Artigo de método

Procedimento experimental baseado em robótica para desenvolvimento de sensoriamento de gás colorimétrico

DOI:

10.3791/67940

⸱

28 de fevereiro de 2025

 ,  ,  ,  ,  , 
1School of Computer and Information Technology, Beijing Jiaotong University, 2Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, 3Zhejiang Lab, 4Faculty of Materials Science and Energy Engineering, Shenzhen University of Advanced Technology, 5College of Electrical and Electronic Engineering, Wenzhou University

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aqui, apresentamos um protocolo para desenvolver sensores de gás colorimétricos usando uma abordagem baseada em robótica Design-Build-Test-Learn (DBTL). Este protocolo integra automação de alto rendimento, aprendizado de máquina e otimização multiobjetivo para descobrir e otimizar com eficiência formulações de sensores para detectar gases como CO2, permitindo um desenvolvimento de sensor rápido, econômico e preciso.

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este trabalho apresenta um programa experimental baseado em robô com o objetivo de desenvolver um sensor de gás colorimétrico eficiente e rápido. O programa emprega uma abordagem automatizada de aprendizado de design-construção-teste (DBTL), que otimiza o processo de busca iterativamente enquanto otimiza várias receitas para diferentes intervalos de concentração do gás. Em cada iteração, o algoritmo gera um lote de sugestões de receita com base em várias funções de aquisição e, com o aumento do número de iterações, os valores da função objetivo ponderada para cada intervalo de concentração melhoram significativamente.

O método DBTL começa com a inicialização do parâmetro, configurando o ambiente de hardware e software. Os testes de linha de base estabelecem padrões de desempenho. Posteriormente, o método DBTL projeta a próxima rodada de otimização com base na proporção de receitas em cada rodada e testa o desempenho iterativamente. A avaliação de desempenho compara os dados de linha de base para avaliar a eficácia do método DBTL. Se a melhoria de desempenho não atender às expectativas, o método será executado iterativamente; Se os objetivos forem alcançados, o experimento é concluído. Todo o processo maximiza o desempenho do sistema por meio do processo de otimização iterativa DBTL.

Em comparação com o processo tradicional de desenvolvimento manual, o método DBTL adotado por este processo experimental usa otimização multiobjetivo e vários algoritmos de aprendizado de máquina. Depois de definir os limites superior e inferior do volume do componente, o método DBTL otimiza dinamicamente os experimentos iterativos para obter a proporção ideal com o melhor desempenho. Este método melhora muito a eficiência, reduz custos e funciona com mais eficiência dentro do espaço variável de várias formulações ao encontrar a receita ideal.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

As aplicações práticas dos sensores de gás são muito extensas e têm sido usadas em vários campos, como monitoramento ambiental, aeroespacial e tratamento de gases residuais 1,2,3. O princípio de funcionamento dos sensores de gás normalmente depende de vários mecanismos, como eletroquímica, cromatografia gasosa e óptica. Entre muitos mecanismos de detecção, um baseado na mudança de cor evoluiu para um mecanismo ácido-base que se destaca de forma única. Devido ao seu baixo custo e aplicação simples, é amplamente utilizado no projeto de muitos sensores de gás portáteis e descartáveis, como os sensores de CO2 1,4,5. Este tipo de sensor usa a mudança de cor de certos produtos químicos para detectar concentrações de gás. Quando a concentração de gás muda, faz com que o material do sensor experimente reações químicas, como complexação iônica ou mudanças de cor do indicador, levando à mudança na cor do corante sensível ao gás6. Ao detectar e analisar as mudanças de cor, a concentração do gás pode ser medida indiretamente. Enquanto isso, apesar das vantagens de baixo custo e portabilidade, esse tipo de sensor ainda apresenta algumas deficiências, como um longo ciclo de desenvolvimento e baixa eficiência 7,8,9. Ao mesmo tempo, os métodos tradicionais de projeto de sensores lutam para atender a várias características de detecção simultaneamente, como atingir o tempo de resposta necessário, reversibilidade e limite de detecção. Sob o paradigma tradicional de pesquisa e desenvolvimento, essas dificuldades dificultam severamente a produção e a aplicação generalizada de sensores de gás colorimétricos.

