利用单个CMOS兼容传感器和迁移学习方法选择性检测氢气和氨气

《ACS Sensors》：Selective Sensing of Hydrogen and Ammonia Using a Single CMOS-Compatible Sensor and Transfer Learning Methods

　　

高性能气体传感器的开发对于新兴氢经济的安全和效率至关重要，特别是检测氢气（H₂）和氨气（NH₃），它们对于氢存储、运输和能源应用至关重要。氢气高度易燃，爆炸下限为4%，而氨气有毒，可导致严重健康危害；因此，早期准确检测对于预防事故和确保安全处理至关重要。然而，大多数氢气传感器对氨气存在交叉敏感性，使得区分两种气体具有挑战性。此外，氨气和氢气的混合物被视为实现零碳排放的替代燃料。检测混合物形式的气体至关重要，因为混合物的可燃性和毒性限值不同于单一气体，需要精确监测以确保安全、工艺优化和高效燃料利用。在本研究中，研究人员采用钯（Pd）纳米颗粒修饰的静电形成纳米线（Pd-EFN）传感器，用于选择性检测低浓度的H₂、NH₃及其混合物。EFN传感器是一种采用互补金属氧化物半导体（CMOS）兼容工艺制备的多栅耗尽型场效应晶体管（FET），其独特的多栅静电控制能力增强了灵敏度和选择性。实验结果表明，在不同背栅电压下观察到高度可逆的响应和独特的“静电指纹”，从而改善了气体区分能力。通过使用监督机器学习技术，包括线性支持向量机（Linear SVM）和核支持向量机（Kernel SVM）、AdaBoost、梯度提升（Gradient Boosting）、极端随机树（Extra Trees）、随机森林（Random Forest）、决策树（Decision Tree）、线性判别分析（Linear Discriminant Analysis）和K近邻（K-Nearest Neighbors），研究人员在区分H₂和NH₃以及H₂和(NH₃+H₂)时分别达到了高达94%的分类准确率。此外，采用基于VGG-19神经网络的迁移学习方法，并利用传感器响应图作为输入，进一步将准确率分别提高到约97%和96%。此外，使用迁移学习后，区分单一气体和混合物（H₂/NH₃/(NH₃+H₂)）的能力从77%提高到87%。利用单个传感器高精度选择性识别单一气体及其混合物的能力，无需传感器阵列，为先进、小型化、低成本的气体传感平台铺平了道路，展示了在氢气安全和环境监测等实际应用中的潜力。

**论文解读：基于CMOS兼容单传感器与迁移学习的高选择性氢气与氨气检测**

**研究背景与问题**
全球正加速推动可持续氢经济体系的建设，各国政府集中资源改进氢气生产、储存、分配及输送技术。在此背景下，氢气传感器在各个环节中扮演关键角色：氢气（H₂）无色无味、着火点低，其爆炸下限（LEL）为4%，低浓度检测对防止爆炸事故至关重要。氨气（NH₃）作为高效氢载体，具有高能量密度且易液化，适用于远距离运输，但其具有高毒性，美国国家职业安全卫生研究所（NIOSH）规定立即危及生命和健康的浓度为300 ppm，美国职业安全与健康管理局（OSHA）规定8小时暴露允许限值为50 ppm。此外，NH₃与H₂的混合物正作为零碳排放燃料使用，其可燃性和毒性限值不同于单一气体，需早期识别。然而，现有商用传感器存在局限性：光学传感器体积大且昂贵；电化学传感器虽灵敏但选择性差；化学电阻式金属氧化物传感器需高温工作，不利于易燃气体H₂的检测。为克服这些挑战，需要开发高性能、选择性好、稳定且低成本的气体传感器。受人类嗅觉系统启发，研究者开发了“电子鼻”——传感器阵列结合模式识别算法实现选择性气体识别，但此类系统因使用大量传感器而增加了成本、体积、复杂性和功耗。近年研究致力于用最少传感器（理想情况为单个）实现气体区分。本研究基于静电形成纳米线（EFN）传感器，其采用CMOS兼容工艺制备，具备多栅静电控制能力，前期研究已证明其对H₂具有高灵敏度（检测范围30 ppb–8000 ppm）和完全可逆性。为实现H₂、NH₃及其混合物的选择性检测，研究人员结合监督机器学习和迁移学习方法，探索单传感器气体识别新途径。

