Методическая статья

Роботизированная экспериментальная методика разработки колориметрического газового зондирования

DOI:

10.3791/67940

⸱

28 февраля 2025 г.

 ,  ,  ,  ,  , 
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

В этой статье

Краткое содержание

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

В этой статье мы представляем протокол разработки колориметрических газовых датчиков с использованием роботизированного подхода «Проектирование-Сборка-Тестирование-Обучение» (DBTL). Этот протокол сочетает в себе высокопроизводительную автоматизацию, машинное обучение и многокритериальную оптимизацию для эффективного обнаружения и оптимизации составов датчиков для обнаружения газов, таких как CO2, обеспечивая быструю, экономичную и точную разработку датчиков.

Аннотация

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

В данной работе представлена роботизированная экспериментальная программа, направленная на создание эффективного и быстрого колориметрического газового датчика. В программе используется автоматизированный подход «проектирование-строительство-тестирование-обучение» (DBTL), который оптимизирует процесс поиска итеративно, оптимизируя при этом несколько рецептов для различных интервалов концентрации газа. В каждой итерации алгоритм генерирует пакет предложений рецептов на основе различных функций сбора данных, и с увеличением числа итераций значения взвешенной целевой функции для каждого интервала концентрации значительно улучшаются.

Метод DBTL начинается с инициализации параметров, настройки аппаратной и программной среды. Базовые тесты устанавливают стандарты производительности. Затем метод DBTL разрабатывает следующий раунд оптимизации на основе доли рецептов в каждом раунде и итеративно проверяет производительность. При оценке производительности сравниваются исходные данные для оценки эффективности метода DBTL. Если повышение производительности не соответствует ожиданиям, метод будет выполняться итеративно; Если поставленные цели достигнуты, эксперимент завершается. Весь процесс обеспечивает максимальную производительность системы за счет процесса итерационной оптимизации DBTL.

По сравнению с традиционным процессом ручной разработки, метод DBTL, принятый в этом экспериментальном процессе, использует многокритериальную оптимизацию и различные алгоритмы машинного обучения. После определения верхнего и нижнего пределов объема компонента метод DBTL динамически оптимизирует итерационные эксперименты для получения оптимального соотношения с наилучшей производительностью. Этот метод значительно повышает эффективность, снижает затраты и работает более эффективно в пространстве переменных нескольких рецептур при поиске оптимального рецепта.

Введение

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

Практическое применение газовых датчиков очень обширно и используется в различных областях, таких как мониторинг окружающей среды, аэрокосмическая промышленность и очистка отходящих газов 1,2,3. Принцип работы газовых датчиков обычно опирается на несколько механизмов, таких как электрохимия, газовая хроматография и оптический. Среди многих механизмов обнаружения, один, основанный на изменении цвета, превратился в кислотно-щелочной механизм, который выделяется уникальным образом. Благодаря своей невысокой стоимости и простоте применения, он широко используется в конструкции многих портативных и одноразовых газовых датчиков, таких как датчики CO2 1,4,5. Этот тип датчика использует изменение цвета определенных химических веществ для обнаружения концентрации газа. Когда концентрация газа изменяется, это приводит к тому, что материал сенсора подвергается химическим реакциям, таким как ионное комплексообразование или изменение цвета индикатора, что приводит к изменению цвета газочувствительного красителя6. Обнаруживая и анализируя изменения цвета, концентрацию газа можно измерить косвенно. Между тем, несмотря на преимущества низкой стоимости и портативности, данный тип датчиков все же имеет некоторые недостатки, такие как длительный цикл разработки и низкий КПД 7,8,9. В то же время традиционные методы проектирования датчиков не могут одновременно удовлетворять нескольким характеристикам считывания, таким как достижение требуемого времени отклика, обратимость и предел обнаружения. В рамках традиционной парадигмы исследований и разработок эти трудности серьезно затрудняют производство и широкое применение колориметрических газовых датчиков.

