随着 5G 移动网络的部署和物联网的进步，数据呈指数级增长。云计算作为一种可公开访问的服务，允许用户以可扩展且经济高效的方式使用海量数据处理功能和存储功能，因而在过去十年中迅速普及。
云端共享的大量重要敏感信息给数据安全提出了新挑战。在过去，数据安全问题使用由高级加密标准（Advanced Encryption Standard，AES）或 RSA algorithm 等加密算法生成的数字密钥来解决。但是，储存在非易失性存储器中的数字密钥容易受到物理攻击和侧通道攻击。
此外，随着量子计算的快速发展，数字密钥也受到潜在的量子计算所带来的超强计算能力的挑战。尽管基于物理不可克隆函数 (Physical Unclonable Functions，PUF) 的硬件和量子通信是潜在的解决方案，但它们要么价格昂贵，要么处于起步阶段，限制了它们的普及性。
一些大型公司与机构在不久的将来，或许有能力使用 PUF 硬件与基于量子通信的数据传输，但普通消费者距离这些技术可能还有一定的距离。从这个角度看，生物识别基于每个人的特征，是每个人生而获得且易使用的。除了易于使用之外，生物特征信息是独特的、永久的、几乎不可预测的，且难以模仿的。
生物识别分为生理生物识别（例如人脸、指纹）和行为生物识别（例如按键习惯、签名）。其中，生理生物识别占主导地位。它常采用照相机，利用空间维度和强度维度来记录用户特征。为了提高用户舒适度和便利性，研究界正在通过微型化固态半导体换能器和开发有机换能器，将传统的刚性固态照相机转变为可穿戴柔性照相机。
然而，由于拍摄了用户照片，基于照相机的生理生物识别会引发隐私问题。此外，基于照相机的生理生物识别需要密集的像素点阵列以高分辨率捕获空间信息，从而导致高成本和高功耗。相比之下，行为生物识别技术涉及的隐私问题较少。同时，在行为生物识别中，时间维度取代了空间维度。
例如，具有 4096 个数据点的生理生物特征信息的图像帧需要使用 64 × 64 的像素点阵列。然而，具有相同数量数据点的行为生物特征信息可以仅使用一个检测器，通过在大约 4 秒内以 1kHz 采样率提供。
因此，行为生物识别技术可以提供一种更私密、更具成本效益和更节能的方法。除了在可穿戴和柔性传感器开发方面取得的最新进展之外，深度学习已逐渐被用于行为生物识别，以实现更高的准确性。
尽管有这些优势，但行为生物特征信息会导致云通信中的通信延迟较长，因为记录行为生物特征信息通常需要几秒钟。因此，需要一种能够以直接、简便和低功耗的方式在光通信中复用行为生物特征信息和数字信息的技术，以在提高数据安全性的同时保持传输的流畅性。
将摩擦电技术和纳米光子技术相结合，或可为由生物识别保护的云通信构建高带宽、低成本和可穿戴/灵活的接口提供不可或缺的解决方案。摩擦电换能器可以作为获取行为生物特征信息的优越设备，因为摩擦电换能器可以通过接触带电和静电感应的耦合效应在机械刺激下输出自生电信号。
同时，摩擦电换能器已展示出多种工作模式、高可扩展性、良好的耐磨性、广泛的材料可用性和低成本。另一方面，基于二阶非线性（即 Pockels 效应）的非线性纳米光子器件可以成为高速光通信基础设施中的标准组件。
理论上，由于尺寸差异，非线性纳米光子器件的阻抗比摩擦电换能器的阻抗高几个数量级。这表明协同摩擦电/光子接口可以在不需要外部电路或电源的情况下，将摩擦电换能器产生的电压几乎全部加载到非线性纳米光子器件上，从而对包含在电压信号中生物特征信息进行电光转换。
同时，由于频率差异大，加载进光域中的低频生物特征信息不会影响原本就在光域中的传输高频数字信息。因此，生物特征信息和高频数字信息的复用可能在光通信基础设施中实现。然而，将摩擦电技术与纳米光子技术相结合的研究目前尚不广泛。这阻碍了它们针对生物识别保护的云通信应用的进一步探索。
近日，新加坡国立大学智能传感和微机电系统中心的李正国（Lee Chengkuo）教授和团队攻克了上述难题。
1 月 19 日，相关论文以《深度学习增强摩擦电/光子协同接口实现生物测量保护的光通信》（Biometrics-protected optical communication enabled by deep learning–enhanced triboelectric/photonic synergistic interface）为题，发表在 Science Advances 上。
图 | 李正国（来源：李正国）
在该工作中，研究人员报告了一种基于当前高速通信基础设施的生物识别保护技术，它是一种低成本、易于访问且无处不在的用户与云之间安全通信的解决方案。该系统的最大特点是它包含一个协同摩擦电/光子接口。
图 | 相关论文（来源：Science Advances）
