特別說明：本文由米測技術中心原創撰寫，旨在分享相關科研知識。因學識有限，難免有所疏漏和錯誤，請讀者批判性閱讀，也懇請大方之家批評指正。化學傳感器可以收集與液體物質化學成分相關的信息并將其轉換成電信號，在環境監測、醫療診斷和工業過程控制中發揮著至關重要的作用。在化學傳感器中，離子敏感場效應晶體管 (ISFET) 已成為一種很有前途的技術，因為它們具有出色的靈敏度和高度可擴展的設計。1970年，Bergveld 首次通過使用硅基 ISFET測量溶液中Na+離子的濃度展示了ISFET的操作。石墨烯由于具有大的表面積與體積比、化學惰性的基面、極高的載流子遷移率，是一種優秀的 ISFET 通道材料。ISFET的可靠性受到循環間變化、傳感器間差異以及制造工藝、材料特性、環境條件和設計考慮引起的芯片間差異的影響。這些問題可能導致傳感器輸出的不一致性和不可預測性，從而影響其在精確監測和診斷中的有效性。ISFETs可能會出現漂移，并且對不同的溫度敏感，這限制了它們的精度和穩定性。漂移和溫度敏感性可能導致測量結果的不準確，需要頻繁校準和調整，增加了使用和維護的復雜性。 有鑒于此，賓夕法尼亞州立大學Saptarshi Das等人說明了結合機器學習算法的優勢，利用ISFET傳感器產生的大量數據集來構建預測模型，用于分類和量化任務。這種整合也為ISFETs的工作提供了新的思路，而不僅僅是從人類專業知識中能獲得。此外，它還減輕了與周期間、傳感器間和芯片間變化相關的實際挑戰，為 ISFET 在商業應用中的更廣泛應用鋪平了道路。具體來說，作者使用非功能化石墨烯ISFET陣列生成的數據來訓練人工神經網絡，該網絡具有出色的識別食品造假、食品腐敗和食品安全問題的能力。作者預計，緊湊、節能、可重復使用的石墨烯 ISFET 技術與強大的機器學習算法的融合，有可能徹底改變對細微化學和環境變化的檢測，提供適用于廣泛應用的快速、數據驅動的洞察。1、利用機器學習算法提高ISFET的可靠性和穩定性作者利用機器學習，特別是ANN，提升了石墨烯ISFET在pH監測中的可靠性，發現新的FOMs，提高準確性，無需漂移校正。2、證實了機器學習顯著提升了ISFET的pH敏感性人工神經網絡通過學習FOMs和ISFET特征提升pH監測準確性，具有可解釋性。ANN模型泛化能力強，無需跨芯片重新校準或訓練。3、將機器學習輔助的石墨烯ISFET應用于食品摻假檢測和定量作者證實了利用機器學習輔助的石墨烯ISFET可用于檢測牛奶摻假，能實現摻假水平的準確量化。4、將機器學習輔助的石墨烯ISFET技術應用于食品認證與安全作者證實了機器學習輔助的石墨烯ISFET技術能高效檢測食品摻假和低濃度有害物質，廣泛應用于食品安全領域。5、將機器學習輔助的石墨烯ISFET技術應用于食物新鮮度監測作者證實了機器學習輔助的ISFET技術能評估果汁新鮮度，準確區分不同果汁及其新鮮度，準確率高達97.67%，無需了解具體成分或老化機制。1、將機器學習算法與石墨烯ISFET結合克服了實際應用中的挑戰作者通過使用統計分析和機器學習算法來評估與基于石墨烯的ISFET的傳輸特性直接相關的各種人為品質因數（FOM），將變異緩解和分類的責任轉移到機器學習模型上，從而提高了ISFET的可靠性和穩定性。2、證實了機器學習輔助石墨烯ISFET技術在食品行業的實際應用作者將機器學習輔助的基于石墨烯的ISFET技術應用于食品行業，創建的數據集能夠驗證常見食品，量化食品摻假情況并識別食品安全問題。此外，證明了這種傳感方法可用于同時評估各種果汁的身份和腐敗狀態，為食品供應鏈及其他領域廣泛化學傳感應用提供了一個經濟高效的平臺。基于石墨烯的ISFET在液體溶液pH值檢測中表現出高靈敏度，但非理想性因素如循環間變化、傳感器間差異等影響了其商業應用。為了解決這些問題，作者利用機器學習算法，特別是人工神經網絡(ANN)，來提高ISFET的可靠性和穩定性。通過分析傳感器數據，ANN能夠有效評估并減輕非理想性因素的影響，從而提高pH監測的準確性。此外，研究還發現，除了傳統的狄拉克電壓(VDirac)指標外，還有其他物理上相關的特征參數(FOMs)能夠更好地反映pH敏感性，且受非理想性因素影響較小。通過k-最近鄰(k-NN)分類算法，證明了同時考慮多個FOMs可以提高pH監測的準確性，而無需進行漂移校正。這些發現不僅增強了ISFET的可靠性，還擴展了其在食品行業等應用領域的潛力。
