صندوق أدوات تعلّم آلي قائم على الفيزياء لاستكشاف التركيز في ظل نظام الانتشار في أجهزة المايكروفلويديك

مراقبة الكيمياء الميكroscopية أثناء العمل

عندما تتحرك السوائل عبر المسام المجهرية للصخور، يمكنها حمل الملوِّثات أو تخزين ثاني أكسيد الكربون أو احتجاز النفايات النووية. يستخدم العلماء شرائح مايكروفلويديك—أجهزة صغيرة شفافة تحاكي الصخور المسامية—لمراقبة هذه العمليات وهي تتكشف. لكن بينما تستطيع الكاميرات تسجيل أفلام جميلة لنمو البلورات واحتقان المسام، لا يمكنها إظهار كيفية تحرك المواد المذابة وتجميعها داخل القنوات بصورة مباشرة. تُقدّم هذه المقالة صندوق أدوات جديدًا قائمًا على الحاسوب يحوّل الصور من هذه الشرائح إلى خرائط رقمية سريعة وكمّية للتركيزات، ما يساعد الباحثين على رؤية ما لا يُرى والتفاعل مع التجارب في الزمن الحقيقي.

من الصور إلى خرائط التركيز المختفية

يتناول المؤلفون عنق زجاجة عمليًا في المايكروفلويديك الحديث: كيفية قياس تغيُّر تركيزات المواد المذابة عبر شريحة معقّدة دون إضافة حسّاسات بطيئة أو اقتحامية. تقليديًا، يجري العلماء محاكاة رقمية مفصّلة تعمل كمسابير افتراضية. هذه المحاكاة دقيقة لكنها تستغرق وقتًا طويلاً وتتطلّب إعدادًا يدويًا مرهقًا لكل صورة. يحلّ صندوق الأدوات الجديد معظم هذا العمل الشاق بنهج تعلّم آلي قائم على الفيزياء. يستقبل صور المجهر البصري العادية والظروف الفيزيائية ويتنبّأ بسرعة بكيفية توزيع الأنواع المذابة المختلفة في المكان والزمان، بالإضافة إلى سرعة انتشارها وأماكن احتمال ظهور البلورات الصلبة.

ثلاث خطوات ذكية بدلًا من تخمين واحد غامض

بدل الاعتماد على شبكة عصبية واحدة غامضة، يحاكي صندوق الأدوات سير العمل النموذجي في ثلاثة خطوات شفافة. أولًا، يحوّل نموذج U-Net—وهو نوع من شبكات تجزئة الصور—الصور الملونة الخام من المجهر إلى خرائط بسيطة بالأبيض والأسود تميّز الحبيبات الصلبة عن الفراغ المسامي. هذا يلغي الحاجة إلى تتبّع حدود الحبيبات يدويًا. ثانيًا، يضغط مُشفّر تلقائي تلافيفي هذه الصور الثنائية إلى مجموعة مدمجة من الأرقام التي لا تزال تلتقط الهندسة الأساسية، كما يُولّد العديد من أنماط المسام الواقعية الإضافية، موسّعًا مجموعة التدريب دون حاجة لتجارب أو عمل يدوي إضافي.

ضمّ الفيزياء للسرعة والثقة

الخطوة النهائية تستخدم تقنية تُدعى طريقة القاعدة المخفضة غير الاقتحامية. بدل معاملة النظام كصندوق أسود، تبدأ هذه الطريقة من محاكاة فيزيائية كاملة مبنية على نهج لاتيس–بولتزمان—معادلات راسخة لوصف كيفية انتشار الجسيمات عبر البنى المعقدة. من هذه المحاكاة، تستخلص الطريقة مجموعة صغيرة من أنماط القواعد التي تصف سلوك مجالات التركيز النموذجي. ثم تتعلّم شبكة عصبية خفيفة كيف تُركّب الهندسة المضغوطة والزمن والظروف الفيزيائية لوزن هذه الأنماط. يحافظ هذا التصميم على الفيزياء الأساسية مع تقليص زمن الحساب بشكل كبير: بعد التدريب، يمكن لصندوق الأدوات أن يستبدل محاكاة كانت ستستغرق ساعات على حاسوب فائق بتنبؤات تُحسب في جزء من الثانية على حاسوب محمول.