**研究与结论**
研究人员利用钯（Pd）纳米颗粒修饰的EFN（Pd-EFN）传感器，在室温下检测低浓度H₂（8–500 ppm）、NH₃（1–50 ppm）及其混合物（NH₃固定为10 ppm，H₂浓度变化），并评估相对湿度（RH）的影响。通过测量不同背栅电压（V_BG，-25 V至+25 V，步长5 V）和结栅电压（V_JG）下的漏-源电流（I_DS）特性，提取传感器响应（S = [(I_gas ? I₀)/I₀] × 100%），生成随V_BG变化的“静电指纹”。实验表明，不同气体产生不同的电压依赖性响应模式，即使在响应值重叠的区域（如图5标注的虚线框内），指纹特征仍存在差异。为量化区分，研究人员应用九种传统机器学习算法（线性SVM、核SVM、决策树、随机森林、AdaBoost、梯度提升、极端随机树、K近邻、线性判别分析），以11个V_BG下的最大传感器响应作为特征向量，采用五折交叉验证评估性能。结果显示，线性SVM在区分H₂与NH₃时达93.94%准确率，在H₂与(NH₃+H₂)分类中达约94%；AdaBoost在NH₃与(NH₃+H₂)分类中达88%；极端随机树、随机森林和核SVM在RH与(H₂+RH)分类中达90%。但传统方法在区分三种类别（H₂/NH₃/(NH₃+H₂)）时准确率仅为77%，且手动特征提取可能丢失信息。为此，研究人员引入基于VGG-19神经网络的迁移学习：将二维传感器响应图（以V_JG和V_BG为坐标）转换为归一化图像作为输入，冻结VGG-19除最后一层外的所有层，以交叉熵损失和Adam优化器训练200个周期，通过100次随机迭代评估。迁移学习显著提升性能：H₂/NH₃分类准确率升至97%，H₂/(NH₃+H₂)升至96%，三元分类（H₂/NH₃/(NH₃+H₂)）升至87%（传统方法为77%），RH/(H₂+RH)分类升至94%。研究表明，该单传感器方案结合迁移学习可高精度区分H₂、NH₃及其混合物，无需传感器阵列，为小型化、低成本、CMOS兼容的电子鼻系统奠定基础。论文发表在《ACS Sensors》。

**主要关键技术方法**
1. **传感器制备**：采用180 nm SOI（Silicon-on-Insulator）技术，在Tower Semiconductors（以色列Migdal Haemak）按CMOS工艺制造EFN-FET器件，包括150 nm SOI层、6 nm SiO₂顶层介质、三个栅极（底部p-型Si背栅和两侧p⁺-型Si结栅），掺杂浓度分别为n型10¹⁷ cm^?3和p⁺型10¹⁹ cm^?3。随后通过电子束蒸发在顶层SiO₂表面沉积直径约1 nm的Pd纳米颗粒（沉积速率0.1 ?/s，无退火）。
2. **实验装置与气体暴露**：将传感器封装于陶瓷无引线芯片载体（CLCC84J50）并安装至定制密封金属气室（约74 cm³），连接精密质量流量控制器（MFCs）和半导体参数分析仪B1500A（Keysight）。以干燥空气为载气，总流量1000 sccm，通过调整目标气体流量实现不同浓度（H₂：8–500 ppm；NH₃：1–50 ppm；混合物：固定10 ppm NH₃与变化H₂；RH：42%）。传感器在暴露前经80 °C加热30分钟预处理，暴露时间15分钟以确保饱和响应。传感器响应定义为S(%) = (I_gas ? I₀)/I₀ × 100%。为生成“传感图”，在固定V_DS = 0.1 V下，扫描V_JG（?2.5 V至0.25 V，步长43 mV）和V_BG（?25 V至+25 V，步长5 V），记录绝对响应值并用对数刻度绘制二维等高线图。
3. **机器学习与迁移学习**：提取11个V_BG下的最大传感器响应作为特征向量，构成11维特征矩阵，每行对应一次气体暴露实例（含浓度和气体类型标签），使用StandardScaler归一化。传统ML算法（线性SVM、核SVM、决策树、随机森林、AdaBoost、梯度提升、极端随机树、K近邻、线性判别分析）以五折交叉验证评估。迁移学习采用预训练VGG-19网络，将传感器响应图转换为224×224像素的归一化图像（红-紫配色，红色近零响应、紫色最大响应），冻结除最后一层外的所有层，以批量大小4、学习率0.001、200周期训练，重复100次随机迭代取平均准确率。