Em resposta aos desafios mencionados acima em pesquisa e desenvolvimento sob demanda, a tecnologia de sensor colorimétrico desenvolvida por meio desse processo experimental pode resolver algumas das deficiências do sensoriamento de gás tradicional. Ao empregar uma abordagem iterativa de aprendizado de Design-Build-Test-Learning (DBTL)10,11, a eficiência do desenvolvimento de sensores pode ser significativamente melhorada, reduzindo assim o tempo de pesquisa e desenvolvimento e atendendo efetivamente às necessidades de pesquisa e desenvolvimento 1,12. Em uma configuração típica de desenvolvimento DBTL, o desenvolvimento de novos materiais é considerado um ciclo de feedback iterativo. O loop contém quatro etapas principais: 1. Design dos parâmetros de otimização, alvos e amostra do espaço de parâmetros para um experimento de teste; 2. Construa as amostras dos parâmetros selecionados; 3. Teste o valor alvo para as amostras construídas; 4. Análise de aprendizado de máquina do feedback do alvo para orientar a seleção dos próximos parâmetros do lote. Nesse processo iterativo, a plataforma de experimentos de alto rendimento que permite a rápida construção e teste de amostras e os algoritmos de aprendizado de máquina são os principais componentes. A plataforma automatizada de testes de alto rendimento pode testar simultaneamente até 384 unidades de detecção, coletando uma grande quantidade de dados de resposta de alta qualidade. Ao utilizar algoritmos de aprendizado de máquina 13,14,15,16,17, como otimização bayesiana multiobjetivo, várias métricas de detecção das unidades de detecção (por exemplo, sensibilidade, tempo de resposta e reversibilidade) podem ser otimizadas simultânea e automaticamente, melhorando assim o desempenho geral de várias características de detecção. As receitas da unidade de detecção geradas pelo algoritmo de otimização podem alcançar a detecção quantitativa da concentração de CO2 sem calibração individual, e a métrica de erro quadrático médio (RMSE) também pode atender aos indicadores necessários.

Nosso programa é um procedimento experimental desenvolvido com base no sensoriamento colorimétrico de gases (veja a Figura 1 para o fluxograma). Com o desenvolvimento de laboratórios autônomos, a abordagem DBTL automatizada mostrou excelentes perspectivas devido à sua alta eficiência, velocidade e repetibilidade 5,12. O processo de desenvolvimento manual tradicional envolve o ajuste de uma variável por vezO processo de desenvolvimento manual tradicional envolve o ajuste de uma variável de cada vez, seguido pela modificação de outra variável para otimizar o parâmetro de destino e alcançar o resultado desejado. As principais desvantagens desse processo incluem baixa eficiência em experimentos manuais, suscetibilidade a erros humanos, dificuldade em gerenciar variáveis multidimensionais em cenários complexos de alta dimensão e uma tendência a ficar preso em ótimos locais. Comparado com o processo de desenvolvimento manual, o método DBTL adotado neste programa experimental usa robótica combinada com algoritmos avançados de aprendizado ativo, como otimização bayesiana multiobjetivo. A otimização bayesiana é uma abordagem probabilística para otimizar funções objetivo caras de avaliar15,18. Ele constrói um modelo substituto, geralmente um processo gaussiano, para aproximar a função objetivo e usa uma função de aquisição para decidir o próximo ponto a ser amostrado. A função de aquisição equilibra a exploração (pesquisa de regiões menos amostradas) e a exploração (refinamento de regiões conhecidas de alto desempenho) para encontrar com eficiência o máximo ou mínimo global. Esse método é particularmente útil em espaços de pesquisa não convexos e de alta dimensão, onde as técnicas tradicionais de otimização têm dificuldades. Depois de definir aproximadamente os limites superior e inferior do conteúdo do componente, ele otimiza dinamicamente os experimentos para obter a proporção ideal com o melhor desempenho iterativamente. Este método melhora muito a eficiência e reduz custos e funciona com mais eficiência dentro do espaço multivariável para desenvolver a receita ideal 5,12.

