本實驗室近年致力於結合機器學習方法與光偵測器及氣體感測器的開發，特別是針對改善光波長及氣體種類選擇性的挑戰。透過機器學習技術，能有效分析和優化感測器的特性，包括提升光偵測器對不同波長的識別能力，以及氣體感測器在多種氣體環境下的選擇性與靈敏度。這些技術的應用不僅增強了元件的辨識精度，也為未來感測器陣列的發展奠定了基礎，進一步推動高效能、自供電感測技術在光電與氣體偵測領域的創新應用。
基於機器學法之氣體感測器：
- Tsung-Han Wu, Zi-Chun Tseng, Chun-Ying Huang*, “Recognition of NO2 and O3 gases using patterned Cu2O nanoparticles on IGZO thin films through machine learning” Journal of Materials Chemistry C, 12, 18427, 2024.
- Yan-Fong Lin, Zi-Chun Tseng, Wen-Jeng Hsueh, Jiann-Heng Chen, Chun-Ying Huang*, “Room-temperature Gas Identification via Photochemically Activated p-type CuCrO2 Nanostructured Films Using Machine Learning” ACS Applied Nano Materials, 2024 (accepted)
研究結合機器學習技術與新穎氣體感測材料，提出了有效解決氣體選擇性與穩定性挑戰的創新方案，展現出顯著的貢獻與特殊性。研究利用Cu2O奈米粒子圖案化結構與a-IGZO薄膜，以及光化學激活的p型CuCrO2奈米結構薄膜，成功實現對多種氣體的高效識別與濃度預測。這些感測器利用不同UV光強度下生成的光學指紋進行氣體辨識，解決了傳統熱激活氣式體感測器因操作條件限制而難以同時兼顧穩定性與選擇性的問題，還為開發低能耗、高靈敏度的多功能氣體感測技術提供了新方向。
基於機器學法之光偵測器：
- Pei-Te Lin, Zi-Chun Tseng, Chun-Ying Huang* “Machine Learning assisted Wavelength Recognition in Cu2O/Si Self-Powered Photodetector Arrays for Advanced Image Sensing Applications” ACS Applied Electronic Materials, 2024 (accepted).
這項研究提出了一種簡單的溶液製程方法，用於製備Cu2O/Si異質接面光偵測器陣列（PDA），有效簡化了製造流程，無需複雜的光刻技術。研究中充分運用了機器學習技術，系統性地比較了多種演算法，包括支持向量機（Support Vector Machine, SVM）、隨機森林（Random Forest, RF）及多層感知器（Multi-Layer Perceptron, MLP），以實現對紫外、可見光及近紅外波段的光分類。結合機器學習的數據分析能力，該PDA實現了對光電流響應的精確預測與波長辨識，並驗證了演算法對多光譜數據的適用性及模型優化的潛力。