化学传感器通过收集液体成分信息并将其转化为电信号，在环境监测、医疗诊断和工业过程控制中发挥着重要作用。离子敏感场效应晶体管（ISFETs）因其优异的灵敏度和高度可扩展的设计而成为一种有前景的技术。然而，ISFET的可靠性受到制造工艺、材料特性、环境条件和设计因素等非理想因素的影响，限制了其在商业应用中的广泛采用。
日前，宾夕法尼亚州立大学 Saptarshi Das提出一种基于机器学习的石墨烯ISFETs，以pH传感作为基准，将石墨烯基ISFET阵列生成的数据训练人工神经网络，以构建分类和定量预测模型，并应用于食品行业。相关工作以“Robust chemical analysis with graphene chemosensors and machine learning”发表在《Nature》上。
石墨烯基离子敏感场效应晶体管（ISFETs）对液体溶液的pH值具有良好的灵敏度。然而，许多非理想因素（如循环间、传感器间和芯片间的变异）影响ISFET的响应性。图1展示了石墨烯基ISFET的示意图及其在不同pH缓冲液中的传输特性，强调了电双层在调节石墨烯通道导电性方面的作用。由于常用的Dirac电压（VDirac）作为pH灵敏度的评估指标在存在非理想因素时会显著偏离真实pH值。因此，需要识别具有高pH灵敏度且对非理想因素变化不敏感的FOMs。该研究同时考虑多个FOMs，利用k近邻算法评估各FOM的重要性，通过人工神经网络（ANN）来训练和测试非功能化石墨烯ISFET数据集，减轻非理想因素的影响，体现了石墨烯基ISFETs在多FOMs 监测中的潜力。神经网络在识别pH响应性时首先提取自ISFET传输特性的FOM，然后输入整个ISFET传输特性让模型自行确定机器生成的特征。通过SHAP（SHapley Additive exPlanations）特征分析来评估训练后的ANN模型的特征空间，与提取的FOMs重要性区域进行比较。ANN以一维卷积神经网络作为特征提取器，后接三层全连接层，旨在将输入数据分类为七个pH值类别。使用FOMs作为训练输入时，模型平均准确率为91.64%，而直接基于ISFET特性训练的平均准确率达到了97.09%。此外，该模型在三种不同训练场景表现良好，表明模型在一个芯片上训练后可以有效应用于后续制造的芯片，避免了模型重新校准及训练。基于机器学习的石墨烯ISFETs将应用范围从pH传感拓展至食品掺杂物的检测和定量分析。该研究首先测试了六个石墨烯ISFETs在未掺杂牛奶及不同掺杂比例（5%、10%、20%、30%）下的传输特性，结果显示高分类准确度，通过SHAP特征分析能够区分不同掺杂比例。继续增加样本集数目，模型采用两层全连接ANN提取特征，并通过余弦相似度计算相似性，在复杂测试集（约46,000个样本）预测上表现良好。该研究将ANN在石墨烯ISFETs数据训练下的模型用于食品真伪鉴别，对不同软饮料、咖啡混合物和牛奶分类准确率较高。SHAP值分析进一步揭示了每个产品类别的特征，通过k-NN算法提取的FOMs显示，不同产品类别的最佳FOM组合有所不同，证明了ISFETs可提供多参数预测的重要性。该研究还展示了食品安全应用，石墨烯ISFETs可成功检测水中浓度低至2.5 ppb的六氟乙酸（PFHxA），证明了其在解决食品行业中各类挑战的重大潜力。该研究展示了机器学习辅助ISFETs如何评估食品鲜度。该工作对四种果汁（橙子、菠萝、葡萄和西瓜）在四天内的新鲜度和种类进行检测，其采用14个ISFET的传输特性对果汁进行测量，设计了一个多输出ANN模型，高效提取输入特征，同时进行果汁种类和新鲜度的分类。该模型使用共享的一维卷积神经网络作为特征提取器，后接各自的全连接层。经过训练，模型在果汁种类和新鲜度分类任务中的最终准确率达97.67%。尽管每种果汁由多种化学成分组成，其降解过程复杂，机器学习算法仍能根据石墨烯ISFET阵列收集的传感器数据进行分类，无需了解其成分或老化机制。图5：机器学习辅助石墨烯ISFETs的食品新鲜度监别该研究将机器学习与石墨烯ISFETs相结合用于化学传感，神经网络通过对非功能化石墨烯ISFET阵列生成的数据进行训练，在食品鉴别、掺杂、安全性和变质方面表现出色。此外，机器学习还克服了传统ISFETs在传感器变异性和校准需求上的挑战，从而增强了传感器的可靠性和应用范围。