تجارب ميكروفلويدية ذاتية التشغيل لاستكشاف استنتاج التفاعلات وتصنيع صفائح النانو البيروفيسكايت المزدوجة

مختبرات ذكية تعمل بنفسها

تخيل مختبراً كيميائياً يمكنه تخطيط وإجراء والتعلم من تجاربه بنفسه أثناء نومك. تُظهر هذه الدراسة كيف يمكن لمثل هذا المختبر الذاتي القيادة أن يكتشف بسرعة وصفات أفضل لبلورات صغيرة باعثة للضوء قد تشغّل يومًا شاشات وإضاءة ومستشعرات أكثر كفاءة.

لماذا تهم البلورات الصغيرة المضيئة

تعتمد الشاشات الحديثة والخلايا الشمسية والمستشعرات البصرية على مواد يمكنها امتصاص وإصدار الضوء بطرق محكومة بدقة. البلورات النانوية المعلّقة هي جسيمات فائقة الصغر يمكن ضبط لونها وسطوعها بتغيير مكوّناتها وحجمها. تقدم عائلة أحدث من هذه المواد، تسمى صفائح النانو بيروفيسكايت المزدوجة الخالية من الرصاص، انبعاثًا ضوئيًا ساطعًا مع سمية أقل من العديد من الخيارات الحالية. لكن ضبط الوصفة بشكل صحيح صعب للغاية لأن العديد من المكونات وظروف التفاعل تتفاعل بطرق معقدة وغير خطية.

تحدي البحث في فضاء وصفات هائل

غالبًا ما يغيّر الكيمياء التقليدية متغيرًا واحدًا في كل مرة، مثل درجة حرارة الفرن أو محتوى الملح في وصفة. بالنسبة لهذه الصفائح النانوية، هناك ما لا يقل عن سبعة مفاتيح رئيسية يمكن تعديلها، بما في ذلك كميات عدة معادن والمذيب ودرجة حرارة التفاعل. يمكن أن يتخذ كل مفتاح عدة قيم، مما يخلق مشهداً واسعًا من الظروف الممكنة. الاستكشاف اليدوي لهذا الفضاء بطيء ويعرض لخطر تفويت أفضل التركيبات. سعى المؤلفون إلى بناء نظام يستطيع استكشاف هذا المشهد تلقائيًا، والتعلم من كل تجربة، وتوجيه نفسه نحو باحثات باعثة للضوء أكثر سطوعًا وكفاءة.

مختبر ميكروي على رقاقة يتعلّم

أنشأ الفريق منصة PoLARIS، وهي منصة ميكروفلويدية تحدث فيها التفاعلات داخل قطرات صغيرة تتدفق عبر قنوات رفيعة على لوح معدني مسخن. تضخ مضخات يتحكم بها الحاسوب تيارات المواد الأولية، التي تُقطّع إلى قطرات منتظمة بواسطة سائل حاملة خامل. أثناء تسارع هذه القطرات عبر قناة لولبية تسخن، تتكوّن الصفائح النانوية. في الجزء السفلي، تسجل مجسات بصرية مدمجة مقدار امتصاص وإصدار الضوء لكل قطرة في الزمن الحقيقي، بينما يقوم كمبيوتر متصل بالسحابة بتسجيل كل ظرف ونتيجة. يستخدم نموذج تعلم آلي هذا التيار من البيانات للتنبؤ بأي ظروف جديدة يحتمل أن تحسّن مؤشر كفاءة الانبعاث الضوئي ثم يختار الدفعة التالية من التجارب دون تدخل بشري.

إيجاد باعثات ضوء أفضل بسرعة

انطلاقًا من 80 وصفة ابتدائية موزعة على نطاق واسع، نفّذت PoLARIS أربعين جولة من التحسين الحلقة المغلقة، مقتبرة 120 ظرفًا في المجموع على مدار نحو نصف يوم. دفع النظام تدريجيًا مؤشر كفاءة الانبعاث الضوئي من 17 بالمئة إلى نحو 30 بالمئة، وأظهرت القياسات اللاحقة على عينات منقّاة وصولًا إلى 45 بالمئة. كما وصل النموذج إلى حدود عملية مثل أقصى درجات حرارة آمنة ومجالات المضخات، مما دلّ على أنه استغل الفضاء المسموح بالكامل. والأهم أن الظروف التي اكتشفها المختبر الذاتي القيادة كانت قابلة للنقل مباشرة إلى تشغيلات مستمرة أطول، مما يثبت أن الوصفة المحسّنة كانت مستقرة وقابلة للتوسع.

نظرة داخل عملية اتخاذ القرار

بعيدًا عن العثور على وصفات جيدة، رغب الباحثون في فهم سبب فاعليتها. عاملوا نموذج التعلم الآلي المدرب كتوأم رقمي للتفاعل واستخدموا أداة تحليل تُرتّب مقدار تأثير كل مكوّن وإعداد على الإخراج الضوئي. كشفت هذه الأداة أن محتوى السيزيوم، وكمية محلول الإنديم مع الكلوريد، ودرجة حرارة التفاعل كانت الأذرع الأهم، بينما لعبت معادن أخرى والمذيب الرئيسي أدوارًا أقل. لاختبار هذه الرؤى، أجروا تجارب تدفّق ديناميكية حيث غيّروا أحد المكونات بسلاسة بينما راقبوا إشارة الضوء تتغير في الزمن الحقيقي. أدى خفض السيزيوم تدريجيًا إلى تعتيم وتوسيع الانبعاث، متسقًا مع زيادة العيوب. أما تغيير محلول الإنديم مع الكلوريد فأظهر نقطة مثالية: القليل جدًا أو الكثير جدًا أضر بالأداء، لكن نطاقًا متوسطًا أدى إلى انبعاث أكثر سطوعًا وأضيق وأقل مراحل غير مرغوبة.

ماذا يعني هذا لمستقبل المواد

بجمع مختبر ميكروي على رقاقة وقراءة بصرية في الزمن الحقيقي وخوارزميات التعلم، تُظهر PoLARIS كيف يمكن للتجارب الذاتية التشغيل أن تكتشف وصفات نانوية أفضل وتكشف سبب عملها. حوّلت المنهجية بحثًا سباعي الأبعاد شاقًا إلى عملية فعّالة وغنية بالبيانات حسّنت الانبعاث الضوئي وكشفت أي المكونات هي الأكثر أهمية. وبما أن نفس الاستراتيجية يمكن تكييفها مع مواد متعددة العناصر الأخرى، فإنها توفر مسارًا نحو اكتشافات أسرع وأكثر ذكاءً لمكونات أكثر أمانًا وكفاءة لتقنيات الطاقة والشاشات والاستشعار المستقبلية.

الاستشهاد: Li, J., Delgado-Licona, F., Liu, Z. et al. Autonomous microfluidic experimentation for exploring reaction inference and synthesizing double perovskite nanoplatelets. Nat Commun 17, 4514 (2026). https://doi.org/10.1038/s41467-026-72765-2

الكلمات المفتاحية: مختبر ذاتي القيادة, الميكروفلويديات, صفائح نانوية بيروفيسكايت, اكتشاف المواد, التعلم الآلي في الكيمياء