隨著 5G 移動網絡的部署和物聯網的進步，數據呈指數級增長。雲計算作爲一種可公開訪問的服務，允許用戶以可擴展且經濟高效的方式使用海量數據處理功能和存儲功能，因而在過去十年中迅速普及。

雲端共享的大量重要敏感信息給數據安全提出了新挑戰。在過去，數據安全問題使用由高級加密標准（Advanced Encryption Standard，AES）或 RSA algorithm 等加密算法生成的數字密鑰來解決。但是，儲存在非易失性存儲器中的數字密鑰容易受到物理攻擊和側通道攻擊。

此外，隨著量子計算的快速發展，數字密鑰也受到潛在的量子計算所帶來的超強計算能力的挑戰。盡管基于物理不可克隆函數 (Physical Unclonable Functions，PUF) 的硬件和量子通信是潛在的解決方案，但它們要麽價格昂貴，要麽處于起步階段，限制了它們的普及性。

一些大型公司與機構在不久的將來，或許有能力使用 PUF 硬件與基于量子通信的數據傳輸，但普通消費者距離這些技術可能還有一定的距離。從這個角度看，生物識別基于每個人的特征，是每個人生而獲得且易使用的。除了易于使用之外，生物特征信息是獨特的、永久的、幾乎不可預測的，且難以模仿的。

生物識別分爲生理生物識別（例如人臉、指紋）和行爲生物識別（例如按鍵習慣、簽名）。其中，生理生物識別占主導地位。它常采用照相機，利用空間維度和強度維度來記錄用戶特征。爲了提高用戶舒適度和便利性，研究界正在通過微型化固態半導體換能器和開發有機換能器，將傳統的剛性固態照相機轉變爲可穿戴柔性照相機。

然而，由于拍攝了用戶照片，基于照相機的生理生物識別會引發隱私問題。此外，基于照相機的生理生物識別需要密集的像素點陣列以高分辨率捕獲空間信息，從而導致高成本和高功耗。相比之下，行爲生物識別技術涉及的隱私問題較少。同時，在行爲生物識別中，時間維度取代了空間維度。

例如，具有 4096 個數據點的生理生物特征信息的圖像幀需要使用 64 × 64 的像素點陣列。然而，具有相同數量數據點的行爲生物特征信息可以僅使用一個檢測器，通過在大約 4 秒內以 1kHz 采樣率提供。

因此，行爲生物識別技術可以提供一種更私密、更具成本效益和更節能的方法。除了在可穿戴和柔性傳感器開發方面取得的最新進展之外，深度學習已逐漸被用于行爲生物識別，以實現更高的准確性。

盡管有這些優勢，但行爲生物特征信息會導致雲通信中的通信延遲較長，因爲記錄行爲生物特征信息通常需要幾秒鍾。因此，需要一種能夠以直接、簡便和低功耗的方式在光通信中複用行爲生物特征信息和數字信息的技術，以在提高數據安全性的同時保持傳輸的流暢性。

將摩擦電技術和納米光子技術相結合，或可爲由生物識別保護的雲通信構建高帶寬、低成本和可穿戴/靈活的接口提供不可或缺的解決方案。摩擦電換能器可以作爲獲取行爲生物特征信息的優越設備，因爲摩擦電換能器可以通過接觸帶電和靜電感應的耦合效應在機械刺激下輸出自生電信號。

同時，摩擦電換能器已展示出多種工作模式、高可擴展性、良好的耐磨性、廣泛的材料可用性和低成本。另一方面，基于二階非線性（即 Pockels 效應）的非線性納米光子器件可以成爲高速光通信基礎設施中的標准組件。

理論上，由于尺寸差異，非線性納米光子器件的阻抗比摩擦電換能器的阻抗高幾個數量級。這表明協同摩擦電/光子接口可以在不需要外部電路或電源的情況下，將摩擦電換能器産生的電壓幾乎全部加載到非線性納米光子器件上，從而對包含在電壓信號中生物特征信息進行電光轉換。

同時，由于頻率差異大，加載進光域中的低頻生物特征信息不會影響原本就在光域中的傳輸高頻數字信息。因此，生物特征信息和高頻數字信息的複用可能在光通信基礎設施中實現。然而，將摩擦電技術與納米光子技術相結合的研究目前尚不廣泛。這阻礙了它們針對生物識別保護的雲通信應用的進一步探索。

近日，新加坡國立大學智能傳感和微機電系統中心的李正國（Lee Chengkuo）教授和團隊攻克了上述難題。

1 月 19 日，相關論文以《深度學習增強摩擦電/光子協同接口實現生物測量保護的光通信》（Biometrics-protected optical communication enabled by deep learning–enhanced triboelectric/photonic synergistic interface）爲題，發表在 Science Advances 上。

圖 | 李正國（來源：李正國）

在該工作中，研究人員報告了一種基于當前高速通信基礎設施的生物識別保護技術，它是一種低成本、易于訪問且無處不在的用戶與雲之間安全通信的解決方案。該系統的最大特點是它包含一個協同摩擦電/光子接口。

圖 | 相關論文（來源：Science Advances）

在接口中，柔性摩擦電器件提供生物識別掃描儀功能，氮化鋁光芯片提供生物識別信息-光信息多路複用功能。在用戶交互時，接口將生物特征信息加載到光域中，並通過摩擦電和納米光子學之間的協同效應，以自我可持續的方式複用生物特征信息和數字信息。多路複用後的數字信號，被封裝在一個生物特征信封中，從而可消除通信延遲、並能提高傳輸信息的複雜性。