圖1 石墨烯ISFET的pH敏感性、非理想性和緩解措施
面對非理想狀態，人工神經網絡（ANN）通過學習FOMs顯著提升了ISFET的pH敏感性。研究中，ANN不僅利用了基于人類專業知識提取的FOMs，還能通過整個ISFET轉移特性自主學習機器衍生特征。SHAP特征分析顯示，ANN模型具有較好的可解釋性，其性能優于傳統FOMs。實驗中，使用FOMs訓練的ANN平均準確率為91.64%，而直接使用ISFET特征訓練的模型準確率達到97.09%。SHAP分析還揭示了ISFET特征中對分類精度有重要貢獻的區域。此外，研究探索了不同訓練場景，發現在任一芯片數據上訓練的模型都能在其他芯片的測試數據上表現良好，這意味著模型具有良好的泛化能力，能夠跨芯片應用，無需重新校準或訓練。
接著，作者將機器學習輔助的石墨烯ISFET應用于食品摻假檢測和定量，特別是牛奶。傳統方法難以識別外觀和味道相似的摻假產品，但ISFET能通過檢測化學相似性來區分。實驗中，ISFET成功區分了不同摻假水平的牛奶，并通過ANN模型和SHAP分析識別關鍵特征。此外，研究還使用k-NN分類和基于ANN的回歸模型來量化摻假水平，后者通過計算特征間的余弦相似度來預測未知樣本的摻假程度。模型在不同測試集上展現了良好的準確性，即使在未見過的摻假水平上也能進行有效推理。
圖3 從摻假牛奶的類到量化
此外，機器學習輔助的石墨烯ISFET技術在食品行業的應用范圍已經從pH傳感擴展到了食品摻假檢測和定量。這項技術能夠有效識別口味和外觀相似的產品，如不同種類的軟飲料、咖啡混合物和牛奶品種，即使這些產品的pH值相近。通過使用人工神經網絡和SHAP特征分析，ISFET能夠以高分類精度區分這些產品。此外，該技術還成功演示了在低濃度下檢測水中的全氟己酸，這對于確保食品安全至關重要。這些結果突出了機器學習輔助的石墨烯ISFET在解決食品工業中的廣泛挑戰中的應用潛力，并且可以作為一個經濟高效的平臺，用于食品供應鏈及其他領域的化學傳感應用。圖4 使用機器學習輔助石墨烯ISFET進行食品認證機器學習輔助的ISFET技術還可被用于評估食品新鮮度，特別是不同果汁的新鮮度。研究中測試了橙子、菠蘿、葡萄和西瓜汁在四天內的變質過程。通過多輸出神經網絡，模型能同時識別果汁種類和新鮮度，準確率高達97.67%。結果表明，該方法能有效區分果汁的身份和新鮮度，即使在涉及多個密切相關類別的復雜化學傳感問題中。ANN模型的優勢在于能夠對多個類別和子類別進行分類，同時補償傳感器的非理想性，而無需了解食品的具體成分或老化機制。圖5 使用機器學習輔助石墨烯ISFET監測食物新鮮度總之，這項研究強調了將機器學習算法與石墨烯ISFET相結合在化學傳感應用中的變革潛力。使用非功能化石墨烯ISFET陣列生成的數據訓練的ANN已表現出對化學變化進行分類和量化的卓越能力，尤其是在食品真實性、摻假、安全和腐敗方面。此外，這項研究還提供了對傳統上被認為是不透明黑匣子的ANN 的可解釋性的見解。通過使用機器學習算法，這項研究克服了在 ISFET 中觀察到的傳統挑戰，例如傳感器多變性和需要進行大量校準，從而提高了該技術的可靠性和適用性。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
