基于XGBoost回归与堆叠集成学习的Al2O3栅极ISFET pH预测精度提升研究

本研究针对ISFET（离子敏感场效应晶体管）在pH检测中受温度、掺杂浓度等因素干扰导致精度下降的问题，通过构建Al2O3栅极ISFET数值模型，结合XGBoost回归与贝叶斯优化（BO）超参数调优，并采用堆叠集成学习（SEL）方法，最终实现R2=0.9846的高精度预测，为生物医学传感提供可靠解决方案。

　　

在环境监测和生物医学领域，离子敏感场效应晶体管（ISFET）因其快速响应和微型化特性成为pH检测的重要工具。然而，其性能易受栅极介电层厚度（T_OX）、掺杂浓度（N_D）和温度（T）等因素干扰，导致测量误差。传统方法难以有效补偿这些变量间的复杂非线性关系，亟需一种高精度的预测模型。针对这一挑战，印度理工学院比拉尼分校的研究团队开发了一种结合机器学习与数值模拟的创新方法，相关成果发表于《Scientific Reports》。

研究团队首先通过COMSOL Multiphysics构建Al₂O₃栅极ISFET的二维有限元模型，模拟不同T_OX（1-9 nm）、N_D（10¹⁸-10²⁰ cm^-3）和T（0-50℃）条件下的I_DS-V_DS特性曲线，生成24,575组数据点。采用XGBoost回归模型预测pH值，并对比随机搜索（RS）、网格搜索（GS）和贝叶斯优化（BO）三种超参数调优策略，最终通过堆叠集成学习（SEL）整合线性回归和随机森林（RF）模型进一步提升精度。

FEM建模与ISFET性能分析
通过对比Al₂O₃与SiO₂栅极材料，证实Al₂O₃因更高的表面位点密度（8×10¹⁴ cm^-2）和介电常数（ε=14）表现出更优的电流响应和阈值电压稳定性。

XGBoost框架与超参数优化
贝叶斯优化确定的超参数组合（最大深度=6，学习率η=0.02687）使模型R²达0.9795。关键发现包括：T_OX每减少1 nm，I_DS呈指数增长；N_D>10¹⁹ cm^-3时载流子注入效应显著增强。

堆叠集成学习的性能提升
以XGBoost为元学习器，结合RF和线性回归的SEL框架将预测误差降低至±0.2（75.64%测试样本），最终R²提升至0.9846，显著优于传统RF（R²=0.9193）和k-NN（R²=0.8501）模型。

该研究首次将BO优化的XGBoost-SEL框架应用于ISFET pH预测，解决了多参数耦合干扰的行业难题。其意义在于：1）为生物传感器提供可解释性强、适应性广的机器学习方案；2）通过开源数据集和代码促进技术标准化；3）Al₂O₃栅极的优化参数（T_OX=5 nm，N_D=10²⁰ cm^-3）为器件设计提供参考。未来可扩展至其他电解质检测场景，推动个性化医疗和环境监测设备的智能化发展。