化学传感器可以在爆炸危险到危险水平之前，充当氢气或甲烷等爆炸性气体或有害挥发性有机化合物的前哨。但是通常，只有当目标分子的累积量超过传感器的检测极限时，它们才能发出警报。按照一种定义，当产生的信号是背景噪声的三倍时。
韩国高级科学技术学院的Jihan Kim和Hee-Tae Jung想知道是否可以使用深度学习技术从噪声中提取任何隐藏的信号，从而有效降低传感器的检测限。
机器学习以能够从大量数据中提取模式而闻名。当传感器的输出发生变化时，已经习惯了传感器正常输出的算法不再需要查看信号是否在任何时候都超过检测极限，而是可以选择隐藏的信号。芝加哥伊利诺伊大学的电气工程师Ahmet Enis Cetin解释说：“该算法不考虑检测极限，而是考虑数据的变化。” Cetin说，除了使检测限降至检测限以下之外，算法还可以帮助老化的传感器应对并减少传感器的校准需求。
Jihan Kim及其同事在用于测量氢的金属薄膜传感器上测试了这一想法。他们用铂，钯，金，镍，铜和钼制造了四组六个独立的传感器。在金属上施加恒定电压后，它们的电阻会随着气体的接触而变化，从而产生信号。铂传感器开始检测50 ppm的氢气，钯传感器开始检测10 ppm的氢气。其他四种金属即使在100 ppm时也不会产生信号。
研究人员首先为每个传感器训练了两个神经网络，以响应纯氮气流来再现传感器的输出。然后，他们将传感器的输出信号馈给传感器，该信号是响应于2.5和10 ppm的氢混入氮中而产生的，该信号远低于传感器的检测极限。由于氢的存在并不是训练神经网络繁殖的东西，它导致网络开始出现大错误。因此，金解释说，超过研究人员设定的阈值的误差意味着神经网络设法检测到与氢相对应的隐藏信号。
研究人员估计，由48个神经网络组成的组合阵列（包括不产生信号的金属四重体）在检测氢的存在方面的准确度在60％至80％之间。
研究人员还表明该方法适用于己烷气体，并建立了适用于甲苯气体的半导体传感器。至于这种方法是否可以用于液体传感器或生物信号：“原则上可以应用于任何其他传感平台，但是还有其他类型的应用是否具有这些隐藏信号还有待观察。” Kim说。 。
仍然存在严峻挑战。Kim说，网络在隐藏信号出现之前花了大约30分钟来处理含氢数据，这太长了。研究人员还希望能够应对更复杂的自然环境，例如空气，并尝试引入两种或更多种分析物气体，以查看网络是否能够区分它们