在雲端，可以使用快速傅裏葉變換濾波器分離高頻數字信息和低頻生物特征信息。在深度學習的幫助下，無論生物信息的數據類型（電、光或解複用光）如何，都可以實現生物特征識別，以超過 95% 的准確度識別 15 個用戶 （或以 90% 的准確度識別 23 個用戶）。此外，該工作還展示了雲虛擬現實中的文檔交換和智能家居控制，以證明所提出系統的實用性。

巧妙結合集成光子芯片和摩擦電技術

從 2010 年以來，該團隊一直持續關注集成光子芯片的進展、以及摩擦電技術的進展，並在兩個領域都有進行方方面面的深入研究。

從表面來看，兩個領域的差異很大，無論是從研究內容、研究對象、或是研究目的來看都是如此。關于兩個領域的有機結合的最初的想法是在 2018 年年中。

（來源：Science Advances）

當時，該團隊意識到了摩擦電器件的本質輸出特征：高輸出電壓，低輸出電流，同時也意識到了氮化鋁光子芯片的調制特征：高調制電壓，低調制電流。

這樣的輸出特征和調制特征正好匹配。同時，因爲兩種器件的尺寸差異，摩擦電器件的阻抗比氮化鋁光調制器小幾個量級，所以摩擦電電壓信號可以幾乎無損地加載到氮化鋁器件上以實現高效整合和信號傳遞。

基于這些理論分析，該團隊猜測二者的有機結合很有可行性。對此，他們進行了一系列研究，基本證實上述猜想，也驗證了摩擦電器件能很有效地通過氮化鋁調制器、在沒有任何外加器件或信號處理器的情況下直接進行光調制，同時也證明氮化鋁調制器可爲摩擦電器件的高電壓讀取提供簡便高效的平台。

（來源：Science Advances）

研究到這裏，盡管證明了兩者的關聯性和互補性，但是高速光通信的特點還沒有被利用起來。同時，加載了摩擦電信號後是否會影響光芯片的基本功能（高速通信）也依然未知。

對此，該團隊最早的設想是構建一個系統，先傳輸由摩擦電信號産生的生物識別信息，再傳輸文檔信息。這類似于統計時分複用中的用戶標識信息與文檔信息。研究過程中他們意識到，通過對氮化鋁調制器的特殊設計，可成功實現低頻生物識別信息和高頻文檔信息的複用，這樣既節約帶寬，又提高了傳輸信號的複雜性。

連接加速光子神經網絡，以實現高效邊緣計算

該團隊表示：“我們提出的系統是對低成本、易于訪問、但同時具有高安全性的雲通信架構的嘗試。我們希望它可以成爲一種普適的解決方案，無論是大型機構還是普通的個人都可以使用。它有可能通過各種光學多路複用的方法集成衆多傳感器，支持基于深度學習的多傳感器數據融合，並直接連接加速光子神經網絡以實現高效邊緣計算。這可以實現更安全、更准確、算力更強的系統，以支持雲通信在 5G 和物聯網時代的應用。”

對于研究中比較難忘的事情，其表示：“我們所提出的系統的可行性主要基于兩個前提，一是在將由摩擦電器件産生的生物特征信息加載到光域的過程中，不會引起原本就在光線中傳輸的光信號的遺失，否則複用不可行；二是文檔信息和生物特征信息在複用後能被成功解複用，從而各自成功讀取。”

（來源：Science Advances）

爲實現第一個前提，該團隊探究了大量氮化鋁調制器，並作以系統化研究和測試，最終找到了符合第一個前提的最佳參數。因此，當看見原始光信號不會因爲加載生物特征信息而遺失時，是一個特殊的時刻。針對第二個前提的實現，其也嘗試了許多解複用方法，最終發現通過雲端軟件使用傅裏葉變換進行解複用是高效快捷的辦法。因此，當看見文檔信息和生物特征信息被成功解複用，是這項研究中第二個有意義的時刻。

（來源：Science Advances）

由于目前所使用的的氮化鋁光芯片的 Pockels 系數較小，限制了電光轉換的靈敏度，使得系統只能記錄由劇烈的人體運動産生的大電壓行爲生物特征信號。其他具有較大 Pockels 系數的光子材料，如铌酸锂或钛酸鋇可用于捕獲細微的電壓信號，從而記錄細微的人體運動（如講話産生的聲壓或眼睛運動），並降低摩擦電生物識別掃描儀的尺寸。

此外，當前系統的數據傳輸速度受限于微控制器單元的帶寬。然而，使用更快的數據采集系統甚至潛在的全光模數轉換器，可以充分發揮光傳輸的高速優勢。例如，當前使用波分複用的光信息比特率已可以超過 400Gbps。

因此，下一步該團隊的研究計劃主要包含兩個方面，一方面是通過提高光芯片的靈敏度使系統能適用于更多樣化的行爲生物信息，另一方面是通過優化通信零部件推進系統的數據傳輸頻率。

-End-

參考：
1、Dong, B., Zhang, Z., Shi, Q., Wei, J., Ma, Y., Xiao, Z., & Lee, C. (2022). Biometrics-protected optical communication enabled by deep learning–enhanced triboelectric/photonic synergistic interface. Science Advances, 8(3), eabl9874.