O objetivo geral deste artigo é estabelecer um procedimento experimental baseado no método DBTL automatizado por meio de várias tecnologias de computador, como aprendizado de máquina, otimização bayesiana multi-objeto e plataformas de teste experimental, incluindo a plataforma automatizada de manuseio de líquidos e a plataforma de teste de gás de alto rendimento. Isso permitirá o projeto e a pesquisa de sensores de gás colorimétricos. A plataforma personalizada do robô de manuseio de líquidos "Opentrons OT-2" é usada para concluir experimentos de acordo com as configurações do programa, realizando automaticamente etapas como síntese de receitas, mistura e imersão. A plataforma caseira de teste de gás de alto rendimento é usada para teste de gás e leitura de sensores colorimétricos de maneira de alto rendimento, controlando com precisão as concentrações de gases alvo e registrando as mudanças de cor das unidades de detecção em tempo real. Comparado com outros sistemas experimentais projetados com base em DBTL, este sistema tem um custo de hardware relativamente baixo. Simultaneamente, abordamos parcialmente os aspectos da tarefa que envolvem erro humano por meio de uma abordagem semiautomatizada. fornecendo o máximo benefício marginal, mantendo as vantagens do design DBTL.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Experiência preliminar (teste de viabilidade)

NOTA: Com base no artigo8 de Zhang, as variáveis relevantes dos sensores colorimétricos químicos para o gás alvo, como dióxido de carbono, podem ser selecionadas. Antes de realizar a otimização sob demanda das formulações de sensores colorimétricos, um experimento preliminar usando os seguintes procedimentos pode ser conduzido para estabelecer o espaço variável.

  1. Determine a faixa de concentração do gás alvo e estabeleça uma configuração de teste de gás.
    NOTA: A concentração do gás alvo dentro da configuração de teste de gás aumenta linearmente ou exponencialmente.
  2. Antes e depois do fluxo de cada concentração do gás alvo, purgar o sistema de ensaio com azoto. Manter a relação entre o tempo de escoamento do azoto e o gás alvo em 1:1.
    NOTA: Se a concentração do gás alvo for <1 ppm, o tempo de fluxo é de ~ 10 min; Se a concentração de gás alvo for ≥1 ppm, o tempo de fluxo é de ~5 min.
  3. Preparar as soluções-fonte das variáveis com concentrações adequadas à solução com base em factores como a saturação e a viscosidade.
    NOTA: Geralmente, é aconselhável manter a maior concentração possível das soluções de origem.
  4. Defina o volume total da solução da formulação do sensor colorimétrico para 400 μL; Em seguida, defina a faixa de volume para cada solução de origem das variáveis de acordo com a literatura.
    NOTA: As faixas de volume para as soluções de origem de corantes são geralmente entre 0 μL e 200 μL, enquanto as faixas de volume para outras soluções de origem são geralmente entre 0 μL e 100 μL. O intervalo de amostragem da solução de origem é de ~ 25 μL.
  5. Gere um lote de 96 formulações por meio de funções de amostragem aleatória para verificar a viabilidade de detectar o gás alvo usando colorimetria química.
  6. Carregue o arquivo de formulação do sensor colorimétrico, a solução de origem, as pontas, a placa de 96 poços e a membrana de PTFE no manipulador de líquidos e gere sequencialmente números de informações de identidade independentes (Figura 2).
  7. Defina o manipulador de líquidos para o modo de simulação para imitar a operação de sintetizar formulações de sensores colorimétricos, como aspiração, dispensação, agitação e gotejamento de líquidos (Figura 3).
  8. Se não houver erros no estado de simulação, defina o manipulador de líquidos para o experimento e comece a automatizar a síntese de sensores colorimétricos.
    NOTA: O código para automatizar o processo é desenvolvido com base no pacote de software de código aberto "Opentrons". Espera-se que a síntese de sensores colorimétricos leve de 3 a 6 horas.
  9. Coloque os sensores colorimétricos em um forno a 40 °C e aqueça por 50 min.
  10. Coloque os sensores colorimétricos secos na câmara de gás e verifique a uniformidade da iluminação no ambiente de teste e a estanqueidade da câmara de teste. Uma vez confirmado que não há problemas, use os controladores de fluxo de massa (MFC) para controlar automaticamente as taxas de fluxo do gás analito (com concentração ca) e nitrogênio (concentração cn), executando a configuração de teste de gás. Suponha que a vazão geral do gás seja S em volume/min e a concentração do analito alvo seja c. os caudais do gás analito MFC e do azoto MFC em volume/min são
    figure-protocol-1(1)
    figure-protocol-2(2)
  11. Durante o processo de fluxo, posicione uma câmera acima da câmara de gás para tirar uma foto a cada 5 s para registrar as mudanças de cor dos sensores colorimétricos (Figura 4).
    NOTA: Espera-se que o teste de fluxo seja concluído em aproximadamente 2 h.
  12. Observe que o computador carrega as imagens capturadas em ordem cronológica, extrai os valores de cor RGB de cada sensor colorimétrico em cada imagem e, em seguida, calcula as diferenças em relação à cor da linha de base medida antes da exposição ao gás alvo, plotando assim uma figura de variação de cor dos sensores colorimétricos ao longo do tempo de fluxo. A fórmula para calcular a diferença de cor ΔE é mostrada como Eq (1):
    figure-protocol-3(3)
  13. Observe se há sensores colorimétricos exibindo mudanças significativas de cor no gás alvo e se os valores de mudança de cor aumentam em conjunto com um aumento na concentração do gás alvo. Em caso afirmativo, verifica-se a viabilidade do uso de sensores químicos colorimétricos para detectar o gás alvo.
  14. Com base nos resultados pré-experimentais, ajustar os limites superior e inferior das soluções-fonte das variáveis e remover as soluções-fonte que têm um efeito insubstancial.

