Análisis químico robusto con quimiosensores de grafeno y aprendizaje automático

Área de la Ciencia:

• Ciencias de los materiales
• Química analítica
• Ciencias de la computación

Sus antecedentes:

• Los transistores de efecto de campo sensibles a iones (ISFET) son cruciales para convertir las variaciones químicas en señales eléctricas.
• Los ISFET encuentran aplicaciones en el monitoreo ambiental, el cuidado de la salud y el control industrial.
• Los avances recientes de ISFET incluyen matrices funcionales y análisis de datos.

Objetivo del estudio:

• Demostrar la integración del aprendizaje automático con los datos de los sensores ISFET para una clasificación y cuantificación mejoradas.
• Explorar cómo el aprendizaje automático puede proporcionar una visión más profunda de la funcionalidad de ISFET.
• Para abordar desafíos prácticos como la variabilidad de los sensores para la adopción comercial de ISFET.

Principales métodos:

• Utilizando conjuntos de datos extensos generados por matrices ISFET basadas en grafeno no funcionalizadas.
• Entrenamiento de redes neuronales artificiales con datos ISFET.
• Aplicación de modelos predictivos para tareas de clasificación y cuantificación.

Principales resultados:

• Los modelos de aprendizaje automático distinguen con precisión el fraude alimentario, el deterioro y los problemas de seguridad utilizando datos ISFET.
• La integración mitiga las variaciones de ciclo a ciclo, de sensor a sensor y de chip a chip.
• Los modelos predictivos desarrollados ofrecen ideas más allá de la experiencia humana.

Conclusiones:

• La fusión de los ISFET basados en grafeno y el aprendizaje automático ofrece una poderosa plataforma para detectar cambios químicos y ambientales.
• Este enfoque permite obtener información rápida y basada en datos para una amplia gama de aplicaciones.
• La tecnología tiene el potencial de revolucionar la detección superando las limitaciones actuales.