基于机器人的比色气体传感开发实验流程

摘要

本文介绍了一种基于机器人化设计-构建-测试-学习（DBTL）流程的比色气体传感器开发方案。该方案结合高通量自动化、机器学习和多目标优化方法，可高效地发现并优化用于检测CO₂等气体的传感器配方，实现快速、低成本且精确的传感器开发。

摘要

本文介绍了一项基于机器人的实验计划，旨在开发一种高效且快速的比色气体传感器。该计划采用自动化的“设计-构建-测试-学习”（DBTL）方法，在多个气体浓度区间内迭代优化搜索过程，并同步优化相应的多种配方。在每一次迭代中，算法根据不同的采集函数生成一批配方建议；随着迭代次数的增加，各浓度区间对应的加权目标函数值显著提升。

DBTL 方法从参数初始化开始，设置硬件和软件环境。通过基线测试建立性能标准。随后，DBTL 方法根据每轮实验中配方的比例设计下一轮优化方案，并迭代测试性能。性能评估通过与基线数据比较，以评估 DBTL 方法的有效性。如果性能提升未达到预期，则进行迭代优化；如果目标已达成，则实验结束。整个过程通过 DBTL 迭代优化流程最大化系统性能。

与传统的手工开发流程相比，本实验流程采用的DBTL方法利用多目标优化和多种机器学习算法。在确定各组分体积的上下限后，DBTL方法通过动态优化迭代实验，获得性能最优的配比。该方法显著提高了效率，降低了成本，并在多组分变量空间中更高效地寻找到最优配方。

引言

气体传感器的实际应用非常广泛，已用于环境监测、航空航天和废气处理等多个领域^1,2,3。气体传感器的工作原理通常依赖于多种机制，如电化学、气相色谱和光学机制。在众多检测机制中，基于颜色变化的机制已发展为一种独特的酸碱机制。由于其成本低、使用简便，该机制被广泛应用于许多便携式和一次性气体传感器的设计中，例如CO₂传感器^1,4,5。这类传感器利用某些化学物质的颜色变化来检测气体浓度。当气体浓度发生变化时，会引发传感器材料发生离子络合或指示剂变色等化学反应，从而导致气敏染料颜色的改变⁶。通过检测和分析颜色的变化，可间接测定气体浓度。然而，尽管此类传感器具有成本低和便携性好的优点，但仍存在一些不足之处，如研发周期长、效率低^7,8,9。同时，传统的传感器设计方法难以同时满足多种传感特性，例如达到所需响应时间、可逆性和检测限。在传统研发范式下，这些困难严重阻碍了比色型气体传感器的生产与广泛应用。

针对上述按需研发所面临的挑战，通过本实验过程开发的比色传感器技术能够弥补传统气体传感技术的一些不足。采用迭代的“设计-构建-测试-学习”（DBTL）方法^10,11，可显著提高传感器开发效率，从而缩短研发周期，并有效满足研发需求^1,12。在典型的DBTL开发体系中，新材料的开发被视为一个迭代反馈循环。该循环包含四个关键步骤：1. 设计优化参数、目标，并对试验实验的参数空间进行采样；2. 构建所选参数的样品；3. 测试所构建样品的目标值；4. 利用机器学习分析目标反馈，以指导下一组参数的选择。在此迭代过程中，支持快速构建与测试样品的高通量实验平台以及机器学习算法是关键组成部分。自动化高通量测试平台可同时测试多达384个传感单元，采集大量高质量的响应数据。通过利用机器学习算法^{13,14,15,16,17}（如多目标贝叶斯优化），可同时自动优化传感单元的多个传感指标（例如灵敏度、响应时间和可逆性），从而提升各类传感性能的整体表现。由优化算法生成的传感单元配方可实现无需单独校准的定量CO₂浓度检测，其均方根误差（RMSE）指标亦可达标。

