《Microchemical Journal》:A data-driven multimodal deep learning framework for predicting gas-sensing performance of two-dimensional materials
编辑推荐:
•一种多模态框架利用结构、动力学和物理特征预测二维材料的气体传感响应。•中间融合策略有助于快速筛选和温度优化,R2=0.88,相比早期融合提升11%,并经MoS?实验验证。•密度泛函理论(DFT)表明,三乙胺(TEA)引起的带隙变窄解释了其卓越的气体传感响应。引言随着科学技术
- •
一种多模态框架利用结构、动力学和物理特征预测二维材料的气体传感响应。
- •
中间融合策略有助于快速筛选和温度优化,R2=0.88,相比早期融合提升11%,并经MoS?实验验证。
- •
密度泛函理论(DFT)表明,三乙胺(TEA)引起的带隙变窄解释了其卓越的气体传感响应。
引言
随着科学技术的快速发展和工业化的持续加速,有毒有害气体的排放不断增加,导致日益严重的空气污染问题,引起了广泛关注[1]。电阻型气体传感器因其结构简单、成本低廉、易于集成和响应迅速等特点,已广泛应用于环境监测、工业安全、医学诊断和智能家居应用等领域[2]、[3]。然而,传统金属氧化物半导体气体传感材料存在若干局限性,如工作温度高、选择性差、对环境湿度变化敏感以及长期稳定性不足,这些限制了其在复杂实际场景中的应用[4]、[5]。以石墨烯、过渡金属二硫化物(如MoS?、WS?)、黑磷(BP)和MXene为代表的二维(2D)材料,因其原子级厚度、极高的比表面积和丰富的表面活性位点,已成为高性能传感应用的有前景的平台[6]、[7]、[8]、[9]。这些特性促进了气体分子与材料表面之间的强相互作用,从而为增强灵敏度和快速响应提供了可能。
近年来,人们探索了多种策略以提高二维材料的气体传感性能,包括掺杂[10]、[11]、[12]、缺陷工程[13]、[14]、异质结构构建[15]、[16]、[17]和表面功能化[18]、[19]、[20]。这些策略拓宽了传感材料的设计空间;然而,微观过程(如界面电荷转移)之间的复杂相互作用,使得传统的实验和理论方法难以准确预测气体传感性能。机器学习因能够捕捉复杂非线性关系,在材料发现和性能预测方面展现了相当大的前景。Yang等人[21]利用从DFT计算中衍生的电子结构描述符开发了若干分类模型,以88%的五折交叉验证准确率预测了ZnO对24种气体的传感响应。Zhao等人[22]利用文献挖掘和机器学习构建了堆叠集成模型,预测了SnO?基氨传感器的性能(R2=0.874,RMSE=0.389 ppm?1),并鉴定出一种新型Ta/SnO?传感材料,其检测限为9.7 ppb。Ding等人[23]将离散小波变换(DWT)与多元特征提取技术相结合,开发了一种人工神经网络(ANN)算法,用于分类各种挥发性有机化合物(VOCs),包括三乙胺,达到了95.2%的分类准确率。Zhang等人[24]将机器学习应用于Pd/SnO?–TiO?/MXene双气体传感器,用于H?/NH?的鉴别和浓度预测。Hou等人[25]将卷积神经网络(CNN)与注意力机制相结合,在严重光谱重叠条件下实现了气体浓度估算,平均相对误差小于1.2%,R2超过0.99。这些研究展示了机器学习从异构描述符和复杂传感信号中提取非线性关系的能力。
然而,许多现有的气体传感机器学习研究仍然严重依赖领域特定的特征工程,使模型性能取决于工程特征集的质量和完整性[26]、[27]。此外,当整合异构数据(如晶体结构和动态时间序列信号)时,简单的特征拼接可能引入冗余,无法捕捉跨模态的相互作用,从而限制了模型的泛化能力和其预测的物理可解释性。多模态深度学习利用先进的网络架构,在结构(即晶体结构和气体分子的多视角表示)、物理化学、时间和实验模态之间实现联合表示学习。通过注意力机制、跨模态对齐和共享潜在表示等机制,这种深度跨模态融合为提高二维材料的气体传感性能提供了一条有前景的途径[28]、[29]。因此,异构模态的高效表示和融合对于改善当前数据驱动的气体传感模型至关重要。
在本工作中,我们开发了一种多模态深度学习框架,用于预测基于二维材料的气体传感器的传感响应并识别其最佳工作温度。通过整合物理化学描述符、多视角结构表示、动态响应特征和实验参数,构建了一个多模态数据集。随后设计并比较了早期融合和中间融合策略,并使用SHAP分析解释单个特征对预测的贡献。进一步在MoS2上进行了独立的气体传感实验和DFT计算,以验证模型预测并阐明潜在的传感机制。
章节摘要
数据收集
图1显示了本研究中使用的数据驱动框架,包括四个阶段:数据收集、特征工程、深度学习建模和预测验证。气体传感性能数据来自已发表的研究,同时使用Materials Project和NIST Chemistry WebBook等数据库补充物理化学信息,构建多模态数据集。随后开发和比较了早期融合和中间融合模型。独立……
模型评估
在深度学习中,损失曲线是模型收敛的重要指标。图6展示了相同实验设置下早期融合和中间融合模型的损失曲线。两种模型在初始训练阶段由于学习率预热均表现出损失的急剧上升。然而,中间融合模型的峰值损失(约0.08)显著低于早期融合模型(约0.59)。在预热阶段之后,两种模型均快速收敛。值得注意的是,……
结论
本研究开发了一种集成几何结构、动态响应、固有物理属性和工作条件的多模态深度学习框架。使用包含254个样本的气体传感数据集,将材料晶体结构和气体分子的三个正交视角作为结构模态,并采用ResNet-50结合多头注意力机制自动提取和融合结构特征。此外,早期融合模型……
CRediT作者贡献声明
刘帅:写作–审阅与编辑、监督、资源、项目管理。闫宇豪:写作–原稿撰写、形式分析、数据管理、概念化。梁小南:写作–审阅与编辑、方法论。温佳都:验证。张超超:调查。陈国祥:监督、软件。
利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。
致谢
本工作得到国家自然科学基金(批准号12004301)、陕西省自然科学基金(批准号2025JC-YBMS-540)以及陕西省数学物理基础研究项目(批准号23JSQ018)的支持。
刘帅|闫宇豪|梁小南|温佳都|张超超|陈国祥