就气体传感器而言，石墨烯的二维性质使其适用于此类应用。然而，由于其内在的非选择性和大气空气中的巨大p兴奋剂，其在气体传感方面的应用通常仅限于干燥空气、氮气或合成潮湿空气等受控环境。
（a）活性炭功能化石墨烯传感器的示意图。（b）XGBoost、KNN和Naïve Bayes模型性能的比较图。图片来源：日本科学技术研究院的Hiroshi Mizuta。
虽然合成空气中存在的湿度条件可用于获得石墨烯通道的受控孔掺杂，但这不能正确反映大气空气中的情况。此外，大气空气由许多气体组成，其浓度与分析气体相似或大于分析气体。
基于石墨烯的传感器的这些缺点阻碍了大气空气中的分子物种识别和选择性气体检测，这是对疾病的非侵入性医学诊断和环境监测中的应用所必需的。
由博士领导的研究小组Manoharan Muruganathan（前高级讲师）和日本科学技术研究院（JAIST）的Hiroshi Mizuta教授应用了在几种气体吸附诱导的兴奋剂和散射信号上训练的机器学习（ML）模型，用单个设备识别选择性气体和高灵敏度传感。
ML模型的性能通常取决于输入功能。
传统的基于石墨烯的ML模型的输入特性有限。
博士Osazuwa Gabriel Agbonlahor，日本科学技术高级研究所
目前的ML模型只跟踪气体吸附引起的石墨烯转移特性或电阻/导电性的变化，而不用外部电场调节这些特性。因此，他们错过了石墨烯和气体分子之间发生的独特范德瓦尔斯（vdW）相互作用，这似乎对单个气体分子是特有的。
因此，与传统的电子鼻（电子鼻）模型不同，可以映射外部电场调制石墨烯-气体相互作用，从而允许对大气空气等复杂气体环境进行高度选择性的特征提取。
可用于识别大气气体的ML模型是在石墨烯传感器的帮助下开发的，该传感器已用多孔活性炭薄膜功能化。
利用八个vdW复合特征来跟踪外部电场对石墨烯-气体分子vdW相互作用的影响，并同时绘制了在外部电场应用之前、期间和之后vdW键的上升。
此外，尽管气体传感实验是在不同的实验条件下进行的，例如气体浓度、气室压力、大气相对湿度、调谐时间、环境温度和调谐电压，但已开发的模型显示足够强大，无法容纳通过不将模型暴露在此类参数中，从而在实验条件下引起的此类变化。
此外，为了测试该模型的多功能性，他们在大气环境以及经常用于气体传感的相对惰性环境中接受了培训，例如干空气和氮气。
因此，实现了高性能的大气气体“电子鼻子”，以100%的精度区分了四种不同环境（大气中的氨、氮中的丙酮、干燥空气中的氨和大气空气中的丙酮）。
期刊参考
Agbonlahor, O. G., et al. (2023) Machine learning identification of atmospheric gases by mapping the graphene-molecule van der waals complex bonding evolution. Sensors and Actuators B: Chemical. doi.org/10.1016/j.snb.2023.133383.
来源：http://www.jaist.ac.jp/english/
本文来自AZoSensors，本文观点不代表石墨烯网立场，转载请联系原作者。