本项目是一种基于比色气体传感技术开发的实验方法（流程图见图1）。随着自驱动实验室的发展，自动化DBTL方法因其高效性、快速性和可重复性而展现出广阔的应用前景^5,12。传统的手动开发过程通常一次仅调整一个变量，随后再修改另一个变量，以优化目标参数并实现预期结果。该过程的主要缺点包括：人工实验效率低下、易受人为误差影响、在复杂的高维场景中难以管理多维变量，以及容易陷入局部最优解。与传统手动开发过程相比，本实验项目所采用的DBTL方法结合了机器人技术与先进的主动学习算法（如多目标贝叶斯优化）。贝叶斯优化是一种用于优化评估成本高昂的目标函数的概率化方法^15,18。该方法通过构建代理模型（通常为高斯过程）来近似目标函数，并利用采集函数决定下一个采样点。采集函数在探索（搜索采样较少的区域）与开发（优化已知高性能区域）之间进行权衡，从而高效地寻找全局最大值或最小值。该方法在传统优化技术难以应对的高维、非凸搜索空间中尤为有效。在初步界定各组分含量的上下限后，该方法可动态优化实验，通过迭代方式获得性能最优的配比。该方法显著提高了实验效率，降低了成本，并在多变量空间中更高效地实现了最优配方的开发^5,12。

本文的总体目标是通过机器学习、多目标贝叶斯优化以及包括自动化液体处理平台和高通量气体测试平台在内的实验测试平台等多种计算机技术，建立一种基于自动化“设计-构建-测试-学习”（DBTL）方法的实验流程，从而实现比色型气体传感器的设计与研究。采用定制化的"Opentrons OT-2"液体处理机器人平台，可根据程序设定自动完成配方合成、混合、浸渍等实验操作。自主研发的高通量气体测试平台用于高通量地进行气体检测和比色传感器信号读取，能够精确控制目标气体浓度，并实时记录传感单元的颜色变化。与其他基于DBTL设计的实验系统相比，该系统硬件成本相对较低。同时，通过半自动化的方式部分解决了实验过程中易受人为误差影响的问题，在保留DBTL设计优势的同时实现了最大的边际效益。

方案

1. 初步实验（可行性测试）

注意：根据Zhang的论文⁸，可选择针对目标气体（如二氧化碳）的化学比色传感器的相关变量。在对比色传感器配方进行按需优化之前，可先通过以下步骤开展初步实验，以建立变量空间。

1. 确定目标气体的浓度范围，并建立气体测试配置。
   注意：在气体测试配置中，目标气体的浓度呈线性或指数增长。
2. 在每种浓度的目标气体通入前后，均使用氮气吹扫测试系统。保持氮气与目标气体的通入时间比为1:1。
   注意：若目标气体浓度<1 ppm，通入时间约为10分钟；若目标气体浓度≥1 ppm，通入时间约为5分钟。
3. 根据饱和度、黏度等因素，配制合适浓度的变量源溶液。
   注意：通常建议保持源溶液的浓度尽可能高。
4. 设定比色传感器配方溶液的总体积为400 µL；然后根据文献设定各变量源溶液的体积范围。
   注意：染料源溶液的体积范围通常在0 µL至200 µL之间，其他源溶液的体积范围通常在0 µL至100 µL之间。源溶液取样间隔约为25 µL。
5. 通过随机采样函数生成一组96种配方，以验证使用化学比色法检测目标气体的可行性。
6. 将比色传感器配方文件、源溶液、移液吸头、96孔板和聚四氟乙烯（PTFE）膜装入液体处理仪，并依次生成独立的身份信息编号（图2）。
7. 将液体处理仪设置为模拟模式，以模拟合成比色传感器配方的操作过程，如液体吸取、分配、振荡和滴加（图3）。
8. 若模拟状态无误，则将液体处理仪设为实验模式，启动比色传感器的自动化合成。
   注意：自动化流程的代码基于“Opentrons”开源软件包开发。比色传感器的合成预计耗时3–6小时。
9. 将比色传感器置于40 °C的烘箱中加热50分钟。
10. 将干燥后的比色传感器放入气体室，检查测试环境光照的均匀性及测试腔体的气密性。确认无误后，使用质量流量控制器（MFC）自动控制分析气体（浓度为c_a）和氮气（浓度为c_n）的流速，执行气体测试配置。假设总体气体流速为S（体积/分钟），目标分析物浓度为c，则分析气体MFC和氮气MFC的流速（体积/分钟）分别为
         (1)
         (2)
11. 在通气过程中，将相机置于气体室上方，每隔5秒拍摄一张图像，记录比色传感器的颜色变化（图4）。
    注意：通气测试预计在约2小时内完成。
12. 计算机按时间顺序加载所采集的图像，提取每幅图像中每个比色传感器的RGB颜色值，然后计算其相对于暴露于目标气体前测得的基线颜色的差异，从而绘制出比色传感器颜色随通气时间变化的曲线图。颜色差ΔE的计算公式如公式（1）所示：
         (3)
13. 观察是否存在在目标气体中发生显著颜色变化的比色传感器，以及颜色变化值是否随目标气体浓度的增加而上升。若存在此类响应，则验证了使用化学比色传感器检测目标气体的可行性。
14. 根据预实验结果，调整变量源溶液的上下限，并剔除影响不显著的源溶液。

