《Sensors and Actuators A: Physical》：Artificial intelligence-enabled MOS gas sensors: Towards Selective and intelligent detection in complex environments
编辑推荐：
金属氧化物半导体传感器与人工智能结合综述，探讨AI如何通过特征提取、预测模型和自适应算法解决传感器选择性差、环境敏感及信号漂移等问题，涵盖单传感器增强、阵列融合、材料设计优化策略，应用于环境监测、医疗诊断等领域，分析数据稀缺、模型泛化等挑战。
李根|朴升勋|金孝贞|穆罕默德·希拉尔|蔡志成
中国四川省成都市成都大学计算机科学学院，邮编610106
摘要
金属氧化物半导体（MOS）气体传感器因其低成本、简单的制造工艺以及对广泛分析物的高灵敏度而受到广泛研究。尽管经过了数十年的发展，但由于选择性差、环境变化、信号漂移以及设备间重复性不足，其更广泛的应用仍然受到限制。人工智能（AI）最近作为一种有前景的策略出现，通过从复杂的传感器响应中提取有意义的信息，实现了预测性和适应性行为。本文综述了MOS气体传感与AI的融合。我们首先回顾了MOS传感器的基本工作原理，并解释了为什么传统方法在现实世界环境中往往表现不佳。然后，我们总结了关键的AI方法，包括经典机器学习、深度学习以及一些较新的技术，同时分析了它们在气体传感任务中的各自优势和局限性。特别强调了集成策略，如单个传感器增强、传感器阵列融合、漂移校正、AI引导的材料和设备设计以及轻量级的设备部署。我们进一步探讨了AI增强型MOS传感器在环境监测、医疗诊断、食品安全、工业安全和物联网（IoT）系统等应用领域中的明显优势。最后，我们讨论了与数据稀缺性、模型泛化、可解释性和可扩展性相关的持续挑战，并概述了开发智能、可靠和大规模MOS传感生态系统的未来方向。
引言
MOS长期以来一直是化学电阻式气体传感的基石，这得益于其简单的制造工艺、可调的电子特性以及对广泛分析物的高灵敏度[1]、[2]、[3]、[4]、[5]。近几十年来，对MOS纳米结构（包括0D纳米颗粒和量子点、1D纳米线以及2D层状结构）的设计进行了密集研究，每种结构都提供了定制的表面化学性质和优化的电荷传输路径[6]、[7]、[8]、[9]、[10]。这些发展使MOS传感器成为环境监测、工业安全、食品质量控制和非侵入性医疗诊断等应用中广泛使用的工具。然而，尽管应用广泛，MOS气体传感器仍面临根本性挑战。选择性是主要问题：大多数MOS材料对多种气体都有响应，在实际条件下很难区分目标分析物和干扰物质[11]、[12]。环境因素，特别是湿度，通过改变表面反应和基线稳定性使传感变得复杂。此外，缺乏标准化的测试协议（包括气体稀释方法、流速和湿度控制），导致不同研究之间的数据难以比较，从而减缓了从实验室演示到工业应用的转化进程[13]、[14]。
传统的克服这些限制的方法主要依赖于材料层面的创新。研究人员探索了贵金属修饰[15]、[16]、[17]、异质结形成[18]、[19]、[20]、缺陷工程[21]、[22]以及与新兴2D材料的杂交[24]、[25]、[26]来提高灵敏度并调节表面化学性质。虽然这些方法带来了渐进式的改进，但它们未能解决在不受控制环境中气体与固体相互作用的内在复杂性。特别是，MOS传感器的动态、非线性响应模式包含的信息远超过给定浓度下简单电阻比所能捕捉到的信息[27]、[28]。要解锁这些隐藏的信息，需要超越材料设计，转向先进的数据分析。
在这种背景下，AI提供了一个变革性的工具包。通过将机器学习（ML）和深度学习与MOS传感平台集成，可以从动态响应曲线中提取高维特征，过滤掉环境噪声，并构建具有高选择性和鲁棒性的预测模型[29]、[30]。AI增强型方法不仅提高了单个MOS传感器的性能，还增强了电子鼻（E-nose）系统，其中传感器阵列与模式识别算法相结合，可以模拟人类嗅觉系统的辨别能力[31]、[32]。除了信号处理之外，AI还实现了逆向材料设计，算法可以预测针对特定传感任务的最佳掺杂组合、表面终止结构和图案，从而以纯实验策略难以匹配的方式加速发现过程[33]。
