人工智能与MEMS技术协同，推动MOS气体传感器智能升级
2026-10-24 09:30:11 来源：麦姆斯咨询 评论：0 点击：
本文系统梳理了AI辅助MOS气体传感的最新进展，探讨了气敏材料在MEMS平台上实现高一致性集成的重要性，旨在阐明材料、微系统与算法之间的协同效应如何推动下一代自适应、低功耗和智能气体传感技术的发展。
在环境监测、食品安全、医疗诊断及工业安全等领域，可靠的痕量气体检测至关重要。金属氧化物半导体（MOS）气体传感器凭借结构简单、灵敏度高、成本低等优势，受到了广泛研究并得到了普遍应用，但传统MOS气体传感器通常面临工作温度高、功耗大、选择性不足、信号漂移以及器件一致性差等问题，限制了其在复杂环境与便携式设备中的应用。微机电系统（MEMS）、动态传感协议与人工智能（AI）的快速发展，为MOS气体传感性能提升提供了新的路径。
据麦姆斯咨询报道，针对该领域研究，南方科技大学汪飞教授团队在AI Sensors期刊上发表了题为“AI-Assisted MOS Gas Sensors: Sensing Materials, MEMS Platforms, Dynamic Operation, and Intelligent Applications”的综述文章，系统梳理了AI辅助MOS气体传感的最新进展，探讨了气敏材料在MEMS平台上实现高一致性集成的重要性，旨在阐明材料、微系统与算法之间的协同效应如何推动下一代自适应、低功耗和智能气体传感技术的发展。
MOS气体传感与MEMS微热板
MOS气体传感主要通过气体分子在材料表面的吸附与化学反应，引起半导体载流子分布及导电特性的变化。其气敏性能受能带排列、界面势垒、表面反应活性、耗尽层调制和气体扩散等因素影响，可通过构建异质结构、表面修饰或掺杂、控制晶粒尺寸及调节材料形貌等策略进行优化。
图1 MOS气敏性能的优化机制
MEMS微热板平台为降低MOS气体传感器功耗、加快热响应和提高温控精度提供了器件基础。典型的MEMS微热板集成介质薄膜、微加热器、电极与气敏区域，由微加热器提供局部加热，热隔离结构则有助于减少热量散失、降低功耗。该平台兼容平面半导体制造工艺，可支持晶圆级制造，并具备与信号处理电路单片集成的潜力。
图2 MEMS微热板结构与MOS气敏材料集成策略
晶圆级集成是将MOS材料性能转化为一致、可重复的器件响应的关键，可实现气敏材料的定位沉积、图形化及同一衬底上的批量制备。目前，MOS气敏材料的集成工艺正从手工或液滴沉积，向基于光刻图形化的晶圆级制备发展，以提高器件良率、气敏层均匀性和响应数据的一致性。
AI辅助气体传感数据处理
目前，用于气体传感的数据处理方法，已从低维特征提取和线性判别，发展至非线性建模、时序特征学习和端到端表征学习。其中，经典统计与模式识别方法主要用于数据降维、特征提取、分类、聚类及回归分析，代表算法包括主成分分析（PCA）、线性判别分析（LDA）、偏最小二乘回归（PLS）、模糊C均值聚类（FCM）和质心欧氏距离法（EDC）。传统机器学习方法通常适用于中小规模数据集，可结合人工提取的特征完成分类与回归任务，代表算法包括K近邻（KNN）、支持向量机（SVM）、决策树（DT）和随机森林（RF）。神经网络涵盖浅层模型与深度架构，常见模型包括多层感知机（MLP）、卷积神经网络（CNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）及Transformer模型等，其中深度架构可自动学习层级特征。
图3 用于气体传感数据分析的代表性算法