В ответ на вышеупомянутые проблемы в области исследований и разработок по требованию, технология колориметрических датчиков, разработанная в рамках этого экспериментального процесса, может устранить некоторые недостатки традиционного зондирования газов. Используя итеративный подход «проектирование-сборка-тестирование-обучение» (DBTL)10,11, эффективность разработки датчиков может быть значительно повышена, тем самым сокращая время исследований и разработок и эффективно удовлетворяя потребности исследований и разработок 1,12. В типичной схеме разработки DBTL разработка новых материалов рассматривается как итеративный цикл обратной связи. Цикл содержит четыре ключевых этапа: 1. Проектирование параметров оптимизации, целей и выборка пространства параметров для пробного эксперимента; 2. Построить образцы выбранных параметров; 3. Протестируйте целевое значение для построенных образцов; 4. Анализ целевой обратной связи с помощью машинного обучения для выбора параметров следующей партии. В этом итерационном процессе ключевыми компонентами являются высокопроизводительная экспериментальная платформа, которая позволяет быстро создавать и тестировать образцы, а также алгоритмы машинного обучения. Автоматизированная платформа для тестирования с высокой пропускной способностью может одновременно тестировать до 384 сенсорных блоков, собирая большое количество высококачественных данных отклика. Используя алгоритмы машинного обучения 13,14,15,16,17, такие как многокритериальная байесовская оптимизация, можно одновременно и автоматически оптимизировать несколько сенсорных метрик сенсорных блоков (например, чувствительность, время отклика и обратимость), тем самым улучшая общую производительность различных сенсорных характеристик. Рецепты сенсорных блоков, сгенерированные алгоритмом оптимизации, могут обеспечить количественное определение концентрацииCO2 без индивидуальной калибровки, а метрика среднеквадратичной ошибки (RMSE) также может соответствовать требуемым показателям.

Наша программа представляет собой экспериментальную процедуру, разработанную на основе колориметрического зондирования газа (см. схему процесса на рисунке 1). С развитием автономных лабораторий автоматизированный подход DBTL показал отличные перспективы благодаря своей высокой эффективности, скорости и повторяемости 5,12. Традиционный процесс ручной разработки включает в себя корректировку одной переменной за раз, а затем изменение другой переменной для оптимизации целевого параметра и достижения желаемого результата. К основным недостаткам этого процесса можно отнести низкую эффективность ручных экспериментов, подверженность человеческим ошибкам, сложность управления многомерными переменными в сложных сценариях большой размерности и тенденцию застревать в локальных оптимизмах. По сравнению с ручным процессом разработки, метод DBTL, принятый в этой экспериментальной программе, использует робототехнику в сочетании с передовыми алгоритмами активного обучения, такими как многокритериальная байесовская оптимизация. Байесовская оптимизация является вероятностным подходом к оптимизации дорогостоящих для вычисления целевых функций15,18. Он строит суррогатную модель, часто гауссов процесс, для аппроксимации целевой функции и использует функцию сбора данных для определения следующей точки для выборки. Функция сбора данных балансирует между разведкой (поиском менее отобранных регионов) и эксплуатацией (уточнением известных регионов с высокой производительностью) для эффективного поиска глобального максимума или минимума. Этот метод особенно полезен в многомерных, невыпуклых пространствах поиска, где традиционные методы оптимизации испытывают трудности. После приблизительного определения верхнего и нижнего пределов содержания компонентов он динамически оптимизирует эксперименты для получения оптимального соотношения с наилучшей производительностью итеративно. Этот метод значительно повышает эффективность и снижает затраты, а также работает более эффективно в многопараметрическом пространстве для разработки оптимальной рецептуры 5,12.

Общей целью данной статьи является создание экспериментальной процедуры, основанной на автоматизированном методе DBTL с помощью различных компьютерных технологий, таких как машинное обучение, многообъектная байесовская оптимизация и экспериментальные испытательные платформы, включая автоматизированную платформу для работы с жидкостями и платформу для тестирования газов с высокой пропускной способностью. Это позволит проектировать и исследовать колориметрические газовые датчики. Специализированная роботизированная платформа для работы с жидкостями "Opentrons OT-2" используется для выполнения экспериментов в соответствии с настройками программы, автоматически выполняя такие этапы, как синтез рецепта, смешивание и погружение. Самодельная высокопроизводительная платформа для тестирования газов используется для тестирования газов и считывания колориметрических датчиков с высокой пропускной способностью, точно контролируя концентрацию целевых газов и регистрируя изменения цвета сенсорных блоков в режиме реального времени. По сравнению с другими экспериментальными системами, разработанными на основе DBTL, эта система имеет относительно низкую стоимость оборудования. В то же время мы частично рассмотрели аспекты задачи, связанные с человеческими ошибками, с помощью полуавтоматического подхода. обеспечивая максимальную маржинальную выгоду при сохранении преимуществ конструкции DBTL.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

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

1. Предварительный эксперимент (технико-экономическое обоснование)

ПРИМЕЧАНИЕ: На основе статьи8 Чжана можно выбрать соответствующие переменные химических колориметрических датчиков для целевого газа, такого как углекислый газ. Перед выполнением оптимизации формулировок колориметрических сенсоров по требованию можно провести предварительный эксперимент с использованием следующих процедур для определения переменного пространства.