**研究结果**
**Evaluation of Sensing Response to H₂, NH₃, and Mixture (NH₃ + H₂) and Generation of “Electrostatic Fingerprint”**
通过测量I_DS-V_JG特性，发现暴露于H₂、NH₃及混合物时曲线均向左偏移，表明电流增加（正栅效应）。不同V_BG下传感器响应值差异显著，形成独特的“静电指纹”。NH₃的响应归因于其孤对电子向Pd表面给电子，降低Pd功函数，改变SiO₂/Si界面能带弯曲。混合物暴露时，联合效应使响应值高于单一气体同等浓度下的响应值。

**“Electrostatic Fingerprint” in RH and (H₂ + RH) Conditions**
在42% RH条件下，传感器对H₂的响应较干燥空气中降低，尤其在V_BG > 0 V时，而V_BG < 0 V时响应增强，该现象机制尚需进一步研究。最大传感器响应值在RH环境下减小，表明水分子与H₂竞争吸附位点。

**Implementation of Principal Component Analysis (PCA) and ML Algorithms**
主成分分析（PCA）显示前三个主成分分别解释H₂/NH₃数据集87%方差和三元数据集93%方差，但二维/三维散点图无法清晰分离聚类，尤其在混合物存在时重叠严重。表明单纯PCA不足以实现可视化区分。随后应用九种ML算法：线性SVM在H₂与NH₃分类中达93.94%准确率，在H₂与混合物分类中达~94%；AdaBoost在NH₃与混合物分类中达88%；极端随机树、随机森林和核SVM在RH与(H₂+RH)分类中达90%。但三元分类（H₂/NH₃/(NH₃+H₂)）最佳准确率仅为77%（LDA），表明传统方法受限于手动特征提取。

**Implementation of Transfer Learning Using the VGG-19 Neural Network**
将传感器响应图（二维等高线图，横轴V_JG，纵轴V_BG）归一化为图像，输入预训练VGG-19网络。迁移学习后：H₂/NH₃分类准确率从94%提升至97%；H₂/(NH₃+H₂)从~94%提升至96%；三元分类从77%提升至87%；RH/(H₂+RH)从90%提升至94%。混淆矩阵显示纯H₂分类准确率92.9%，纯NH₃为80.1%，混合物为85.0%。训练与验证损失曲线平滑，表明模型未过拟合。

**总结与结论**
研究结论部分原文翻译如下：研究人员已证明使用单个Pd-EFN传感器能够选择性检测低浓度的氢气（H₂）、氨气（NH₃）及其混合物。EFN传感器独特的多栅静电控制能力使不同气体产生不同的“静电指纹”，即使在复杂气体环境中也能实现高选择性检测。研究人员实施了监督机器学习算法，在区分H₂和NH₃时达到高达94%的分类准确率。通过采用VGG-19模型的迁移学习，分类准确率提升至97%，展示了深度学习在选择性气体传感中的优势。利用迁移学习区分两种气体及其混合物时，分类准确率（约87%）也优于标准ML模型（77%）。该模型还成功以94%准确率区分RH和(H₂+RH)，证明其在真实潮湿条件下选择性检测H₂的有效性。该方法消除了对多个传感器的需求，显著降低了成本和占用面积。因此，EFN为基于CMOS兼容的单传感器电子鼻铺平了道路，能够高精度地区分单一气体及其混合物。该成果发表于《ACS Sensors》。