2. 利用机器人实验平台开展设计-构建-测试-学习（DBTL）迭代优化过程

1. 设计：建立多目标函数并生成比色传感器配方。
   1. 建立一个多目标函数，用于计算比色传感器多个性能指标的加权评估得分（图5）。
      注：加权评估得分的详细信息可参见参考文献¹。
   2. 如果DBTL优化处于初始轮次，则随机生成96种初始比色传感器配方，并为该优化任务创建一个实验编号（campaign ID）。
   3. 如果DBTL处于第二轮或后续轮次，则使用不同的采集函数（如置信上限（Upper Confidence Bound）、改进概率（Probability of Improvement）和期望改进（Expected Improvement））设计下一批96种比色传感器配方。此外，在每一轮中对采集函数的超参数进行微调。通常，κ作为UCB的超参数，其值不超过5；而作为EI和POI的超参数，随着优化迭代次数的增加逐渐衰减至接近0。以下三个方程（4）、（5）和（6）分别展示了UCB、EI和POI的采集函数：
           (4)
       (5)
           (6)
      其中，μ(x) 表示均值；σ(x) 表示方差；κ 和 是用于平衡探索与利用的参数，由迭代轮次和衰减速率控制；f(x) 是加权评估得分；f_currentMax 是当前最高的加权评估得分。
   4. 在每一非初始轮次生成比色传感器配方后，观察这些配方是否表现出高期望值或高不确定性。若否，则重复步骤2.1.3的操作；若是，则执行构建步骤。
2. 构建：自动合成比色传感器。详见步骤1.7–1.10。
3. 测试：进行比色传感器的自动化测试。详见步骤1.11–1.13。
4. 学习：拟合代理模型
   1. 将比色传感器配方变量及其加权评估得分分别作为代理模型的输入和输出。
   2. 采用高斯过程回归，以均值函数 k(x_i, x_j) 和协方差函数（核函数）k(x_i, x_j) 来拟合代理模型。
      注：图6 展示了一维和二维变量的代理模型。在所开发的高斯过程拟合算法中，选择各向异性Matérn核函数与白噪声核函数组合（见以下两个方程，方程（7）和方程（8）），以确保核函数的通用性。
          (7)
       (8)
5. 优化终止条件：当迭代次数达到预设值，或所生成比色传感器的加权得分无显著提升时，DBTL优化过程停止。

3. 最优比色传感器阵列的构建与表征

1. 针对目标气体的六个浓度区间，开展 n 次 DBTL 优化实验，以筛选出六种全局最优或准最优的比色传感器配方。在每个浓度区间内，优化后的比色传感器配方在目标气体测试中表现出最高的加权评价分数。
2. 利用液体处理仪构建包含六种优化比色传感器配方的比色传感器阵列。步骤 1.7–1.10 详细说明使用液体处理仪的具体操作流程。
3. 有效期测试：
   1. 制备 14 个比色传感器阵列，并将其分为两组。一组在 25 °C 下敞口存放，另一组在真空条件下保存。
   2. 保持一致的测试条件，在 7 天内每天进行响应测试，以评估两种储存条件对比色传感器阵列性能的影响，从而推断两种储存策略下的有效期。

