新的机器学习方法使用石墨烯传感器选择性地识别十亿分之一的分子

石墨烯的二维性质、单分子灵敏度、低噪声和高载流子浓度使其在气体传感器中的应用引起了极大的兴趣。然而，由于其固有的非选择性以及大气中大量的p掺杂，其在气体传感中的应用通常仅限于受控环境，例如氮气、干燥空气或合成潮湿空气。

虽然合成空气中的湿度条件可用于实现石墨烯通道的受控空穴掺杂，但这并不能充分反映大气中的情况。此外，大气中含有多种浓度与分析气体相似或更高的气体。基于石墨烯的传感器的这些缺点阻碍了大气中的选择性气体检测和分子种类识别，而这是环境监测和疾病的无创医学诊断应用所必需的。

由日本高级科学技术研究所(JAIST)的ManoharanMuruganathan博士(前高级讲师)和HiroshiMizuta教授领导的研究团队采用了机器学习(ML)模型，该模型针对各种气体吸附引起的掺杂和散射信号进行训练使用单个设备实现高灵敏度和选择性气体传感。

ML模型的性能通常取决于输入特征。OsazuwaGabrielAgbonlahor博士(前博士后研究员)说：“传统的基于石墨烯的ML模型在输入特征方面受到限制”。现有的ML模型仅监测气体吸附引起的石墨烯转移特性或电阻/电导率的变化，而无需通过施加外部电场来调节这些特性。

因此，他们错过了气体分子和石墨烯之间独特的范德瓦尔斯(vdW)相互作用，这是单个气体分子所独有的。因此，与传统的电子鼻(e-nose)模型不同，我们可以映射外部电场调制的石墨烯-气体相互作用，从而能够对大气等复杂气体环境进行更有选择性的特征提取。

我们用于识别大气气体的ML模型是使用多孔活性炭薄膜功能化的石墨烯传感器开发的。八个vdW复杂特征用于监测外部电场对石墨烯-气体分子vdW相互作用的影响，并因此绘制了施加外部电场之前、期间和之后vdW键合的演变。

此外，尽管气体传感实验是在不同的实验条件下进行的，例如气室压力、气体浓度、环境温度、大气相对湿度、调谐时间和调谐电压，但开发的模型显示出足够的鲁棒性以适应这些变化通过不将模型暴露在这些参数下的实验条件。

此外，为了测试模型的通用性，他们接受了大气环境以及通常用于气体传感的相对惰性环境(例如氮气和干燥空气)的训练。因此，实现了一种高性能大气气体“电子鼻”，能够以100%的准确率区分四种不同环境(大气中的氨气、大气中的丙酮、氮气中的丙酮和干燥空气中的氨气)。

标签：