因此，本文提出了四个独特的贡献。首先，我们将MOS测量视为结构化时间序列信号，并阐述了特征形成是如何从吸附和脱附动力学、调制协议以及设备物理中产生的，从而明确了AI能够和不能可靠提取的信息。其次，我们提供了一个端到端的分类体系，将单个传感器增强、传感器阵列融合、考虑漂移的学习以及变压器和图神经网络等新兴架构统一在共同的问题定义和评估标准下。第三，我们强调了协同设计的观点，即材料、设备和算法共同优化，包括AI引导的材料和设备设计以及通过可解释AI（XAI）进行的机制性解释。第四，我们强调了向实践的转化，通过整合报告和基准测试需求、泛化陷阱以及与实际IoT和安全关键应用相关的边缘部署约束。本文的其余部分组织如下：我们回顾了MOS传感的基本原理和选择性及漂移限制的起源，然后调查了代表性的AI方法和集成策略，最后讨论了应用案例研究、开放性挑战以及朝着可靠和可扩展的MOS传感生态系统发展的未来方向。
章节摘录
MOS气体传感器的工作原理
MOS气体传感器的工作原理基于表面吸附引起的载流子密度变化以及由此在表面和晶界处产生的能带弯曲，如图1所示。当MOS材料暴露在空气中时，氧气分子会发生化学吸附并转化为O??、O?和O2?等离子物种，其数量取决于工作温度和环境湿度，这些离子物种通过捕获n型氧化物的传导电子而形成
利用AI克服MOS气体传感的固有局限性
MOS气体传感器的电阻响应反映了耦合的吸附和脱附动力学、晶内和晶间电荷传输（受德拜长度调制），以及通过孔隙的质量传递，所有这些过程都在多个时间尺度上演变，并表现出历史效应和滞后现象[62]、[63]、[64]。传统的评价指标（如单一电阻比或单一响应时间）将这种多维行为简化为标量，因此忽略了这些复杂因素
通过AI增强的单个MOS传感器
最早的AI与MOS平台的集成集中在单个材料传感器上，使用算法来补偿个别氧化物的有限选择性。例如，一项研究表明，由主动编程的逆温度调制协议驱动的单一MOX传感器产生了具有区分性的瞬态信号。通过模式识别方法分析这些信号，可以在没有传感器阵列的情况下对气味进行分类，并减轻了固有的选择性限制
环境监测
检测空气污染物（如NO?、CO、O?和VOCs）是MOS气体传感器最重要的应用之一。传统的单个传感器方法在污染物共存且浓度变化较大、湿度波动的实际环境中往往无法有效工作。通过将MOS阵列与AI算法集成，研究人员实现了对多种污染物的可靠区分和量化。例如，Ku等人合理设计了一种混合环境
数据和泛化瓶颈
AI增强型MOS气体传感面临的主要挑战之一是缺乏标准化和足够大的数据集[52]。大多数模型是在严格控制的实验室条件下收集的小规模数据集上训练的，因此缺乏多样性。这些数据未能反映湿度、温度、气流和背景挥发物的真实变化，以及传感器的老化情况[84]。标签通常仅限于名义上的气体类型和设定浓度，而关键的上下文信息（例如确切的
结论
MOS气体传感器与AI的融合开启了化学传感的新篇章，将曾经因选择性差和环境不稳定而受限的材料转变为能够进行复杂和适应性决策的智能平台。通过整合经典机器学习、深度学习以及变压器和图神经网络等新兴技术，研究人员在分类准确性、量化、漂移校正等方面取得了显著进展
CRediT作者贡献声明
李根：撰写——初稿，资金获取，数据管理，概念化。金孝贞：撰写——初稿，方法论，研究，数据管理。朴升勋：撰写——审稿与编辑，撰写——初稿，资金获取，数据管理。蔡志成：撰写——审稿与编辑，撰写——初稿，监督，数据管理，概念化。穆罕默德·希拉尔：撰写——初稿，方法论，研究，数据管理。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本工作得到了国家自然科学基金（项目编号：42101348）和四川省自然科学基金（项目编号：2025NSFSC0328）的支持。此外，本工作还得到了韩国政府资助的信息与通信技术规划与评估研究所（IITP）- ITRC（信息技术研究中心）（项目编号：IITP-2025-RS-2024–00438007）的部分支持。
李根2015年在中国烟台市海都学院获得机械设计与自动化学士学位。2017年在韩国群山大学获得机械工程硕士学位。2022年在韩国首尔崇安大学计算机工程系获得博士学位。他的最新研究专注于将深度学习和人工智能应用于传感系统
