ערכת כלים מבוססת פיזיקה ולמידת מכונה לחקר ריכוזים במשטר דיפוזי במכשירי מיקרופלואידיקה

צופים בכימיה זעירה בפעולה

כאשר נוזלים זורמים דרך הנקבוביות המיקרוסקופיות של סלעים, הם יכולים לשאת מזהמים, לאחסן פחמן דו‑חמצני או לנעול פסולת גרעינית. מדענים משתמשים בשבבים מיקרופלואידיים—מכשירים זעירים ושקופים המדמים סלעים נקבוביים—כדי לצפות בתהליכים הללו מתרחשים. אך למרות שמצלמות מצלמות סרטים מרהיבים של גדילת גבישים ותקלות נקבוביות, הן אינן מציגות ישירות כיצד חומרים מומסים נעים ומצטברים בתוך הערוצים. מאמר זה מציג ערכת כלים מחשובית חדשה שהופכת תמונות מהשבבים למפות ריכוז כמותיות ומהירות, המסייעות לחוקרים לראות את הבלתי נראה ולהגיב לניסויים בזמן אמת.

מתמונות למפות ריכוז חבויות

המחברים מתמודדים עם צוואר בקבוק פרקטי במיקרופלואידיקה מודרנית: כיצד למדוד ריכוזים משתנים של חומרים מומסים ברחבי שבב מורכב מבלי להוסיף חיישנים איטיים או חודרניים. באופן מסורתי מדענים מריצים סימולציות נומריות מפורטות, הפועלות ככמוסות וירטואליות. סימולציות אלה מדויקות אך צורכות זמן רב ודורשות הכנה ידנית מתישה של כל תמונה. ערכת הכלים החדשה מחליפה את רוב העבודה הכבדה הזו בגישה של למידת מכונה משולבת פיזיקה. היא מקבלת תמונות מיקרוסקופ אופטי רגילות ותנאים פיזיקליים, וחוזה במהירות כיצד מינים מומסים שונים מתפזרים במרחב ובזמן, כמו גם כמה מהר הם מתפזרים והיכן צפויים להיווצר גבישים מוצקים.

שלושה שלבים חכמים במקום ניחוש אחד גדול

במקום להסתמך על רשת עצבית אחת שקופה בלבד, ערכת הכלים מחקה את תהליך המודל המקובל בשלושה שלבים שקופים. ראשית, מודל U‑Net—סוג של רשת לסגמנטציית תמונה—ממיר תמונות צבעיות גולמיות מהמיקרוסקופ למפות שחור‑לבן פשוטות המבדילות בין גרגירים מוצקים לחלל הנקבובי. זה מסיר את הצורך במעקב ידני מתיש של כל גבול גרגיר. שנית, אוטואנקודר מקונבולוציוני מדחס את התמונות הבינריות האלה למערכת קומפקטית של מספרים שממשיכים ללכוד את הגיאומטריה החיונית. הוא גם מייצר דפוסי נקבוביות נוספים וריאליסטיים, מרחיב את סט האימון ללא צורך בניסויים נוספים או בעבודה ידנית.

הטמעת פיזיקה למען מהירות ואמינות

השלב הסופי משתמש בטכניקה הנקראת שיטת בסיס מצומצם לא חודרנית. במקום להתייחס למערכת כאל קופסה שחורה, שיטה זו מתחילה מסימולציות פיזיות מלאות מבוססות על גישת Lattice–Boltzmann—משוואות מבוססות היטב המתארות כיצד חלקיקים מפזרים דרך מבנים מורכבים. מתוך סימולציות אלה השיטה מפיקה סט קטן של תבניות בסיס המתארות כיצד שדות ריכוז נוטים להתנהג. רשת עצבית קלת משקל לומדת אז רק כיצד הגיאומטריה המקוצרת, הזמן וההגדרות הפיזיקליות משתלבים כדי לשקול את התבניות הללו. עיצוב זה משמר את עקרונות הפיזיקה הבסיסיים תוך קיצוץ דרמטי בזמן חישוב: לאחר אימון, ערכת הכלים יכולה להחליף סימולציות שלקחו שעות רבות על מחשב-על בחיזויים המבוצעים בשבריר השנייה על מחשב נייד.

בדיקה על שבבים מדמים סלע מתפתחים ושבבים אחידים

כדי להדגים את ערכת הכלים, הקבוצה חקרה שני ניסויי מיקרופלואידיקה שבהם תמיסות המכילות סטרונציום וסולפט מתערבבות ויוצרות גבישי סלסטין (SrSO₄). אחד השבבים חיקה סלע טבעי עם גרגירים לא סדירים; השני השתמש בדפוס סדור של גרגירים מעגליים. בשני המקרים תמונות אופטיות חוזרות תיעדו כיצד הנקבוביות נסתמות בהדרגה ככל שהגבישים גדלו. באמצעות מעט תמונות שסומנו ידנית לאימון בלבד, ה‑U‑Net והאוטואנקודר השיגו דיוקי סגמנטציה מעל 97–99%. דגמי הבסיס המצומצם שיחזרו אז את תוצאות הסימולציה המלאות הן לפיזור סמן (tracer) והן לארבעה מינים יוניים שונים עם שגיאות זניחות, בעוד שהיו מהירים יותר במאות אלפי עד מיליון פעמים מהסימולציות המקוריות.

מצביעים היכן גבישים יגדלו בהמשך

מצויד בערכי ריכוז מהירים, ערכת הכלים יכולה לחשב מדד רוויה—מטריקה שמודדת האם התנאים המקומיים מעודדים גדילת גבישים. המחברים השתמשו בכך כדי לחזות, עשר דקות מראש, היכן יופיעו גבישי סלסטין חדשים או היכן קיימים יגדלו בשני השבבים. אזורים שסומנו כעוקפים רוויה על ידי המודל התאימו היטב למיקומים שבהם גבישים חדשים ובהירים הופיעו מאוחר יותר בתמונות המיקרוסקופ. במקביל, ערכת הכלים העריכה כיצד הקלות הדיפוזיה הכללית דרך השבב השתנתה ככל שהנקבוביות נסתמו, וסיפקה גשר בין מבנה חיקויי מיקרוסקופי לתכונות הובלה מקרוסקופיות.

מדוע זה חשוב לניסויים בעתיד

במלים פשוטות, עבודה זו הופכת שבבי מיקרופלואידיקה לניסויים חכמים למחצה ודיגיטליים. על ידי שילוב למידת מכונה עם תובנה פיזיקלית, ערכת הכלים נותנת לחוקרים דרך "לראות" שדות ריכוז ונקודות משקע צפויות כמעט באותה מהירות שהתמונות נרשמות, מבלי לוותר על יכולת פירוש. זה פותח את הדלת להתאמות דיגיטליות אמיתיות של מערכות מיקרופלואידיות: עותקים וירטואליים שפועלים לצד ניסויים אמיתיים ומציעים מתי לשנות תנאים, היכן למקד קרני הדמיה מתקדמות ואיך מבני נקבוב משתנים משפיעים על הזרימה והתגובה. בעוד שהתוצאות הנוכחיות מתמקדות בתגובות מונעות דיפוזיה, אותו מסגרת עשויה בסופו של דבר לסייע בתכנון ושליטה במגוון רחב של תהליכי מעבדה על שבב, מאחסון פחמן ועד ניקוי מי תהום.

ציטוט: 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

מילות מפתח: מיקרופלואידיקה, למידת מכונה מבוססת פיזיקה, תווך נקבובי, משקעי גבישים, התאום הדיגיטלי