  1. Определите диапазон концентраций целевого газа и установите конфигурацию газовых испытаний.
    ПРИМЕЧАНИЕ: Концентрация целевого газа в конфигурации испытания газа увеличивается линейно или экспоненциально.
  2. До и после протекания каждой концентрации целевого газа продуйте испытательную систему азотом. Соотносьте время протекания азота к целевому газу на уровне 1:1.
    ПРИМЕЧАНИЕ: Если концентрация целевого газа составляет <1 ppm, время протекания составляет ~10 минут; Если целевая концентрация газа составляет ≥1 ppm, время протекания составляет ~5 минут.
  3. Подготовьте исходные растворы переменных с соответствующими раствором концентрациями на основе таких факторов, как насыщенность и вязкость.
    ПРИМЕЧАНИЕ: Как правило, рекомендуется поддерживать максимально возможную концентрацию исходных растворов.
  4. Установите общий объем раствора рецептуры колориметрического датчика равным 400 μл; Затем установите диапазон объема для каждого исходного решения переменных в соответствии с литературой.
    Примечание: Диапазоны объема для исходных растворов красителей обычно составляют от 0 до 200 литров, в то время как диапазоны объема для других исходных растворов обычно составляют от 0 до 100 литров. Интервал отбора проб исходного раствора составляет ~25 μл.
  5. Сгенерируйте партию из 96 составов с помощью функций случайной выборки, чтобы проверить возможность обнаружения целевого газа с помощью химической колориметрии.
  6. Загрузите файл формулировки колориметрического датчика, исходное решение, наконечники, 96-луночный планшет и мембрану из ПТФЭ в обработчик жидкости и последовательно сгенерируйте независимые идентификационные номера (рис. 2).
  7. Переведите манипулятор жидкости в режим моделирования , чтобы имитировать работу синтеза колориметрических сенсорных составов, таких как аспирация жидкости, диспенсирование, встряхивание и капание (рис. 3).
  8. Если ошибок в состоянии моделирования нет, установите обработчик жидкости на эксперимент и начните автоматизацию синтеза колориметрических датчиков.
    ПРИМЕЧАНИЕ: Код для автоматизации процесса разработан на основе программного комплекса с открытым исходным кодом "Opentrons". Ожидается, что синтез колориметрических датчиков займет 3-6 часов.
  9. Поместите колориметрические датчики в духовку при температуре 40 °C и нагревайте в течение 50 минут.
  10. Поместите высушенные колориметрические датчики в газовую камеру и проверьте равномерность освещения в испытательной среде и герметичность испытательной камеры. После подтверждения отсутствия проблем используйте контроллеры массового расхода (MFC) для автоматического управления расходом анализируемого газа (с концентрацией ca) и азота (с концентрацией cn), выполняя конфигурацию тестирования газа. Предположим, что общий расход газа равен S по объему/мин, а целевая концентрация аналита равна c. Расход анализируемого газа MFC и азота MFC по объему/мин составляет
    figure-protocol-1(1)
    figure-protocol-2(2)
  11. Во время проточного процесса расположите камеру над газовой камерой, чтобы каждые 5 с делать снимок, чтобы фиксировать изменения цвета колориметрических датчиков (рис. 4).
    ПРИМЕЧАНИЕ: Ожидается, что испытание на текучесть будет завершено примерно через 2 часа.
  12. Обратите внимание, что компьютер загружает захваченные изображения в хронологическом порядке, извлекает цветовые значения RGB от каждого колориметрического датчика на каждом изображении, а затем вычисляет различия относительно базового цвета, измеренного до воздействия целевого газа, тем самым отображая диаграмму изменения цвета колориметрических датчиков в течение протекающего времени. Формула для вычисления цветовой разницы ΔE отображается как эквалайзер (1):
    figure-protocol-3(3)
  13. Наблюдайте, существуют ли колориметрические датчики, демонстрирующие значительные изменения цвета целевого газа и увеличиваются ли значения изменения цвета в связи с увеличением концентрации целевого газа. Если это так, то проверяется целесообразность использования химических колориметрических датчиков для обнаружения целевого газа.
  14. На основе предэкспериментальных результатов скорректировать верхнюю и нижнюю границы исходных решений переменных и исключить исходные решения, оказывающие несущественное влияние.

