Avec le développement rapide de l’industrialisation, de grandes quantités de gaz toxiques et nocifs tels que le NO2, le CO et le NH3 sont émises lors de la production industrielle, constituant une menace sérieuse pour la santé humaine et l’environnement. Par conséquent, la détection en temps réel et précise des types et concentrations de gaz dans l’environnement est d’une grande importance pour la sécurité industrielle et la santé publique.
Les capteurs de gaz, connus pour leur structure simple, leur réponse rapide et leur haute sensibilité, sont largement utilisés dans la sécurité industrielle, la surveillance environnementale et les systèmes intelligents. Cependant, le criblage des matériaux de détection des gaz repose encore largement sur des méthodes empiriques d’essais et d’erreurs, qui sont coûteuses et longues. Bien que les calculs des premiers principes puissent révéler le comportement d’adsorption des gaz à l’échelle atomique, des descripteurs uniques sont insuffisants pour saisir pleinement les interactions complexes gaz-matériau, tandis que le couplage multi-paramètres introduit des problèmes hautement non linéaires, limitant sévèrement les capacités de criblage et de prédiction efficaces. Ainsi, la construction d’un cadre prédictif à haut débit qui intègre des descripteurs multidimensionnels et des algorithmes intelligents est d’une importance significative pour le criblage rapide et la conception rationnelle des matériaux de détection des gaz.
Récemment, une équipe de scientifiques des matériaux dirigée par Guiwu Liu de l’Université de Jiangsu, en Chine, a combiné les calculs des premiers principes avec le machine learning, offrant une voie de recherche prometteuse pour prédire les performances de détection des gaz. Dans cette étude, le phosphore noir est utilisé comme système modèle. Une base de données de réponses de détection de gaz est construite sur la base de données littéraires multi-sources, et une stratégie de classification binaire est adoptée pour réduire les biais causés par les incohérences expérimentales. De plus, des descripteurs clés de la structure électronique extraits des calculs des premiers principes sont utilisés pour construire des modèles de prédiction par machine learning de haute précision.
Le premier auteur, Mingyuan Wang de l’Université de Jiangsu, a déclaré : « Cet article présente quatre points saillants : (1) Intégration de la physique et de l’intelligence artificielle : Un nouveau cadre collaboratif est proposé, combinant les calculs des premiers principes et le machine learning, permettant une prédiction rapide et haute précision des performances de détection des gaz. Cela surmonte efficacement les limitations des méthodes traditionnelles de criblage expérimental, incluant les longs délais, la forte intensité de main-d’œuvre et les coûts élevés. (2) Haute précision et robustesse : En utilisant le phosphore noir comme matériau modèle et basé sur un jeu de données de 21 gaz, six modèles de machine learning ont été systématiquement entraînés et évalués. Parmi eux, le modèle Extra Trees a particulièrement bien performé, atteignant une précision de prédiction de 96 % dans une validation croisée à cinq plis et des scores F1 de 1,000 et 0,933 dans des ensembles de tests indépendants, respectivement. (3) Analyse mécanistique basée sur SHAP : L’analyse de l’importance des caractéristiques et les résultats d’interprétation SHAP indiquent que l’énergie d’adsorption, le centre de la bande p, le niveau du vide, le maximum de la bande de valence et le minimum de la bande de conduction sont des descripteurs clés déterminant les réponses de détection des gaz. Ces facteurs gouvernent le processus de réponse aux gaz en modulant les structures de bande et le comportement de transport des porteurs. (4) Système de visualisation pour la prédiction de détection des gaz : Un système de prédiction et de visualisation léger, basé sur Python, a été développé. En ne saisissant que cinq caractéristiques clés obtenues à partir des calculs des premiers principes, ce système permet une évaluation en temps réel des tendances de réponse du phosphore noir à différentes molécules de gaz. »
L’auteur correspondant Guiwu Liu a affirmé que : « Bien que le modèle actuel soit limité au phosphore noir, il est capable de prédire les réponses à de multiples gaz. L’étape suivante consistera à étendre ce modèle à une gamme plus large de matériaux pour permettre la prédiction des réponses de détection des gaz pour différents matériaux et types de gaz. »
Les autres contributeurs incluent Yaqi Zhang, Bowen Xiong, Xiangzhao Zhang, Jian Yang, Lin Xu, Guanjun Qiao de l’Université de Jiangsu à Zhenjiang, Chine ; Ke Wang de l’Académie chinoise des sciences à Pékin, Chine.
Article : First-principles calculations informing machine learning framework and visualization system for rapid and generalized gas response prediction in black phosphorus sensors – Journal : Journal of Advanced Ceramics – DOI : Lien vers l’étude
