전기화학 센서는 오염물질 모니터링, 약물 검출, 생물학 및 식품영양학 등의 너른 분야에서 활용되고 있다. 기존 연구의 궁극적인 목표는 높은 분석 성능을 가지는 물질을 합성하여 신호 대 잡음비를 향상시키는 것이었다. 이를 달성하기 위한 물질 디자인에는 빠른 전자 전달, 넓은 비표면적, 그리고 분석물에 대한 높은 활성도와 같은 물성이 포함되기 때문에, 제조과정에 많은 시간과 금액이 필요하다. 따라서 물질의 성능을 높이고 제조과정에 필요한 가격과 시간을 줄이기 위해, 물질 분석 성능과 데이터 분석의 최적화를 위한 머신 러닝(Machine learning, ML)의 도입을 고려할 수 있다.

본 논문에서는 우선 전기화학 센서, 최근 개발되고 있는 전극 물질, 전기화학 분석 방법의 기본 원리 및 ML 의 기초적인 방법론에 대한 개요를 제시한다. 또한, NADH 농도를 높은 성능으로 감지할 수 있도록 screen-printed carbon electrode 에 박리된 WS₂ 나노구조체를 도입하는 통상적인 방식으로 제작된 센서 전극(ex-WS₂/SPCE)을 제시하였다. WS₂ 나노구조체는 전기화학적 박리 방법을 사용하여 제작하였으며, ex-WS₂/SPCE 는 단순 SPCE 에 비해 큰 산화환원 전류 응답(55 %)과 함께 높은 전기화학촉매 활성도를 보였다. 이 ex-WS₂/SPCE 센서 전극은 전기화학 임피던스 분광법(EIS)을 사용하였을 때 2 M 에서 2048 M 에 달하는 영역에서 선형의 응답을 보였으며, 검출 한계는 57 nM 에 달하는 성능을 보였다.

이어서, ML 을 사용하여 EIS 데이터를 사람의 손을 거치지 않고 분석함으로써, 시간이 소요되는 기존의 과정과 달리 더욱 엄밀하게 결과를 해석하는 방식을 제시하였다. 이 섹션에서는 EIS 회로 모델과 변수 예측을 분류하기 위한 딥 러닝(deep neural network, DNN)을 사용하는 ML 전략을 제시한다. DNN 모델은 수신기 작동 특성 곡선(Receiver operating characteristic curve, AUC) 면적이 0.95 이상인 통상적인 EIS 회로에 대한 분류에 있어 높은 정확도를 보였다. 뿐만 아니라, 이 모델은 복잡한 EIS 시스템의 변수들에 대해서도 R-square 값이 0.999 에 달하는 높은 정확도를 가진다. 이상의 결과를 토대로, ML 을 사용한 방식이 사람의 개입 없이도 분석물의 농도를 예측할 수 있는 전기화학 센서 시스템 개발을 위한 방식이 될 수 있을 것으로 기대된다.

추가적으로, EIS 스펙트럼을 학습할 수 있는 기계 학습 알고리즘에 있어, 그 내부의 생성 모델을 제시하기 위한 semi-supervised 접근 방식을 도입하였다. 생성된 모델은 다차원 데이터에 대한 더 나은 시각화된 정보를 제공하며, 이를 더 낮은 차원의 데이터(latent space)로 압축한다. 여기서 physical descriptor 는 생성된 모델을 통해 latent space 에 매핑될 수 있고, 이로부터 latent space 가 property space 로 변환된다. 이러한 과정을 통해 데이터 세트 내에서 샘플 탐색, interpolation 및 최적화가 용이해진다. 따라서 EIS 분석을 위해 생성한 모델은 전기화학 시스템의 자동 분석을 발전시키기 위해 필수적인 도구로 활용될 수 있다.