight B1500A/B1530A)评估g-IGT和TENG的电性能。从转移(VG–ID)和输出(VD–ID)特性中获取标准设备指标。利用仪器的波形发生器/高速测量单元施加编程电压脉冲到栅极,并实时监测产生的漏极电流,从而检查突触功能。这种设置能够系统地提取EPSC/IPSC、PPF/PPD、LTP/LTD和SRDP特性。

**4.8 HAR训练数据集**

使用UCI HAR数据集进行系统级验证。该数据集包含了30名参与者在进行六项日常活动时记录的三轴加速度计和陀螺仪信号,参与者在腰部佩戴了三星Galaxy S2智能手机。该数据集可通过UCI机器学习库公开获取。

**致谢**

本研究得到了韩国国家研究基金会通过基础科学研究计划(项目编号2021R1I1A1A01049638和RS-2023-NR076644)的支持,资金来源于韩国政府。

**利益冲突**

作者声明没有利益冲突。

**数据可用性声明**

支持本研究发现的数据可以在合理请求下从相应作者处获得。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号