在接口中，柔性摩擦电器件提供生物识别扫描仪功能，氮化铝光芯片提供生物识别信息-光信息多路复用功能。在用户交互时，接口将生物特征信息加载到光域中，并通过摩擦电和纳米光子学之间的协同效应，以自我可持续的方式复用生物特征信息和数字信息。多路复用后的数字信号，被封装在一个生物特征信封中，从而可消除通信延迟、并能提高传输信息的复杂性。
在云端，可以使用快速傅里叶变换滤波器分离高频数字信息和低频生物特征信息。在深度学习的帮助下，无论生物信息的数据类型（电、光或解复用光）如何，都可以实现生物特征识别，以超过 95% 的准确度识别 15 个用户 （或以 90% 的准确度识别 23 个用户）。此外，该工作还展示了云虚拟现实中的文档交换和智能家居控制，以证明所提出系统的实用性。
巧妙结合集成光子芯片和摩擦电技术
从 2010 年以来，该团队一直持续关注集成光子芯片的进展、以及摩擦电技术的进展，并在两个领域都有进行方方面面的深入研究。
从表面来看，两个领域的差异很大，无论是从研究内容、研究对象、或是研究目的来看都是如此。关于两个领域的有机结合的最初的想法是在 2018 年年中。
（来源：Science Advances）
当时，该团队意识到了摩擦电器件的本质输出特征：高输出电压，低输出电流，同时也意识到了氮化铝光子芯片的调制特征：高调制电压，低调制电流。
这样的输出特征和调制特征正好匹配。同时，因为两种器件的尺寸差异，摩擦电器件的阻抗比氮化铝光调制器小几个量级，所以摩擦电电压信号可以几乎无损地加载到氮化铝器件上以实现高效整合和信号传递。
基于这些理论分析，该团队猜测二者的有机结合很有可行性。对此，他们进行了一系列研究，基本证实上述猜想，也验证了摩擦电器件能很有效地通过氮化铝调制器、在没有任何外加器件或信号处理器的情况下直接进行光调制，同时也证明氮化铝调制器可为摩擦电器件的高电压读取提供简便高效的平台。
（来源：Science Advances）
研究到这里，尽管证明了两者的关联性和互补性，但是高速光通信的特点还没有被利用起来。同时，加载了摩擦电信号后是否会影响光芯片的基本功能（高速通信）也依然未知。
对此，该团队最早的设想是构建一个系统，先传输由摩擦电信号产生的生物识别信息，再传输文档信息。这类似于统计时分复用中的用户标识信息与文档信息。研究过程中他们意识到，通过对氮化铝调制器的特殊设计，可成功实现低频生物识别信息和高频文档信息的复用，这样既节约带宽，又提高了传输信号的复杂性。
连接加速光子神经网络，以实现高效边缘计算
该团队表示：“我们提出的系统是对低成本、易于访问、但同时具有高安全性的云通信架构的尝试。我们希望它可以成为一种普适的解决方案，无论是大型机构还是普通的个人都可以使用。它有可能通过各种光学多路复用的方法集成众多传感器，支持基于深度学习的多传感器数据融合，并直接连接加速光子神经网络以实现高效边缘计算。这可以实现更安全、更准确、算力更强的系统，以支持云通信在 5G 和物联网时代的应用。”
对于研究中比较难忘的事情，其表示：“我们所提出的系统的可行性主要基于两个前提，一是在将由摩擦电器件产生的生物特征信息加载到光域的过程中，不会引起原本就在光线中传输的光信号的遗失，否则复用不可行；二是文档信息和生物特征信息在复用后能被成功解复用，从而各自成功读取。”
（来源：Science Advances）
为实现第一个前提，该团队探究了大量氮化铝调制器，并作以系统化研究和测试，最终找到了符合第一个前提的最佳参数。因此，当看见原始光信号不会因为加载生物特征信息而遗失时，是一个特殊的时刻。针对第二个前提的实现，其也尝试了许多解复用方法，最终发现通过云端软件使用傅里叶变换进行解复用是高效快捷的办法。因此，当看见文档信息和生物特征信息被成功解复用，是这项研究中第二个有意义的时刻。
（来源：Science Advances）
由于目前所使用的的氮化铝光芯片的 Pockels 系数较小，限制了电光转换的灵敏度，使得系统只能记录由剧烈的人体运动产生的大电压行为生物特征信号。其他具有较大 Pockels 系数的光子材料，如铌酸锂或钛酸钡可用于捕获细微的电压信号，从而记录细微的人体运动（如讲话产生的声压或眼睛运动），并降低摩擦电生物识别扫描仪的尺寸。
此外，当前系统的数据传输速度受限于微控制器单元的带宽。然而，使用更快的数据采集系统甚至潜在的全光模数转换器，可以充分发挥光传输的高速优势。例如，当前使用波分复用的光信息比特率已可以超过 400Gbps。
因此，下一步该团队的研究计划主要包含两个方面，一方面是通过提高光芯片的灵敏度使系统能适用于更多样化的行为生物信息，另一方面是通过优化通信零部件推进系统的数据传输频率。
-End-
参考：
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.