硫化氢（H2S）是石油炼制、天然气输送及煤矿井下等工业场景中常见的剧毒气体，低浓度长期暴露即可造成不可逆的呼吸系统与神经损伤。当前商用电化学与金属氧化物半导体（MOS）传感器在检测时，或受限于电解液寿命，或依赖高温/紫外激活，难以满足易燃易爆环境中低功耗、长期稳定的监测需求。如何在室温条件下实现对痕量H2S的稳定、高响应检测，仍是该领域亟待解决的关键难题。
我院材料科学与工程专业2023级本科生赵梦娇在新能源与智能监测团队黄胜副教授指导下，创新性地将环境友好的无铅CsCu2I3钙钛矿与ZnO构筑为异质结，并引入GASF与AlexNet深度学习的智能自校准框架，成功突破了上述局限。相关成果以“Machine learning-assisted lead-free CsCu2I3/ZnO heterojunction for high response H2S sensing”为题发表于《Materials Today Chemistry》（JCR Q1，IF=6.7）。
本研究采用真空热蒸发法在FTO导电玻璃基底上依次沉积CsCu2I3薄膜与ZnO前驱体层，经400℃退火处理构筑了异质结。CsCu2I3作为典型的p型半导体，具有低维晶体结构和高空位浓度，可为气固界面反应提供丰富的活性位点，ZnO作为n型半导体与之耦合后，界面处费米能级平衡驱动形成内建电场，不仅促进了载流子分离、抑制了电子－空穴复合，还通过耗尽层的展宽与收缩实现了电阻调制信号的放大。DFT计算表明，p-n能带对齐使体系有效带隙收窄，热力学势垒的大幅降低赋予了材料在无需外部加热条件下的优异反应活性。
CsCu2I3/ZnO异质结的反应机理
此外，本研究提出了一种基于GASF-AlexNet的时序图像自校准策略，将完整的电阻响应曲线通过三角函数映射为对称的Gramian角和场图像，把一维时序信号升维为保留全局动态相关性的二维视觉表征；进而利用AlexNet卷积网络进行端到端特征学习与浓度分类。该框架在5折分层交叉验证中达到99.33%的平均准确率，即便在7天稳定性测试末期、传感器信号已发生物理衰减的情况下，识别精度仍高达98.5%，从根本上解决了室温传感器长期漂移导致的定量失准难题。
机器学习原理及数据图
此项工作不仅为无铅钙钛矿异质结高性能气体传感器的开发提供了理论依据与技术支撑，同时，传统机器学习与GASF-AlexNet深度学习算法的结合，为室温传感器的智能化、鲁棒性定量分析开辟了新途径，对煤矿安全、天然气管道及工业废气等场景中的H2S智能监测具有重要的工程价值。
论文链接：https://doi.org/10.1016/j.mtchem.2026.103689
赵梦娇介绍：
中国矿业大学材料与物理学院材料科学与工程专业2023级本科生，女，汉族，中共预备党员。连续两年获得国家奖学金；获评中国矿业大学十佳女大学生、校级优秀学生、三下乡暑期社会实践优秀个人、优秀青年志愿者等荣誉称号；获第十七届中国电机工程学会杯全国大学生电工数学建模竞赛二等奖、第五届江苏省节能减排社会实践与科技竞赛三等奖等省级及以上奖励10余项；以第一、第二作者分别发表SCI论文1篇。
新闻来源：材料与物理学院
责任编辑：黄胜
一审一校：李泳锋
二审二校：李智
三审三校：范韶维