2. Использование роботизированной экспериментальной платформы для проведения процесса итерационной оптимизации Design-Build-Test-Learn (DBTL)

  1. Проектирование: настройка многоцелевых функций и генерация формулировок колориметрических датчиков.
    1. Настройте многоцелевую функцию для вычисления взвешенного оценочного балла для нескольких показателей добротности колориметрических датчиков (рис. 5).
      ПРИМЕЧАНИЕ: Подробную информацию о взвешенном оценочном балле можно найти в ссылке1.
    2. Если оптимизация DBTL находится в начальном раунде, то случайным образом генерируем 96 начальных колориметрических формулировок датчиков и создаем идентификатор кампании для этой задачи оптимизации.
    3. Если DBTL находится во втором или более позднем раундах, разработайте следующую партию из 96 формулировок колориметрических датчиков, используя различные функции сбора данных (такие как верхняя доверительная граница, вероятность улучшения и ожидаемое улучшение). Кроме того, выполните тонкую настройку гиперпараметров функции сбора данных в каждом раунде. Как правило, κ является гиперпараметром для UCB, со значением не более 5 и figure-protocol-4 служит гиперпараметром для EI и POI, который постепенно уменьшается до близкого к 0 значения по мере увеличения итераций оптимизации. Следующие три уравнения (4), (5) и (6) соответственно иллюстрируют функции сбора данных для UCB, EI и POI:
      figure-protocol-5(4)
      figure-protocol-6(5)
      figure-protocol-7(6)
      Где μ(x) – среднее значение; σ(x) — дисперсия; κ — параметры,figure-protocol-8 которые уравновешивают разведку и эксплуатацию, контролируемые округлением итераций и скоростью затухания; f(x) — взвешенный балл оценки; fcurrentMax — текущий наивысший взвешенный балл оценки.
    4. После создания колориметрических сенсорных формул в каждом неначальном раунде наблюдайте, демонстрируют ли эти колориметрические сенсорные формулы высокие ожидания или высокую неопределенность. Если нет, повторите операцию шага 2.1.3. Если это так, выполните этап сборки.
  2. Сборка: Автоматический синтез колориметрических датчиков. Подробнее см. в шагах 1.7-1.10.
  3. Тест: Продолжайте автоматизированное тестирование колориметрических датчиков. Подробнее см. в шагах 1.11-1.13.
  4. Обучение: Подгонка суррогатной модели
    1. Используйте переменные формулировки колориметрического датчика и их взвешенные оценочные баллы в качестве входных и выходных данных суррогатной модели соответственно.
    2. Используйте регрессию гауссова процесса с функцией среднего для k(xi, xj) и ковариационной функцией (ядро) k(xi, xj) для подгонки к суррогатной модели.
      ПРИМЕЧАНИЕ: На рисунке 6 показана суррогатная модель для одно- и двумерных переменных. В разработанном алгоритме подгонки гауссова процесса для обеспечения универсальности функции ядра выбрано анизотропное ядро Matérn в сочетании с ядром белого шума (см. следующие два уравнения, Eq (7) и Eq (8)).
      figure-protocol-9(7)
      figure-protocol-10(8)
  5. Критерии завершения оптимизации: Обратите внимание, что оптимизация DBTL останавливается, когда количество итераций достигает заданного значения или когда не происходит существенного улучшения взвешенных оценок сгенерированных колориметрических датчиков.

3. Построение и определение характеристик оптимальной колориметрической матрицы датчиков

  1. Для шести интервалов концентрации целевого газа проведите n кампаний по оптимизации DBTL, чтобы найти шесть глобально оптимальных или квазиоптимальных колориметрических сенсорных формулировок. В пределах каждого интервала концентрации оптимизированная колориметрическая формула датчика демонстрирует наивысшую взвешенную оценку при испытании целевого газа.
  2. Используйте манипулятор жидкости для создания примерно колориметрических сенсорных массивов, состоящих из шести оптимизированных колориметрических сенсорных формулировок. В шагах 1.7-1.10 подробно описана конкретная операция с использованием манипулятора жидкостей.
  3. Тестирование срока годности:
    1. Постройте 14 колориметрических сенсорных массивов и разделите их на две группы. Одну группу хранить в открытом состоянии при температуре 25 °C, а другую — в вакууме.
    2. Поддерживайте стабильные условия тестирования и выполняйте ежедневные тесты отклика в течение 7-дневного периода, чтобы оценить влияние двух условий хранения на производительность колориметрической матрицы датчиков, тем самым делая вывод о сроке годности при обеих стратегиях хранения.

