一种用于可重复且高灵敏度的气体传感材料筛选的基于风险约束的机器学习方法

《Journal of Hazardous Materials》:A risk-constrained machine learning method for reproducible and sensitive gas-sensing material screening

【字体: 大 中 小 】 时间:2026年07月16日 来源:Journal of Hazardous Materials 10.6

编辑推荐:

  江益伟|林文豪|姚龙超|金哲|徐峰|萧文芳|胡江雪|郑成航|高翔中国浙江省杭州市310027,浙江大学,清洁能源利用国家重点实验室,燃煤大气污染控制国家环境保护工程中心摘要为了快速检测多种空气污染物,气体传感器的需求日益增加。但由于目标气体种类繁多,传感材料的研发仍然十分耗时。基

  
江益伟|林文豪|姚龙超|金哲|徐峰|萧文芳|胡江雪|郑成航|高翔
中国浙江省杭州市310027,浙江大学,清洁能源利用国家重点实验室,燃煤大气污染控制国家环境保护工程中心

摘要

为了快速检测多种空气污染物,气体传感器的需求日益增加。但由于目标气体种类繁多,传感材料的研发仍然十分耗时。基于机器学习的数据驱动方法为加速这一进程提供了有效途径。然而,预测灵敏度高的材料并不一定具有足够的器件间重复性,因此目前仅考虑灵敏度的机器学习方法可能只能筛选出实际应用价值有限的候选材料。在此,我们开发了一种基于风险约束的机器学习方法,用于在固定MEMS气体传感器制造流程下筛选具有良好重复性的传感材料。以负载金属的SnO2为原型,通过统一的制造工艺将不同的金属种类和负载量整合到MEMS传感器中,并针对多种气体污染物进行测试,最终获得了约9,000组测试数据。为确保重复性,每种材料都制作成一对MEMS器件,其中D1用于模型训练,D2用于验证。该方法首先量化重复性风险,再将其纳入灵敏度建模和候选材料排序中。通过材料及操作条件参数即可预测重复性风险,其在稳定性区分方面的接收者操作特征曲线下面积达到了0.911。将预测的重复性风险纳入灵敏度建模后,提升了D2的预测性能(R2 = 0.790;低风险情况下的均方误差为0.103),同时也有助于对候选材料进行基于重复性的排序。利用该方法,我们为九种有害气体筛选出了最优传感材料,并将其集成到MEMS传感器中,其中对1 ppm浓度下的CH3SH的最高响应值超过了10,000。对于每一种气体与材料的组合,我们还制作了四组重复器件以评估重复性,结果显示器件间的差异通常在20%以下。这项工作为在固定制造流程下开发基于M/SnO2的MEMS气体传感器提供了一种实用的、注重重复性的筛选方法,同时也为将重复性考量纳入数据驱动的传感材料探索中提供了可借鉴的设计思路。

