近年來，讓電子電路、基底層等部件具有伸縮性的「可伸縮器件」受到關注。讓這些器件與AI技術相融合，通過解讀器件獲得的數據，有望構築出更先進的系統。然而，此前由於器件的反復使用會出現性能劣化以及個別差異導致的測量結果變動等原因，使得這些器件與AI的融合併未能取得進展。
本研究開發的「可伸縮混合器件」（左）。開發的器件和基於AI的分類結果如右圖。右上部中的數據波動較大，但經過機器學習的一種——神經元網路的處理後，數據被按照特徵進行了分類。
橫濱國立大學研究生院工學研究院太田裕貴副教授和GMO Pepabo, Inc等組成的研究團隊，將剛性積體電路與可伸縮的液態金屬電路和橡膠等組成的高柔性基底層相結合，開發出了可實現數據高重現性的「可伸縮混合器件」。即使將器件拉伸至原長度的2.5倍，也可實現與剛性慣性感測器積體電路相當的數據測量精度和數據重現性。研究團隊還利用該器件收集了人在給繩打結、空中書寫文字以及手語等手部動作的運動數據，通過AI對數據進行分類後發現，它能夠高精度地識別出10種不同的繩結形狀、空中書寫的26種羅馬字母和65個英語手語單詞，正確率分別高達87%、98%和96%。
這一成果證明了柔性器件可以實現與現有剛性感測器相同的測量能力，並可與AI相結合，使實現動作識別智慧系統成為可能。利用該成果，有望幫助人類開發出超越傳統柔性器件隻有簡單測量功能的新系統，實現動作識別和形狀識別等多種應用。（TEXT：JST廣報課 中島彩乃）
原文：JSTnews、2024年11月號
翻譯：JST客觀日本編輯部