4. 比色传感器阵列的校准

1. 关于比色传感器阵列的构建，详见步骤 3.1-3.2。
2. 数据采样：
   1. 在每种目标气体浓度范围内，以相等间隔选择5至10个浓度值，总共不少于20个不同浓度。
   2. 按照目标气体浓度值从低到高或从高到低的顺序，将比色传感器阵列暴露于目标气体中，并记录比色传感器阵列的响应值。
      注意：5 到 10 个 CO₂/₂ 每个CO需要的循环次数₂ 浓度
3. 传感数据记录：将比色传感器阵列暴露于不同浓度的目标气体中5或10分钟之后，提取n个比色传感器的R、G、B通道值作为特征，输入至校准模型。该特征向量包含3 × n个维度。
4. 数据集划分：根据目标气体浓度的数量，将不同浓度下的响应数据按7:1.5:1.5的比例划分为训练集、验证集和测试集。
5. 模型训练：首先，使用 Python 软件包（如 scikit-learn 和 torch）构建四种用于校准的机器学习回归模型：Ridge 回归、随机森林、Xgboost 和深度神经网络。然后，将均方根误差设为损失函数。最后，加载数据集并开始训练校准模型。
6. 模型选择：使用验证集评估四种机器学习回归模型的性能，并选择均方根误差最小的模型作为最终的校准模型。
7. 模型测试：使用测试集对最终的校准模型进行性能测试，评估比色传感器阵列及校准模型在目标气体定量分析中的性能。

结果

该实验设计的一个典型示例是“宽范围高灵敏度比色法CO₂传感器阵列”¹²。首先，在贝叶斯多目标优化后，实验基于固定CO₂浓度下随时间变化的ΔE值生成图表（图7A）。根据响应时间差、ΔE值低以及可逆性不佳等特征，那些表现不佳的配方——如“非必要1”（响应时间慢）、“非必要2”（无响应）和“非必要3”（基线漂移）——应通过多目标贝叶斯优化函数予以剔除，该函数的目标是筛选出在满足所需响应时间的前提下灵敏度最高的配方。然而，如果如 图7B左侧所示，将各目标值直接相加，则不理想样品与优选样品之间的差异并不明显，这可能会延缓算法引导的优化进程。因此，在传感器开发过程中采用了S型函数（sigmoid）方法，以优先实现不同目标之间的平衡性能。S型函数作为一种平滑的转换机制，用于评估和筛选传感器配方。该函数确保任一目标特性（例如响应时间、可逆性或ΔE）的评分在低于设定阈值时趋近于0，而在高于阈值时趋近于1。通过对所...

讨论

本文提出了一种能够更快速、更准确地开发比色气体传感器的实验设计。该实验流程可用于开发针对多种气体的比色传感器，例如湿度、CO₂ 和氨气^1,4,5。通过该平台的方法，可满足用户在多种需求方面的偏好，例如高灵敏度、低检测限、所需响应时间，并考虑干扰气体、湿度及其他不同实验场景的影响。该方法能够动态调整传感器配方中的可调参数，以满足预设的目标要求。例如，在设计需要更高灵敏度和可逆性的目标传感器时，可在每轮机器学习筛选最优配比的过程中，增加传感性能中灵敏度和可逆性的权重参数，从而实现按需研发优化。传感器的性能通常取决于我们是否能在多维搜索空间中找到全局最优配方。传统的实验设计需要较长的实验优化周期，人工工作量大，且易引入较大误差¹⁹。然而，比色气体传感器的设计对实验效率和准确性有严格要求，因此针对高维参数空间气体的实验设计被认为是此类实验的重要障碍²⁰

材料

本文使用的材料清单

姓名	公司	目录编号	评论
96孔深孔板	NEST	NEST 2 mL 96-孔深孔板，V型底
96孔PCR板	NEST	NEST 0.1 mL 96-孔PCR板
甲酚红	sigma aldrich	1.05225	比色试剂用染料
乙基纤维素	sigma aldrich	200689	比色试剂用染料
乙基纤维素	Aladdin	E110670-100g	添加剂
工业相机	HKVision	MV-CS060-10UM/C-PRO	用于记录颜色变化
液体处理仪	Opentrons	OT2	液体处理仪
质量流量控制器	ASERT	AST10-DLCMX-500C-042-A2B2-48VY	用于控制分析物气体混合
m-甲酚紫	sigma aldrich	1.05228	比色试剂用染料
Opentrons OT-2 吸头	Opentrons	OT-2 吸头，300µL
Opentrons OT-2 吸头	Opentrons	OT-2 吸头，20µL
酚红	sigma aldrich	1.07241	比色试剂用染料
聚乙二醇	sigma aldrich	P1458	比色试剂用染料
聚四氟乙烯膜	Interstate Specialty Products	PM15M	聚四氟乙烯膜
四丁基氢氧化铵	sigma aldrich	86854	比色试剂用碱
百里酚蓝	sigma aldrich	1.08176	比色试剂用染料