引言

随着工业活动的快速发展,对H2S、NH3、CH3SH以及挥发性有机化合物(VOCs)等有害气体的近源监测,在环境控制和公共健康保护方面变得越来越重要[1]。欧盟的《环境空气质量指令》[2]以及中国的《恶臭污染物排放标准》[3]等严格政策的要求,使得在复杂的工业环境中实现更精准、实时的监测成为保障公众健康的必要手段。基于金属氧化物半导体(MOS)材料的传感器因其高灵敏度[6]、[7]、低成本[8]、[9]以及小巧的体积[10],已被广泛用于复杂气体的识别与分析[4]、[5]。通过利用不同传感材料的交叉敏感特性,传感器阵列为区分复杂气体混合物提供了可行方案[11]、[12]。不过,传感材料的研发仍主要依赖于对各种材料与气体相互作用情况的反复试验,这种方式效率低下,且难以应对由成分和操作条件构成的庞大多维空间[13]。因此,构建多样且高性能的材料库依然是先进气体传感应用面临的核心挑战[14]、[15]。
近年来,基于机器学习的数据驱动方法显著提升了气体传感材料发现与优化的效率[16]、[17]。一种常见的策略是利用机器学习预测关键的吸附或电子结构参数,再通过物理机制将这些参数与传感性能联系起来。例如,周等人[18]指出d带中心宽度与平均键长在预测改性MoO3的吸附性能方面起着关键作用。万等人[19]则提出了一种通过计算能隙变化和吸附强度来优化g-C3N4的稳定性和响应速度的策略。另外,还有一些研究者直接将密度泛函理论计算得到的内在参数作为输入特征引入机器学习模型,通过构建分类器来实现对材料是否具有响应性的二元判断或多级灵敏度分级。例如,杨等人[20]利用计算得到的能带结构来预测ZnO的灵敏度,而张等人[21]则提取WO3的多物理参数(如能隙、费米能级)并与实验性能进行对比。陈等人[22]还将这种方法扩展到了CuO体系。尽管基于密度泛函理论的参数有助于提升结果的物理可解释性,但仅基于理想化结构的模型可能无法完全反映真实传感系统的复杂性,因为材料的形态[23]、缺陷化学性质[24]以及测试条件[25]等因素同样会对传感性能产生影响。
另一方面,从文献中整理或通过实验构建的数据集也成为了另一种发现气体传感材料的途径,因为这类数据更接近实际器件的表现。例如,邵等人[26]通过对15万篇文献进行大规模文本挖掘,找到了高性能的掺铽WO3材料体系。赵等人[27]则利用文献中的数据成功筛选出了Ta/SnO2材料。然而,基于文献的数据整合往往会产生较大的差异,这些差异源于合成方法、传感器制造工艺、测试流程以及环境控制等方面的不同。邓拉普等人[28]采用连续流合成技术结合贝叶斯优化方法,为碳纳米管传感器构建了专门的数据集。郭等人[29]也建立了涵盖多种金属氧化物的多条件实验数据库,用以提取关键参数。不过,即便是在更为统一的流程下自动生成的数据集,其不同重复样本之间的差异也可能相当明显,因为正是那些让材料具备高响应能力的特性,往往也会使其对细微的合成和加工差异极为敏感[30]。此外,后续的器件制造步骤还会进一步增加重复性的不确定性。例如,传感膜的沉积工艺本身就容易受到环境条件和加工过程的影响[31]、[32]。因此,一个在内部测试中表现良好的模型,未必能在独立测试中选出具有稳定重复性的候选材料。
最近,贝叶斯优化[28]、主动学习[16]、考虑不确定性的学习方法[33]以及多目标优化[34]等方面的进展,大大提升了数据驱动的材料发现与筛选效率;不过,重复性往往并未被作为明确的优化目标。目前的气体传感信息学研究流程主要侧重于优化传感器的响应灵敏度,而所获得的响应特性的重复性则常被视为干扰噪声。但实际上,传感材料的重复性不仅取决于材料本身,还与其与后续器件制造流程的兼容性密切相关。除了传统的气体传感器之外,新兴的智能传感系统越来越多地融合了多模态传感技术与人工智能辅助的信号分析功能[35]、[36]、[37]。由于体积小、功耗低且热响应速度快,基于MEMS的微热板技术已被广泛用作下一代化学电阻式气体传感器的平台[10]、[38]。因此,本研究旨在筛选并优化既能具备高灵敏度又能保证重复性的气体传感材料及其对应的MEMS传感器。需要指出的是,即便在标准化的制造流程下,不同材料之间的兼容性也可能存在差异,从而导致尽管灵敏度看似很高,但实际重复性却较差。
为此,我们开发了一种基于风险约束的机器学习方法,用于在固定的MEMS器件制造流程下筛选气体传感材料,以SnO2为基础的系统作为研究原型。我们在标准化的材料与传感器制造流程下构建了一个包含约9,000组测试数据的多条件实验数据库,其中每种材料都对应两套独立制造的器件,D1用于模型训练,D2则用于独立预测,这样就能将与重复性相关的差异与灵敏度问题分开处理,而非将其视为无法控制的噪声。我们定义了一种风险描述符,用于量化两组器件之间的差异,将其视为反映重复性差异的工艺条件指标,然后将其纳入两阶段优化策略中:首先将风险视为重复性信号进行建模,再将其纳入灵敏度建模和候选材料排序过程中,从而在筛选过程中同时兼顾重复性和灵敏度。实验结果表明,该方法能够优先选择那些在独立测试的D2组中仍能保持高灵敏度且重复性良好的材料,为在当前MEMS制造流程下筛选出优秀的SnO2基传感材料提供了实用方法。虽然该方法是在当前的传感平台上进行验证的,但其通用性值得在未来研究中进一步探讨。

章节节选

材料与传感器制造

为支持所提出的方法,所有材料与器件的制备都遵循标准化流程,以尽量减少操作上的差异。本研究以负载金属的SnO2(M/SnO2)作为模型体系,其合成、基于MEMS滴涂技术的器件制造以及气体传感测试都在统一条件下进行——使用相同的原料、同步的合成参数、相同的微热板传感器结构,以及配备自动环境控制功能的集中式测试室。
M/SnO2

数据集概览与重复性难题

XRD分析表明,负载金属的样品仍保持着SnO2的晶体结构,而典型的透射电子显微镜观察结果则显示出了纳米颗粒形态以及金属颗粒的分布情况(详细内容见补充信息的图S8和S9)。为直观展示该实验数据库的范围及内在的差异性,我们在图3中采用了双重视角的可视化方式,根据灵敏度和重复性风险对数据进行了分类。图3a展示了300°C条件下的典型数据分布情况。

结论

在本研究中,我们开发了一种基于风险约束的机器学习方法,可在固定的MEMS器件制造流程下,同时筛选出兼具高灵敏度和良好重复性的气体传感材料。我们利用在统一流程下获得的、包含9种有害气体相关数据的约9,000组负载金属SnO2的测试数据,将每种材料对应的两套独立制造的器件(D1和D2)用于分析,从而将与重复性相关的差异与灵敏度问题分开考量。在此基础上,我们

CRediT作者贡献说明

林文豪:研究工作。 姚龙超:论文撰写——审阅与编辑、项目监督、资源协调、项目管理。 郑成航:项目监督。 江益伟:论文撰写——初稿撰写、正式分析、数据整理、概念构思。 徐峰:项目监督。 胡江雪:研究工作。 萧文芳:研究工作。 高翔:项目监督。 金哲:正式分析。

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

作者衷心感谢国家自然科学基金委员会(项目编号:52570131、52306216)、浙江省自然科学基金(项目编号:LTGS24E060002)以及浙江省自然科学基金白马湖实验室联合基金(项目编号:LBMHZ25F020002)对本次研究的资金支持。

备注

作者声明不存在任何利益冲突。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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