Chemosensoren sind in vielen Anwendungen unersetzlich. Seit 1970 gibt es ionensensitive Feldeffekttransistoren, kurz ISFET. Sie funktionieren, indem sie Veränderungen in der Zusammensetzung chemischer Lösungen in elektrische Signale umwandeln. Die Ionen einer Flüssigkeit berühren die leitfähige Schicht eines ISFET, wodurch sich der durchfließende elektrische Strom je nach der genauen Zusammensetzung der Flüssigkeit und der angelegten Spannung ändert. Auf diese Weise lässt sich etwa der pH-Wert einer Lösung testen und überwachen – oder auch der Geschmack und die Frische eines Getränks wie Wein oder Saft.

Bildlich gesprochen sind ionensensitive Feldeffekttransistoren also so etwas wie elektronische Zungen. Ein Team der Penn State University hat die Technologie jetzt mit maschinellem Lernen verknüpft, um neue Anwendungen zu ermöglichen. Die von unabhängigen Expertinnen und Experten geprüfte Studie ist im Fachmagazin Nature erschienen.

Obwohl ISFET seit fast 60 Jahren im Einsatz sind und durch Materialien wie Graphen im Laufe der Zeit immer besser und genauer wurden, haben sie einige Nachteile: „Die Zuverlässigkeit von ISFET wird durch verschiedene Faktoren beeinträchtigt, darunter Zyklus-zu-Zyklus-Schwankungen, Sensor-zu-Sensor-Unterschiede und Chip-zu-Chip-Unterschiede, die sich aus Herstellungsverfahren, Materialeigenschaften, Herstellungsprozessen, Umweltbedingungen und Designentscheidungen ergeben“, schreiben die Forschenden.

Um das zu ändern, hat das Team um den Ingenieur und Materialwissenschaftler Saptarshi Das moderne Graphen-ISFET mit neuronalen Netzen kombiniert. Dafür haben die Forschenden zunächst einen Algorithmus für maschinelles Lernen trainiert, um verschiedene Getränke anhand der Messwerte der Sensoren zu klassifizieren. Dazu gehörten Kaffee, Milch, Cola, Fruchtsäfte und Wein, und zwar jeweils verschiedene Sorten oder in verschiedenen Zuständen: Bei den Säften etwa fand die Messung jeweils an vier aufeinanderfolgenden Tagen und mehrere Hunderte Mal über den Tag verteilt statt.

Auf diese Weise konnte der Algorithmus lernen, wie sich die chemische Zusammensetzung des Getränks im Laufe der Zeit verändert. Auf Basis dieser Daten konnte das System anschließend im Test erkennen, ob Milch verdünnt war und zwischen verschiedenen Cola-, Kaffee- und Fruchtsaftsorten unterschieden. Und das sogar ziemlich gut: Bei den Säften beispielsweise konnte das System am Ende mit 97-prozentiger Genauigkeit sagen, um welchen Saft es sich handelt und wie lange dieser schon offen stand.

„Wir haben festgestellt, dass das Netzwerk auf subtilere Merkmale in den Messdaten achtet – Dinge, die wir als Menschen nur schwer richtig definieren können“, sagt Studienleiter Das. Oder anders gesagt: Die ISFET haben Veränderungen in der Zusammensetzung der Getränke festgestellt, die der menschlichen Zunge womöglich gar nicht auffallen würden. Da das trainierte Modell die Daten vieler verschiedener Sensoren mit in die Analyse aufnimmt, lassen sich zudem die eingangs erwähnten Unterschiede zwischen individuellen Sensoren überbrücken.

Die Forschenden glauben, dass ionensensitive Feldeffekttransistoren dadurch für die Lebensmittelindustrie schmackhafter werden könnten: „Die rechtzeitige Erkennung von schädlichen Verunreinigungen in der Lebensmittelproduktion ist eine ständige Herausforderung“, schreiben sie in der Studie. Der Einsatz von ISFET in Kombination mit neuronalen Netzen könnte eine kostensparende Alternative zu bisherigen Testmethoden darstellen. Als Nächstes wollen Saptarshi Das und seine Kollegen die Trainingsdatensätze um mehr Produkte und Flüssigkeiten erweitern.