基于机器学习的基于pH敏感纳米线 (SiNW) 的建模,用于离子敏感场效应晶体管 (ISFET)

科学领域:

• 材料科学 材料科学 材料科学
• 纳米技术 纳米技术
• 传感器技术 传感器技术

背景情况:

• 基于纳米线 (SiNW) 的离子敏感场效应晶体管 (ISFET) 传感器提供了便携性和低成本等优势.
• 预测SiNW-ISFET传感器的性能仍然是一个挑战,研究有限.
• 现有的SiNW-ISFET传感器面临着需要解决的性能限制.

研究的目的:

• 为了预测基于纳米线 (SiNW) 的ISFET传感器的性能.
• 评估机器学习技术对SiNW-ISFET传感器性能预测的有效性.
• 为准确的传感器性能预测确定最有效的机器学习模型.

主要方法:

• 使用了四种机器学习技术:多层感知子 (MLP),非线性回归 (NLR),支向量回归 (SVR) 和额外树回归 (ETR).
• 通过使用来自SiNW-ISFET传感器的实验测量来训练和验证机器学习算法.
• 比较了所使用的机器学习模型的预测性能.

主要成果:

• 与MLP,NLR和SVR相比,额外树回归 (ETR) 显示出更好的预测能力.
• ETR实现了1 × 10-3 mA的低根平均平方误差 (RMSE).
• ETR显示了0.9999725的高确定系数 (R^{2) ,表明了出色的预测准确性.}

结论:

• 机器学习,特别是ETR,可以准确预测SiNW-ISFET传感器的性能.
• 这种预测方法有助于克服和纠正与SiNW-ISFET传感器相关的现有问题.
• 该研究提供了一种可靠的方法来预测传感器性能,推进SiNW-ISFET技术.