机器学习，Nature！

特别说明：本文由米测技术中心原创撰写，旨在分享相关科研知识。因学识有限，难免有所疏漏和错误，请读者批判性阅读，也恳请大方之家批评指正。

原创丨米测MeLab

编辑丨风云

研究背景

化学传感器可以收集与液体物质化学成分相关的信息并将其转换成电信号，在环境监测、医疗诊断和工业过程控制中发挥着至关重要的作用。在化学传感器中，离子敏感场效应晶体管 (ISFET) 已成为一种很有前途的技术，因为它们具有出色的灵敏度和高度可扩展的设计。1970年，Bergveld 首次通过使用硅基 ISFET测量溶液中Na⁺离子的浓度展示了ISFET的操作。石墨烯由于具有大的表面积与体积比、化学惰性的基面、极高的载流子迁移率，是一种优秀的 ISFET 通道材料。

关键问题

然而，现有的ISFET的研究主要存在以下问题：

1、ISFET的可靠性受到多种非理性因素的阻碍

ISFET的可靠性受到循环间变化、传感器间差异以及制造工艺、材料特性、环境条件和设计考虑引起的芯片间差异的影响。这些问题可能导致传感器输出的不一致性和不可预测性，从而影响其在精确监测和诊断中的有效性。

2、ISFET的稳定性问题限制了其大规模商业应用

ISFETs可能会出现漂移，并且对不同的温度敏感，这限制了它们的精度和稳定性。漂移和温度敏感性可能导致测量结果的不准确，需要频繁校准和调整，增加了使用和维护的复杂性。

新思路

有鉴于此，宾夕法尼亚州立大学Saptarshi Das等人说明了结合机器学习算法的优势，利用ISFET传感器产生的大量数据集来构建预测模型，用于分类和量化任务。这种整合也为ISFETs的工作提供了新的思路，而不仅仅是从人类专业知识中能获得。此外，它还减轻了与周期间、传感器间和芯片间变化相关的实际挑战，为 ISFET 在商业应用中的更广泛应用铺平了道路。具体来说，作者使用非功能化石墨烯ISFET阵列生成的数据来训练人工神经网络，该网络具有出色的识别食品造假、食品腐败和食品安全问题的能力。作者预计，紧凑、节能、可重复使用的石墨烯 ISFET 技术与强大的机器学习算法的融合，有可能彻底改变对细微化学和环境变化的检测，提供适用于广泛应用的快速、数据驱动的洞察。

技术方案：

1、利用机器学习算法提高ISFET的可靠性和稳定性

作者利用机器学习，特别是ANN，提升了石墨烯ISFET在pH监测中的可靠性，发现新的FOMs，提高准确性，无需漂移校正。

2、证实了机器学习显著提升了ISFET的pH敏感性

人工神经网络通过学习FOMs和ISFET特征提升pH监测准确性，具有可解释性。ANN模型泛化能力强，无需跨芯片重新校准或训练。

3、将机器学习辅助的石墨烯ISFET应用于食品掺假检测和定量

作者证实了利用机器学习辅助的石墨烯ISFET可用于检测牛奶掺假，能实现掺假水平的准确量化。

4、将机器学习辅助的石墨烯ISFET技术应用于食品认证与安全

作者证实了机器学习辅助的石墨烯ISFET技术能高效检测食品掺假和低浓度有害物质，广泛应用于食品安全领域。

5、将机器学习辅助的石墨烯ISFET技术应用于食物新鲜度监测

作者证实了机器学习辅助的ISFET技术能评估果汁新鲜度，准确区分不同果汁及其新鲜度，准确率高达97.67%，无需了解具体成分或老化机制。

技术优势：

1、将机器学习算法与石墨烯ISFET结合克服了实际应用中的挑战

作者通过使用统计分析和机器学习算法来评估与基于石墨烯的ISFET的传输特性直接相关的各种人为品质因数（FOM），将变异缓解和分类的责任转移到机器学习模型上，从而提高了ISFET的可靠性和稳定性。

2、证实了机器学习辅助石墨烯ISFET技术在食品行业的实际应用

作者将机器学习辅助的基于石墨烯的ISFET技术应用于食品行业，创建的数据集能够验证常见食品，量化食品掺假情况并识别食品安全问题。此外，证明了这种传感方法可用于同时评估各种果汁的身份和腐败状态，为食品供应链及其他领域广泛化学传感应用提供了一个经济高效的平台。