4. Калибровка колориметрической матрицы датчиков

  1. О построении колориметрической матрицы сенсоров подробнее см. шаги 3.1-3.2.
  2. Выборка данных:
    1. Выберите 5-10 значений концентраций через равные промежутки времени для каждого диапазона концентраций целевого газа, всего не менее 20 различных концентраций.
    2. Подвергните колориметрическую сенсорную решетку воздействию целевого газа в соответствии со значением концентрации в порядке возрастания или убывания и запишите значения отклика колориметрической сенсорной матрицы.
      ПРИМЕЧАНИЕ: Для каждой концентрацииCO2 требовалось от пяти до 10 циклов CO2/N2.
  3. Запись данных зондирования: После воздействия на целевой газ в различных концентрациях в течение 5 или 10 минут извлеките значения R, G и B каналов n колориметрических датчиков из колориметрической матрицы датчиков в качестве элементов для ввода в калибровочную модель. Вектор признаков содержит 3 × n измерений.
  4. Разделение набора данных: Основываясь на количестве концентраций целевого газа, разделите данные отклика при разных концентрациях на обучающий набор, проверочный набор и тестовый набор в соотношении 7:1,5:1,5.
  5. Обучение модели: во-первых, используйте пакеты Python, такие как scikit-learn и torch, для создания четырех регрессионных моделей машинного обучения для калибровки: Ridge, Random Forest, Xgboost и Deep Neural Network. Затем установите среднеквадратичную ошибку в качестве функции потерь. Наконец, загрузите набор данных и начните обучение калибровочной модели.
  6. Выбор модели: проверьте производительность четырех регрессионных моделей машинного обучения с помощью проверочного набора и выберите модель с наименьшей среднеквадратической ошибкой в качестве окончательной калибровочной модели.
  7. Тестирование модели: Используйте тестовый набор для проведения эксплуатационных испытаний окончательной калибровочной модели, оценивая производительность колориметрической сенсорной матрицы и калибровочной модели для количественного анализа целевого газа.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

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

Типичным примером такой экспериментальной установки является «Широкодиапазонная высокочувствительная колориметрическая сенсорная матрица CO2 »12. Во-первых, в ходе эксперимента создается диаграмма, основанная на изменении ΔE с течением времени при фиксированной концентрацииCO2 после байесовской многокритериальной оптимизации (рис. 7A). Основываясь на низком времени отклика, ΔE и обратимости, ненужные 1 (медленное время отклика), необязательные 2 ...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

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

В данной статье предлагается экспериментальная конструкция, позволяющая быстрее и точнее разрабатывать колориметрические газовые датчики. Этот экспериментальный процесс может быть использован для разработки колориметрических датчиков для различных газов, таких как влажность, CO2 и аммиак 1,4,5. С помощью метода этой платформы он может удовлетворить потребности пользователей с различны...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

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

У авторов нет конфликта интересов, о котором можно было бы заявить.

Благодарности

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

Эта работа поддержана Фондом естественных наук провинции Чжэцзян (LQ24F040006) и стартап-фондом Шэньчжэньского университета передовых технологий.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
96-луночная глубокая пластинаNEST NEST2 мл 96-луночная глубокая скважинная пластина, V дно
96-луночная ПЦРпластина NESTNEST 0,1 мл 96-луночная ПЦР
пластина крезол красныйсигма олдрич1.05225Красители для колориметрических реактивов
Этилцеллюлозасигма альдрич200689Красители для колориметрических реактивов
ЭтилцеллюлозаАладдинE110670-100GАддитивная
промышленная камераHKVisionMV-CS060-10UM/C-PROиспользуется для записи изменения цвета
Обработчик жидкостиOpentronsOT2
Контроллер массового расходаASERTAST10-DLCMX-500C-042-A2B2-48VYиспользуется для контроля газовых смесей аналитов
m-cresol purplesigmaAldrich 1.05228Красители для колориметрических реактивов
Opentrons OT-2 TipsOpentronsOT-2 Tips, 300&микро; L
Наконечники Opentrons OT-2 НаконечникиOpentronsOT-2, 20&микро; L
фенол красныйсигма олдрич1.07241Красители для колориметрических реактивов
полиэтиленгликольсигма олдричP1458Красители для колориметрических реактивов
пленка ПТФЭ Межгосударственныеспециальные продуктыPM15MПТФЭ мамбрана
Тетрабутиламмония гидроксидсигма олдрич86854База для колориметрических реактивов
thymol bluesigma aldrich1.08176Красители для колориметрических реактивов

Ссылки

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

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Запросить разрешение на повторное использование текста или иллюстраций этой статьи JoVE

Запросить разрешение

Теги

DBTL
Видео скоро будет доступно

Похожие статьи