2. Utilize uma plataforma experimental robótica para conduzir o processo de otimização iterativa Design-Build-Test-Learn (DBTL)

  1. Design: Configure funções multiobjetivo e gere formulações de sensores colorimétricos.
    1. Configure uma função multiobjetivo para calcular a pontuação de avaliação ponderada para vários algarismos de mérito dos sensores colorimétricos (Figura 5).
      NOTA: O detalhe da pontuação de avaliação ponderada pode ser encontrado na referência1.
    2. Se a otimização DBTL estiver na rodada inicial, gere aleatoriamente 96 formulações iniciais de sensores colorimétricos e crie uma ID de campanha para essa tarefa de otimização.
    3. Se o DBTL estiver na segunda rodada ou em rodadas posteriores, projete o próximo lote de 96 formulações de sensores colorimétricos usando diferentes funções de aquisição (como Limite de Confiança Superior, Probabilidade de Melhoria e Melhoria Esperada). Além disso, ajuste os hiperparâmetros da função de aquisição em cada rodada. Geralmente, κ como o hiperparâmetro para UCB, com um valor não superior a 5 e figure-protocol-4 serve como hiperparâmetro para EI e POI, que diminui gradualmente para perto de 0 à medida que as iterações de otimização aumentam. As três equações a seguir (4), (5) e (6), respectivamente, ilustram as funções de aquisição para UCB, EI e POI:
      figure-protocol-5(4)
      figure-protocol-6(5)
      figure-protocol-7(6)
      Onde μ(x) é a média; σ(x) é a variância; κ,figure-protocol-8 são parâmetros que equilibram exploração e exploração, controlados pela rodada de iteração e taxa de decaimento; f(x) é a pontuação de avaliação ponderada; fcurrentMax é a pontuação de avaliação ponderada mais alta atual.
    4. Depois de gerar formulações de sensores colorimétricos em cada rodada não inicial, observe se essas formulações de sensores colorimétricos exibem altas expectativas ou alta incerteza. Caso contrário, repita a operação do passo 2.1.3. Em caso afirmativo, execute a etapa de compilação.
  2. Build: sintetize automaticamente sensores colorimétricos. Consulte os detalhes nas etapas 1.7 a 1.10.
  3. Teste: Deixe o teste automatizado de sensores colorimétricos prosseguir. Veja detalhes nas etapas 1.11-1.13.
  4. Aprenda: Ajuste o modelo substituto
    1. Use as variáveis de formulação do sensor colorimétrico e suas pontuações de avaliação ponderadas como entrada e saída do modelo substituto, respectivamente.
    2. Use uma regressão de processo gaussiano com a função média para k(xi, x j) e a função de covariância (kernel) k(xi, xj) para ajustar o modelo substituto.
      NOTA: A Figura 6 mostra o modelo substituto para variáveis unidimensionais e bidimensionais. No algoritmo de ajuste do processo gaussiano desenvolvido, um kernel de Matérn anisotrópico combinado com um kernel de ruído branco (veja as duas equações a seguir, Eq (7) e Eq (8)) é escolhido para garantir a generalidade da função do kernel.
      figure-protocol-9(7)
      figure-protocol-10(8)
  5. Critérios de terminação de otimização: Observe que a otimização DBTL é interrompida quando o número de iterações atinge um valor predefinido ou quando não há melhoria significativa nas pontuações ponderadas dos sensores colorimétricos gerados.

