有毒、有害、爆炸性气体和挥发性有机化合物（VOC）生物标志物的检测对人类健康、家庭安全、工业生产和呼吸系统诊断具有重要意义[1,2]。纳米技术和纳米科学的快速发展极大地促进了高灵敏度气体传感器的进步[3]。为了实现高精度的气体检测，传感材料被确定为传感器设备的关键组成部分。例如，使用广泛应用的金属氧化物半导体的传感器受到高温操作和选择性差等问题的限制[4]。
优化策略通常包括异质结的设计[5]、催化剂改性[6]、表面氧空位的工程化[7]以及比表面积的增强[8]。在这些方法中，催化剂改性被认为是一种有效且应用广泛的方法，在提高传感器性能方面具有显著优势。
催化剂被称为化学工业的“引擎”。目前，大约80%的现代化学工业过程需要催化剂，其中超过一半使用金属催化剂。在各种应用于传感系统的催化剂材料中，贵金属、非贵金属和金属氧化物被广泛使用[9]。与其他材料相比，贵金属占催化剂的比例更大，通常表现出更优异的催化性能[10]。这种优越性归因于贵金属未填充的d轨道，其中未配对的电子容易与反应分子相互作用，从而促进吸附和活化过程。因此，贵金属催化剂通常显示出更高的低温活性和更好的催化效率。
然而，贵金属也存在固有的缺点。首先，它们价格昂贵且生产成本高[11]。其次，它们的原子利用率低，因为只有少量表面原子参与催化反应，而大部分原子埋藏在颗粒内部，保持不活跃状态。总体原子利用率通常不超过20%，这进一步间接增加了生产成本。因此，提高金属原子的利用率已成为催化领域的主要研究重点。一种提出的策略是减小金属颗粒的大小，以最大化其表面积与体积比，从而增加活性原子的暴露。这一原理类似于生物学家卡尔·伯格曼在1847年观察到的伯格曼法则，即同一物种的个体在热带地区往往比在寒冷地区更小，这是因为较大的表面积相对于体积有利于散热。类似地，较小的金属颗粒提供了更大的相互作用表面积，从而提高了原子利用率和催化性能。
尽管如此，传统的贵金属催化剂主要基于纳米颗粒（NPs），其中只有最外层的原子具有催化活性，导致原子效率有限。通过进一步减小金属纳米颗粒的大小，已经可以制备出“单原子”催化剂，其中孤立的金属原子作为活性位点[12]。将SACs集成到气体传感器中具有显著优势，包括提供高效的活性位点、增强与气体分子的吸附和催化反应、降低能耗以实现室温检测，以及可调的电子结构以提高选择性和灵敏度。
尽管SACs在提高气体传感器的灵敏度、选择性和响应速度方面显示出巨大潜力[13,14]，但在实际应用中的新需求也带来了新的挑战。传统的单结构气体传感器在面对多组分混合气体和复杂环境背景干扰时容易出现选择性差、重复性差和响应非线性等问题，这限制了它们的实用性和智能水平的提升。在空气质量监测、工业排放控制或医疗诊断等复杂环境中，气体混合物通常具有重叠的特性和不同的浓度。依赖单一传感器材料，即使是像单原子催化剂这样的先进材料也可能无法在这种条件下提供所需的鲁棒性和区分能力。这导致了气体传感器阵列的日益流行，这些阵列将具有不同选择性的多个传感元件集成到一个统一的系统中。每个元件对特定气体物种的反应不同，阵列共同生成多维信号模式或“气体指纹”。然而，随着传感器输出维度的增加，解释这些数据的复杂性也随之增加[[15],[16],[17]]。传统的信号处理方法往往难以提取有意义的模式或补偿环境波动。在这种情况下，人工智能（AI）的集成，特别是ML算法，提供了一个变革性的解决方案[15]。ML可以通过学习历史传感器响应来有效处理非线性、高维数据，发现隐藏的模式或相关性。监督模型如支持向量机、随机森林和神经网络已经实现了气体分类和浓度回归，而无监督方法如主成分分析和聚类有助于数据可视化和异常检测[18]。传感器阵列和ML之间的协同效应不仅提高了气体传感系统的选择性、灵敏度和稳定性，还实现了智能、自适应和自校准的平台。这些智能系统可以应用于可穿戴电子设备[[19],[20],[21]]、环境监测[22,23]、食品质量监测[24,25]和工业自动化。
因此，研究人员提出采用“传感器阵列+智能算法”的策略，该策略结合了具有不同选择性的多个气体传感单元来收集更丰富的响应信息。结合ML算法进行数据建模和判别分析[20]，可以实现多种气体的高效识别和定量预测[20,26,27]。可以看出，高性能气体传感器的未来不仅在于材料创新，还在于由数据驱动的算法推动的智能传感架构设计。这种跨领域的传感材料工程和数据科学集成正在重塑下一代智能气体传感系统的架构。