技术细节

利用人源FOMs监测pH

基于石墨烯的ISFET在液体溶液pH值检测中表现出高灵敏度，但非理想性因素如循环间变化、传感器间差异等影响了其商业应用。为了解决这些问题，作者利用机器学习算法，特别是人工神经网络(ANN)，来提高ISFET的可靠性和稳定性。通过分析传感器数据，ANN能够有效评估并减轻非理想性因素的影响，从而提高pH监测的准确性。此外，研究还发现，除了传统的狄拉克电压(V_Dirac)指标外，还有其他物理上相关的特征参数(FOMs)能够更好地反映pH敏感性，且受非理想性因素影响较小。通过k-最近邻(k-NN)分类算法，证明了同时考虑多个FOMs可以提高pH监测的准确性，而无需进行漂移校正。这些发现不仅增强了ISFET的可靠性，还扩展了其在食品行业等应用领域的潜力。

图1 石墨烯ISFET的pH敏感性、非理想性和缓解措施

使用人工神经网络来理解pH敏感性

面对非理想状态，人工神经网络（ANN）通过学习FOMs显著提升了ISFET的pH敏感性。研究中，ANN不仅利用了基于人类专业知识提取的FOMs，还能通过整个ISFET转移特性自主学习机器衍生特征。SHAP特征分析显示，ANN模型具有较好的可解释性，其性能优于传统FOMs。实验中，使用FOMs训练的ANN平均准确率为91.64%，而直接使用ISFET特征训练的模型准确率达到97.09%。SHAP分析还揭示了ISFET特征中对分类精度有重要贡献的区域。此外，研究探索了不同训练场景，发现在任一芯片数据上训练的模型都能在其他芯片的测试数据上表现良好，这意味着模型具有良好的泛化能力，能够跨芯片应用，无需重新校准或训练。

图2 使用ANN了解pH敏感性

食品掺假物的定量

接着，作者将机器学习辅助的石墨烯ISFET应用于食品掺假检测和定量，特别是牛奶。传统方法难以识别外观和味道相似的掺假产品，但ISFET能通过检测化学相似性来区分。实验中，ISFET成功区分了不同掺假水平的牛奶，并通过ANN模型和SHAP分析识别关键特征。此外，研究还使用k-NN分类和基于ANN的回归模型来量化掺假水平，后者通过计算特征间的余弦相似度来预测未知样本的掺假程度。模型在不同测试集上展现了良好的准确性，即使在未见过的掺假水平上也能进行有效推理。

图3 从掺假牛奶的类到量化

食品认证与安全

此外，机器学习辅助的石墨烯ISFET技术在食品行业的应用范围已经从pH传感扩展到了食品掺假检测和定量。这项技术能够有效识别口味和外观相似的产品，如不同种类的软饮料、咖啡混合物和牛奶品种，即使这些产品的pH值相近。通过使用人工神经网络和SHAP特征分析，ISFET能够以高分类精度区分这些产品。此外，该技术还成功演示了在低浓度下检测水中的全氟己酸，这对于确保食品安全至关重要。这些结果突出了机器学习辅助的石墨烯ISFET在解决食品工业中的广泛挑战中的应用潜力，并且可以作为一个经济高效的平台，用于食品供应链及其他领域的化学传感应用。

图4 使用机器学习辅助石墨烯ISFET进行食品认证

食物新鲜度监测

机器学习辅助的ISFET技术还可被用于评估食品新鲜度，特别是不同果汁的新鲜度。研究中测试了橙子、菠萝、葡萄和西瓜汁在四天内的变质过程。通过多输出神经网络，模型能同时识别果汁种类和新鲜度，准确率高达97.67%。结果表明，该方法能有效区分果汁的身份和新鲜度，即使在涉及多个密切相关类别的复杂化学传感问题中。ANN模型的优势在于能够对多个类别和子类别进行分类，同时补偿传感器的非理想性，而无需了解食品的具体成分或老化机制。

图5 使用机器学习辅助石墨烯ISFET监测食物新鲜度

展望

总之，这项研究强调了将机器学习算法与石墨烯ISFET相结合在化学传感应用中的变革潜力。使用非功能化石墨烯ISFET阵列生成的数据训练的ANN已表现出对化学变化进行分类和量化的卓越能力，尤其是在食品真实性、掺假、安全和腐败方面。此外，这项研究还提供了对传统上被认为是不透明黑匣子的ANN 的可解释性的见解。通过使用机器学习算法，这项研究克服了在 ISFET 中观察到的传统挑战，例如传感器多变性和需要进行大量校准，从而提高了该技术的可靠性和适用性。

参考文献：

Pannone, A., Raj, A., Ravichandran, H. et al. Robust chemical analysis with graphene chemosensors and machine learning. Nature (2024).

https://doi.org/10.1038/s41586-024-08003-w

学术QQ交流群

（加群方式：请备注：姓名-单位-研究方向)

(无备注请恕不通过，由管理员审核后入群）

功能器件群-2：176356631

复合材料群-2：834770793

金属材料群-1：1053270764

二维材料群-2：1075914107

光学材料与器件群-3：630424402