人工智能 （AI） 正以許多令人興奮的方式應用。大多數人都聽說過大事，比如可以在國際象棋中擊敗人類的計算機、谷歌圖像搜索引擎和“大數據”。然而，許多公司和研究人員正在以多種方式使用人工智能來改善我們的生活，包括在空氣質量和氣體傳感方面的應用。

人工智能可用于幫助解釋氣體傳感器的響應，為傳感器報告的信息增加更多價值。這個想法是，可以使用離散傳感器陣列或可以模擬傳感器陣列的單個傳感器（例如ZMOD4410）來產生一組作為環境函數的響應。然后使用使用神經網絡的機器學習來解釋響應模式并在多個維度上擬合非線性模型，這對于人類解釋可能是顯而易見的，也可能不是顯而易見的。神經網絡訓練可以是有監督的，也可以是無監督的，這取決于數據的來源，以及是否使用人類判斷來標記數據和增加洞察力，或者是否讓計算機自行尋找模式。

機器學習需要在許多不同條件下收集、表征和訓練大量傳感器數據。考慮到使用氣體傳感器實現機器學習解決方案所需的復雜性和資源，可以提供預先訓練的監督神經網絡模型作為算法的一部分，該模型可以在各種低復雜度的微控制器上運行，從而產生麻煩免費為消費者解決。這被稱為嵌入式人工智能。

有許多有趣的例子可以說明如何使用 AI 來推進氣體檢測應用。在一個示例中，傳感器在各種條件下的表征可用于改進檢測總揮發性有機化合物 （TVOC） 的室內空氣質量傳感器。在這種情況下，神經網絡模型被訓練為專注于感興趣的特征（TVOC）并忽略任何不感興趣的輕微環境影響（漂移、濕度等）。

在第二個示例中，機器學習可用于增加氣體傳感器的選擇性。例如，氣體傳感器已經可以根據氣味強度觸發廚房和浴室的通風。通過增加選擇性，當氣味屬于標記為“不良”的類別時，可以將通風設置為以較低的強度閾值打開。在將 AI 技術用于選擇性傳感器時，在訓練過程中定義的選擇性類別必須包含預期的用例，這一點至關重要。例如，經過訓練可將硫檢測為“難聞”氣味的傳感器可能不會自動將其他非硫 VOC 識別為難聞氣味。然而，一旦方法被定義和實施，

審核編輯：郭婷