به گزارش خبرگزاری مهر به نقل از ستاد نانو، پلتفرم هوشمند کره‌ای با بهره‌گیری از نانوساختارهای قلع اکسید و الگوریتم‌های پیشرفته، دقت تشخیص گازها را به سطحی بی‌سابقه رسانده است. پژوهشگران دانشگاه فناوری و آموزش کره با همکاری چند نهاد پژوهشی ملی، موفق به توسعه‌ی سامانه‌ای نوآورانه شده‌اند که ترکیبی از نانوحسگرهای مهندسی‌شده و الگوریتم‌های یادگیری عمیق را برای تشخیص دقیق و پایدار گازها به کار می‌گیرد. این پژوهش که نتایج آن در نشریه Advanced Science منتشر شده، گامی مهم در مسیر ساخت سیستم‌های هوشمند تشخیص گاز با کارایی بالا در محیط‌های پزشکی، صنعتی و زیست‌محیطی به شمار می‌آید.
بویایی مصنوعی یا توانایی الکترونیکی در تشخیص و تفکیک بوها، علیرغم گذشت بیش از یک قرن از ظهور نخستین آشکارسازهای گاز، همواره چالشی فناورانه باقی مانده است. برخلاف حسگرهایی که کمیت‌هایی چون دما یا فشار را به‌طور مستقیم اندازه‌گیری می‌کنند، تشخیص بو مستلزم شناسایی الگوهای شیمیایی پیچیده در میان مجموعه‌ای گسترده از ترکیبات گازی است. این پیچیدگی، همراه با حساسیت بالای حسگرهای سنتی به شرایط محیطی، مانع از تحقق سامانه‌های بویایی دقیق و پایدار شده بود.
در این پژوهش، دانشمندان با تمرکز هم‌زمان بر طراحی نانوساختارهای پایدار و بهره‌گیری از الگوریتم‌های قدرتمند یادگیری عمیق، موفق به تولید پلتفرمی شدند که دقت، تکرارپذیری و مقاومت بالایی در برابر رطوبت از خود نشان می‌دهد. محور اصلی این سامانه، نانوستون‌های تک‌بعدی قلع اکسید (SnO₂) است که با نانوذرات طلا یا پالادیم تزئین شده‌اند. این ساختارها با استفاده از روش «رسوب‌دهی با زاویه مایل» (Glancing Angle Deposition) روی بستر سیلیکونی رشد داده شدند و معماری منحصربه‌فردی شبیه به استخوان شاه‌ماهی (Herringbone) دارند که موجب افزایش سطح تماس و بهبود نفوذپذیری گاز می‌شود.
برای ارتقای حساسیت، سطوح این نانوستون‌ها با لایه‌هایی نازک (۱ نانومتر) از فلزات طلا یا پالادیم پوشانده شده‌اند. این نانوذرات نقش کاتالیستی ایفا کرده و باعث تقویت واکنش‌های شیمیایی سطحی می‌شوند، بی‌آن‌که مسیر ورود گازها به حسگر را مسدود کنند.
یکی از چالش‌های همیشگی حسگرهای گاز، ناپایداری در طول زمان و پاسخ‌دهی ناهماهنگ در مواجهه با شرایط محیطی است. برای رفع این معضل، پژوهشگران حسگرها را به‌مدت دو هفته در شرایط محیطی قرار دادند تا ساختار آن‌ها به تعادل پایدار برسد. نتایج آزمایش‌ها روی هفت گاز رایج، از جمله استون، اتانول، هیدروژن و تولوئن، نشان داد که ضریب تغییرات (CV) کمتر از ۵ درصد است، حتی در رطوبت نسبی ۸۰ درصد؛ رقمی که بسیار پایین‌تر از عملکرد حسگرهای تجاری رایج است.
عملکرد بهینه این حسگرها در دمای ۳۰۰ درجه سانتی‌گراد مشاهده شد که تعادلی مطلوب میان واکنش‌پذیری شیمیایی و ثبات سیگنال ایجاد میکند. با این پیکربندی، پاسخ‌دهی حسگر به‌طور میانگین تنها ۳ ثانیه طول کشید و سیگنال‌ها شدت بالایی از خود نشان دادند.
همچنین، سطح تشخیص (Limit of Detection) برای استون و اتانول به مقیاس در حد قسمت در تریلیون رسید؛ در حالی‌که برای سایر گازها، حد تشخیص در حد قسمت در میلیارد بود. این سطح از حساسیت امکان شناسایی زودهنگام آلاینده‌ها در محیط‌های صنعتی، نشتی گاز و حتی تشخیص بیماری‌ها از طریق نفس بیمار را فراهم می‌سازد.
برای بهره‌برداری از داده‌های پایدار این حسگرها، تیم پژوهشی به سراغ یادگیری عمیق رفت. داده‌ها با تکرار چرخه‌های تماس گاز جمع‌آوری و با دو روش پردازش شدند: اول، «تراز پویای زمانی» (Dynamic Time Warping) برای هماهنگ‌سازی طول سیگنال‌ها، و دوم، تبدیل داده‌ها به «مل‌اسپکتروگرام» که الگویی رایج در پردازش صوت است. این اسپکتروگرام‌ها به شبکه‌های عصبی پیچشی (CNN) و مدل‌های پیشرفته‌تری چون ResNet داده شدند.
مدل ResNet عملکرد چشم‌گیری داشت و در شرایط خشک به دقت ۹۹.۹۷ درصد و در رطوبت بالا به دقت ۹۹.۵۵ درصد رسید. حتی در آزمون‌های اعتبارسنجی متقابل (Cross-validation) نیز دقت بالای ۹۹ درصد حفظ شد.
این دستاورد تلفیقی منحصربه‌فرد از طراحی نانومواد، تعاملات شیمیایی و الگوریتم‌های هوش مصنوعی است که می‌تواند راه را برای سامانه‌های تشخیص گاز دقیق، پایدار و کم‌هزینه هموار سازد. از صنایع شیمیایی و ایمنی صنعتی گرفته تا پایش محیطی و تشخیص تنفسی بیماری‌ها، دامنه‌ی کاربردهای این فناوری بسیار گسترده است.
البته هنوز چالش‌هایی در پیش است؛ محیط‌های واقعی دارای ترکیب‌های گازی پیچیده و شرایط ناپایدار دمایی و رطوبتی هستند. گام‌های بعدی شامل بررسی عملکرد در محیط‌های مخلوط، پایداری بلندمدت و یکپارچه‌سازی با سیستم‌های قابل حمل خواهد بود.