اختبار على شرائح شبيهة بالصخر ومتساوية النمط أثناء التطور

لإظهار قدرات الصندوق، درست الفريق تجربتين مايكروفلويديكيتين حيث تمت مزج محاليل تحتوي على السترونشيوم والكبريتات وتكوين بلورات السيليستين (SrSO₄). قلدت إحدى الشرائح صخرة طبيعية بحبيبات غير منتظمة؛ أما الأخرى فاستعملت نمطًا منتظمًا من الحبيبات الدائرية. في كلتا الحالتين، التقطت الصور الضوئية المتكررة كيف انسدت المسام تدريجيًا مع نمو البلورات. باستخدام حفنة من الصور المقسّمة يدويًا للتدريب، حقق كل من U-Net والمشفّر التلقائي دقّة تجزئة تزيد عن 97–99%. أعادت نماذج القاعدة المخفضة بعد ذلك إنتاج نتائج المحاكاة الكاملة لكل من انتشار المتتبع وأربع أنواع أيونية مختلفة بخطأ طفيف للغاية، بينما كانت أسرع بأكثر من مئة ألف إلى مليون مرة مقارنة بالمحاكاة الأصلية.

الإشارة إلى المواقع المتوقع نمو البلورات فيها لاحقًا

مزودًا بتنبؤات تركيز سريعة، يمكن لصندوق الأدوات حساب مؤشر التشبع—مقياس ما إذا كانت الظروف المحلية تفضّل نمو البلورات. استخدم المؤلفون هذا للتنبؤ، قبل عشر دقائق، بمواقع ظهور بلورات السيليستين الجديدة أو نمو البلورات القائمة في كلتا الشريحتين. توافقت المناطق التي علّمها النموذج على أنها فائقة التشبع بشكل وثيق مع المواقع التي ظهرت فيها لاحقًا بلورات جديدة ساطعة في صور المجهر. في الوقت نفسه، قدّر الصندوق كيف تغيّرت سهولة الانتشار عبر الشريحة إجمالًا مع انسداد المسام، موفّرًا جسرًا بين البنية المجهرية وخصائص النقل الكلية.

لماذا يهم هذا للتجارب المستقبلية

بعبارات بسيطة، يحوّل هذا العمل شرائح المايكروفلويديك إلى تجارب أكثر ذكاءً وجزئيًا رقمية. من خلال دمج التعلّم الآلي مع البصيرة الفيزيائية، يمنح صندوق الأدوات الباحثين وسيلة "لرؤية" حقول التركيز ونقاط الترسّب المحتملة تقريبًا بنفس سرعة تسجيل الصور، دون التضحية بالقابلية للتفسير. يفتح هذا الباب أمام توائم رقمية حقيقية للأنظمة المايكروفلويديك: نسخ افتراضية تعمل جنبًا إلى جنب مع التجارب الحقيقية وتقترح متى يجب تغيير الظروف، وأين تركّز حزم التصوير المتقدّمة، وكيف تؤثر البنى المتطوِّرة للمسام على الجريان والتفاعل. رغم أن النتائج الحالية تركز على التفاعلات المدفوعة بالانتشار، يمكن لنفس الإطار في نهاية المطاف أن يساعد في تصميم والتحكم بمجموعة واسعة من عمليات المختبر على شريحة، من تخزين الكربون إلى تنظيف مياه الجوف.

الاستشهاد: Santoso, R., Yang, Y., Lönartz, M. et al. Physics-based machine learning toolbox for probing concentration under diffusive regime in microfluidics devices. Commun Phys 9, 106 (2026). https://doi.org/10.1038/s42005-026-02590-y

الكلمات المفتاحية: المايكروفلويديك, التعلّم الآلي القائم على الفيزياء, الوسائط المسامية, ترسّب البلورات, التوأم الرقمي