基于阻力瞬态的混合相 SnO-SnO$_2$ 碳氧化物传感器浓度推断：物理导引方法
化学物理
2026-05-26 v1 机器学习
应用物理
摘要
本工作提出了一种物理导引的机器学习框架，用于从混合相 SnO-SnO 材料气体传感器（ exhibits 温度依赖 p-n 开关行为）的实验测量阻力瞬态中推断碳氧化物浓度。通过物理可解释的描述符表示循环级瞬态响应，并补充由紧凑的快速傅里叶变换（FFT）和离散小波变换（DWT）基于的摘要。采用泄漏意识的分组交叉验证，我们分别研究 p 型和 n 型感知 regimes 下的多类浓度分类和连续浓度回归。 在两种 regimes 中，融合特征提供了最强的整体性能，而物理导引的描述符模块保持高度竞争力，表明主导浓度信息已编码在物理有意义的瞬态动力学中。 p 型分支显示出最佳浓度分类判别，融合随机森林分类器达到约 96.5% 的准确率；而 n 型分支表现出最佳的定量浓度估计，融合随机森林回归器实现 MAE≈1.48 ppm，R≈0.992。这些结果揭示了清晰的双 regime 行为：p 型感知特别适合分类，而 n 型感知更适合高保真回归。更广泛地说，本研究表明，泄漏意识的、循环级的、物理导引的机器学习可将传统气体感知分析扩展到单一响应指标之外，同时保持物理可解释性。
引用
@article{arxiv.2605.23971,
title = {Physics-Guided Concentration Inference from Resistance Transients in a Mixed-Phase SnO-SnO$_2$ Carbon Monoxide Sensor with p-n Switching},
author = {Sani Biswas and Preetam Singh and Amit Kumar Gangwar},
journal= {arXiv preprint arXiv:2605.23971},
year = {2026}
}
备注
15 pages, 14 figures