3. Construção e caracterização do conjunto de sensores colorimétricos ideal

  1. Para os seis intervalos de concentração do gás alvo, realizar n campanhas de otimização DBTL para descobrir seis formulações de sensores colorimétricos globalmente ideais ou quase ideais. Dentro de cada intervalo de concentração, a formulação otimizada do sensor colorimétrico exibe a pontuação de avaliação ponderada mais alta no teste de gás alvo.
  2. Utilize o manipulador de líquidos para construir aproximadamente as matrizes de sensores colorimétricos compostas pelas seis formulações de sensores colorimétricos otimizadas. As etapas 1.7-1.10 detalham a operação específica usando o manipulador de líquidos.
  3. Ensaio de prazo de validade:
    1. Construa 14 matrizes de sensores colorimétricos e divida-os em dois grupos. Conservar um grupo em estado aberto a 25 °C e o outro no vácuo.
    2. Mantenha condições de teste consistentes e realize testes de resposta diários durante um período de 7 dias para avaliar o impacto das duas condições de armazenamento no desempenho do conjunto de sensores colorimétricos, inferindo assim a vida útil em ambas as estratégias de armazenamento.

4. Calibração do conjunto de sensores colorimétricos

  1. Para a construção de uma matriz de sensores colorimétricos, consulte os detalhes nas etapas 3.1 a 3.2.
  2. Amostragem de dados:
    1. Selecione 5-10 valores de concentração em intervalos iguais para cada faixa de concentração do gás alvo, com um total de não menos que 20 concentrações diferentes.
    2. Exponha a matriz de sensores colorimétricos ao gás alvo de acordo com o valor de concentração em ordem crescente ou decrescente e registre os valores de resposta da matriz de sensores colorimétricos.
      NOTA: Cinco a 10 ciclos de CO2/N2 foram necessários para cada concentração de CO2 .
  3. Registro de dados de detecção: Depois de expor ao gás alvo em várias concentrações por 5 ou 10 min, extraia os valores dos canais R, G e B de n sensores colorimétricos do conjunto de sensores colorimétricos como recursos para inserir no modelo de calibração. O vetor de feição contém 3 × n dimensões.
  4. Divisão do conjunto de dados: Com base no número de concentrações do gás alvo, divida os dados de resposta em diferentes concentrações no conjunto de treinamento, conjunto de validação e conjunto de teste em uma proporção de 7:1,5:1,5.
  5. Treinamento de modelo: primeiro, use os pacotes Python, como scikit-learn e torch, para construir quatro modelos de regressão de aprendizado de máquina para calibração: Ridge, Random Forest, Xgboost e Deep Neural Network. Em seguida, defina a raiz quadrada média do erro como a função de perda. Por fim, carregue o conjunto de dados e comece a treinar o modelo de calibração.
  6. Seleção de modelo: valide o desempenho dos quatro modelos de regressão de aprendizado de máquina usando o conjunto de validação e selecione o modelo com a menor raiz do erro quadrático médio como o modelo de calibração final.
  7. Teste de modelo: Use o conjunto de teste para realizar um teste de desempenho no modelo de calibração final, avaliando o desempenho do conjunto de sensores colorimétricos e o modelo de calibração para análise quantitativa do gás alvo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Um exemplo típico dessa configuração experimental é o "Wide-Range High-Sensitivity Colorimetric CO2 Sensor Array"12. Primeiro, o experimento gera um gráfico baseado na mudança no ΔE ao longo do tempo em uma concentração fixa de CO2 após a otimização multiobjetivo bayesiana (Figura 7A). Com base em seu tempo de resposta ruim, ΔE e reversibilidade, desnecessário 1 (tempo de resposta lento), desnecessário 2 (não responsivo) e desnecessário 3 (desvio...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este artigo propõe um projeto experimental que pode desenvolver sensores de gás colorimétricos com mais rapidez e precisão. Este processo experimental pode ser usado para desenvolver sensores colorimétricos para vários gases, como umidade, CO2 e amônia 1,4,5. Através do método desta plataforma, ela pode atender às necessidades de usuários com várias preferências, como alta sensibilida...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores não têm conflitos de interesse a declarar.