AI在MEMS MOS气体传感器中的应用策略
（1）单传感器性能增强
在单传感器层面，AI可从响应信号中提取瞬态变化、温度相关特征、信号导数及运行条件调制产生的特征，提高对不同气体的辨识能力，缓解传统MOS气体传感器选择性不足的问题。目前，AI辅助的单传感器性能增强研究已从单条响应曲线的特征提取，逐步拓展至多观测量融合、非线性分类，以及动态指纹与深度学习相结合的分析方法。
（2）气体传感器阵列与电子鼻系统
AI与MOS气体传感器阵列以及电子鼻系统的集成，为气体选择性问题提供了比单传感器路线更具系统性的解决方案。其选择性不再依赖单一高特异性材料，而是源于多个交叉敏感通道的集体响应。AI将部分重叠的输出信号转化为可区分的多维指纹，并进一步结合时序表征，实现气体分类、定量检测与状态预测。
图4 MOS气体传感器阵列与电子鼻系统的AI辅助策略
（3）温度调制与AI辅助分析
温度调制可产生与气体种类相关的电导瞬态响应，提供更丰富的动态特征。相关研究已从早期的动态特征人工提取，逐步发展至将MEMS脉冲加热、时序神经网络和物理引导模型相结合的方法，使温度调制从经验性的选择性增强手段，拓展为可编程的信息编码策略。
（4）AI辅助信号稳定性与漂移校正
长期漂移会使气体传感器信号的统计分布逐渐偏离模型训练时的数据分布。目前，相关校正方法已从基于线性化学计量学的方法，逐步拓展至子空间迁移学习、深度对抗域适应、知识蒸馏及在线增量自适应等方案。未来还需结合物理信息，区分不同漂移来源，以提高系统长期检测的可靠性。
（5）AI引导的气敏材料设计与合成
除信号处理与漂移补偿外，AI的应用已向前延伸至气体传感器研发的上游环节——气敏材料的设计与优化。整体来看，AI引导的材料研究正形成集理论描述符、实验测量、文献挖掘、模型解释与验证实验于一体的集成工作流，可帮助识别组分-结构-响应关联、优先筛选候选掺杂剂或异质结构、提出用于指导机理研究的实验假设。不过这类方法的可靠性仍取决于数据质量、测试条件标准化与实验验证。
智能MOS气体传感的应用场景
在应用层面，AI辅助的MOS气体传感器及电子鼻系统已拓展至食品质量评估、农业监测、医疗诊断、环境监测和公共安全等领域。在食品质量评估、呼气分析等应用中，系统往往需要识别复杂挥发物组合及其响应指纹，同时应对温湿度等因素的干扰。AI方法可利用交叉敏感通道的响应，实现分类识别、浓度预测、质量评价、来源判别和早期预警。
图5 AI助力MOS气体传感器及电子鼻系统的应用场景
研究挑战与未来展望
目前，AI辅助的MEMS MOS气体传感技术已取得显著进展，但从实验室演示走向实际应用仍面临数据集异质性、元数据缺失、环境干扰、长期漂移、跨器件验证不足和边缘部署限制等问题。更关键的是，仅保证MEMS微热板的结构一致性还不够，气敏层制备的可重复性同样重要。其材料负载量、薄膜形貌、对电极的覆盖情况及与微热板的热耦合状态，都会影响器件响应分布与模型泛化能。
总体而言，未来智能MOS气体传感的发展，将依赖材料、器件结构、制备工艺、运行方案、数据集与算法的紧密协同。相关研究不应仅依赖算法补偿硬件的不稳定性，还需从材料制备和器件设计入手，确保所采集的数据具有良好的可重复性、丰富的信息及明确的应用价值。通过材料、器件与算法的协同设计，MEMS MOS气体传感器有望发展为更可靠的智能传感平台，服务于更广泛的应用领域。
论文链接：https://doi.org/10.3390/aisens2030012
延伸阅读：
上一篇：新型电化学传感器有望使食品质量检测变得更快捷、成本更低
下一篇：最后一页