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este trabalho é apoiado pela Fundação de Ciências Naturais da Província de Zhejiang (LQ24F040006) e pelo fundo inicial da Universidade de Tecnologia Avançada de Shenzhen.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Placa de poço profundo de 96 poçosNESTNEST 2 mL Placa de poço profundo de 96 poços, placa de PCR de 96 poços inferior
NESTNEST 0,1 mL Placa
cresol redsigma aldrich1.05225Corantes para reagentes colorimétricos
Ethylcellulosesigma aldrich200689Corantes para reagentes colorimétricos
Ethyl celluloseAladdinaditivaE110670-100g
usada para gravar mudançasde
Manipulador líquidoOpentronsOT2manipulador de fluxo
de massa Controlador de fluxo de massaASERT AST10-DLCMX-500C-042-A2B2-48VYusado no controle de misturas de gases de analitos
M-cresol roxosigma aldrich1.05228Corantes para reagentes colorimétricos
Pontas Opentrons OT-2 PontasOpentronsOT-2, 300µ L
Opentrons OT-2 PontasOpentronsOT-2 Pontas, 20µ L
vermelho de fenolsigma aldrich1.07241Corantes para reagentes colorimétricos
polietilenoglicolsigma aldrichP1458Corantes para reagentes colorimétricos
Filme de PTFEProdutos Especiais InterestadualPM15MPTFE mambrane
Hidróxido de tetrabutilamôniosigma aldrich86854Base para reagentes
colorimétricosAzul de timolsigma aldrich1.08176Corantes para reagentes colorimétricos
em Vde PCR de 96 poços Câmera industrial HKVision MV-CS060-10UM/C-PRO de cor

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chen, Y., et al. Robot-accelerated development of a colorimetric CO2 sensing array with wide ranges and high sensitivity via multi-target Bayesian optimizations. Sensors and Actuators B: Chemical. 390, 133942(2023).
  2. Cho, S. H., Suh, J. M., Eom, T. H., Kim, T., Jang, H. W. Colorimetric sensors for toxic and hazardous gas detection: A review. Electron Mater Lett. 17 (1), 1-17 (2021).
  3. Li, Z., Askim, J. R., Suslick, K. S. The optoelectronic nose: Colorimetric and fluorometric sensor arrays. Chem Rev. 119 (1), 231-292 (2019).
  4. Ai, Z., et al. On-demand optimization of colorimetric gas sensors using a knowledge-aware algorithm-driven robotic experimental platform. ACS Sens. 9 (2), 745-752 (2024).
  5. Ai, Z., et al. Customizable colorimetric sensor array via a high-throughput robot for mitigation of humidity interference in gas sensing. ACS Sens. 9 (8), 4143-4153 (2024).
  6. Evyapan, M., Dunbar, A. D. F. Improving the selectivity of a free base tetraphenylporphyrin based gas sensor for NO2 and carboxylic acid vapors. Sensors and Actuators, B: Chemical. 206, 74-83 (2015).
  7. Liu, B., Zhuang, J., Wei, G. Recent advances in the design of colorimetric sensors for environmental monitoring. Environ Sci: Nano. 7 (8), 2195-2213 (2020).
  8. Zhang, Y., Lim, L. -T. Colorimetric array indicator for NH3 and CO2 detection. Sensors and Actuators B: Chemical. 255, 3216-3226 (2018).
  9. Xu, W., et al. Non-destructive determination of beef freshness based on colorimetric sensor array and multivariate analysis. Sensors and Actuators B: Chemical. 369, 132282(2022).
  10. Abolhasani, M., Kumacheva, E. The rise of self-driving labs in chemical and materials sciences. Nat Synth. 2 (6), 483-492 (2023).
  11. Hickman, R. J., Bannigan, P., Bao, Z., Aspuru-Guzik, A., Allen, C. Self-driving laboratories: A paradigm shift in nanomedicine development. Matter. 6 (4), 1071-1081 (2023).
  12. Chen, Y., et al. Robot-assisted optimized array design for accurate multi-component gas quantification. Chem Eng J. 496, 154225(2024).
  13. Antonova, R., Rai, A., Li, T., Kragic, D. Bayesian optimization in variational latent spaces with dynamic compression. , (2019).
  14. Balandat, M., et al. BoTorch: A framework for efficient Monte-Carlo Bayesian optimization. , http://arxiv.org/abs/1910.06403 (2020).
  15. Frazier, P. I. A tutorial on Bayesian optimization. , (2018).
  16. Zhang, L., et al. Navigating the complexity of hybrid materials without structural dependency: PerovGNN as a map. Acta Materialia. 281, 120437(2024).
  17. Uplift modeling based on Graph Neural Network combined with causal knowledge. Wang, H., et al. Proceedings - 2024 IEEE Conference on Artificial Intelligence, CAI 2024, , 1487-1492 (2024).
  18. Häse, F., Roch, L. M., Kreisbeck, C., Aspuru-Guzik, A. Phoenics: A Bayesian optimizer for chemistry. ACS Cent Sci. 4 (9), 1134-1145 (2018).
  19. Wadekar, D., et al. Augmenting astrophysical scaling relations with machine learning: Application to reducing the Sunyaev-Zeldovich flux-mass scatter. Proc Natl Acad Sci U S A. 120 (12), e2202074120(2023).
  20. Han, N., Tian, Y., Wu, X., Chen, Y. Improving humidity selectivity in formaldehyde gas sensing by a two-sensor array made of Ga-doped ZnO. Sensors and Actuators, B: Chemical. 138 (1), 228-235 (2009).
  21. Bae, G., et al. Impact of a diverse combination of metal oxide gas sensors on machine learning-based gas recognition in mixed gases. ACS Omega. 6 (36), 23155-23162 (2021).
  22. Mahboubifar, M., Hemmateenejad, B., Jassbi, A. R. Evaluation of adulteration in distillate samples of Rosa damascena Mill using colorimetric sensor arrays, chemometric tools and dispersive liquid-liquid microextraction-GC-MS. Phytochem Anal. 32 (6), 1027-1038 (2021).
  23. Cao, Y., Yu, H., Abbott, N. L., Zavala, V. M. Machine learning algorithms for liquid crystal-based sensors. ACS Sens. 3 (11), 2237-2245 (2018).
  24. Mahata, B., Acharyya, S., Banerji, P., Guha, P. K. Assessment of fish adulteration using SnO2 nanopetal-based gas sensor and machine learning. Food Chem. 438, 138039(2024).
  25. Zhang, N., et al. Switchable operating modes enable low power consumption and improved gas sensing efficiency in MoS2/BP heterojunction. Sensors and Actuators B: Chemical. 396, 134620(2023).
  26. Amarbayasgalan, T., Pham, V. H., Theera-Umpon, N., Piao, Y., Ryu, K. H. An efficient prediction method for coronary heart disease risk based on two deep neural networks trained on well-ordered training datasets. IEEE Access. 9, 135210-135223 (2021).
  27. Xu, Q., Jiang, J. Recent development in machine learning of polymer membranes for liquid separation. Mol Syst Des Eng. 7 (8), 856-872 (2022).
  28. Kimani, S. W., et al. Discovery of a novel DCAF1 ligand using a drug-target interaction prediction model: Generalizing machine learning to new drug targets. J Chem Inf Model. 63 (13), 4070-4078 (2023).
  29. Xiao, J., Hobson, J., Ghosh, A., Haranczyk, M., Wang, D. Y. Flame retardant properties of metal hydroxide-based polymer composites: A machine learning approach. Composites Communications. 40, 101593(2023).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

Procedimento Experimental Rob ticoM todo DBTLOtimiza o AutomatizadaOtimiza o MultiobjetivoAlgoritmos de Aprendizado de M quinaOtimiza o de ReceitasAvalia o de DesempenhoExperimenta o IterativaDesenvolvimento de Sensores de G s
Vídeo em breve

Artigos relacionados