Natuurkundig-gebaseerde machinelearning-toolbox om concentraties onder diffusieve omstandigheden in microfluidische apparaten te onderzoeken

Het bekijken van microscopische chemie in actie

Wanneer vloeistoffen door de microscopische poriën van gesteente stromen, kunnen ze verontreinigingen vervoeren, kooldioxide opslaan of radioactief afval insluiten. Wetenschappers gebruiken microfluidische chips — kleine, transparante apparaten die poreuze gesteenten nabootsen — om deze processen te observeren. Hoewel camera’s fraaie films kunnen vastleggen van groeiende kristallen en dichtslibbende poriën, laten ze niet direct zien hoe opgeloste chemicaliën door de kanaaltjes bewegen en zich ophopen. Dit artikel introduceert een nieuwe computergebaseerde toolbox die beelden van deze chips omzet in snelle, kwantitatieve kaarten van chemische concentraties, waardoor onderzoekers het onzichtbare kunnen zien en in realtime op experimenten kunnen reageren.

Van beelden naar verborgen concentratiekaarten

De auteurs pakken een praktisch knelpunt in moderne microfluidica aan: hoe veranderende concentraties van opgeloste stoffen over een complex chip meetbaar zijn zonder trage of invasieve sensoren toe te voegen. Traditioneel voeren wetenschappers gedetailleerde numerieke simulaties uit die fungeren als virtuele sondes. Die simulaties zijn nauwkeurig maar extreem tijdrovend en vragen om zorgvuldige handmatige voorbereiding van elk beeld. De nieuwe toolbox vervangt het grootste deel van dit zware werk door een natuurkundig-gebaseerde machinelearning-benadering. Hij verwerkt gewone optische microscoopbeelden en fysieke condities en voorspelt snel hoe verschillende opgeloste soorten zich ruimtelijk en in de tijd verdelen, hoe snel ze diffunderen en waar vaste kristallen waarschijnlijk zullen verschijnen.

Drie slimme stappen in plaats van één grote gok

In plaats van te vertrouwen op één ondoorzichtig neuraal netwerk bootst de toolbox de gebruikelijke modelleringsworkflow na in drie transparante stappen. Eerst zet een U-Net-model — een type beeldsegmentatienetwerk — ruwe kleurenbeelden van de microscoop om in eenvoudige zwart-witkaarten die vaste korrels van porieruimte onderscheiden. Dit elimineert de noodzaak voor arbeidsintensief handmatig natekenen van elke korrelgrens. Ten tweede comprimeert een convolutionele autoencoder deze binaire beelden tot een compacte set getallen die de essentiële geometrie behouden. Hij genereert ook veel extra realistische poriënpatronen, waardoor de trainingsset wordt uitgebreid zonder meer experimenten of handwerk.

Fysica inbouwen voor snelheid en vertrouwen

De laatste stap gebruikt een techniek die een niet-invasieve gereduceerde-basismethode wordt genoemd. In plaats van het systeem als zwarte doos te behandelen, begint deze methode bij volledige fysicasimulaties gebaseerd op de Lattice–Boltzmann-aanpak — goed gevestigde vergelijkingen voor hoe deeltjes door complexe structuren diffunderen. Uit deze simulaties haalt de methode een kleine set basispatronen die beschrijven hoe concentratievelden zich typisch gedragen. Een lichtgewicht neuraal netwerk leert vervolgens alleen hoe de gecomprimeerde geometrie, tijd en fysische instellingen deze patronen wegen. Dit ontwerp houdt de onderliggende fysica intact en verkort tegelijk de rekentijd drastisch: eenmaal getraind kan de toolbox simulaties die uren op een supercomputer zouden kosten vervangen door voorspellingen die in een fractie van een seconde op een laptop worden berekend.

Getest op evoluerende gesteenteachtige en regelmatige chips

Om de toolbox te demonstreren bestudeerde het team twee microfluidische experimenten waarin oplossingen met strontium en sulfaat mengen en celestijnkristallen (SrSO₄) vormen. De ene chip imiteerde natuurlijk gesteente met onregelmatige korrels; de andere gebruikte een regelmatig patroon van cirkelvormige korrels. In beide gevallen legden herhaalde optische beelden vast hoe poriën langzaam dichtslibden naarmate kristallen groeiden. Met slechts een handvol handmatig gesegmenteerde beelden voor training bereikten de U-Net en autoencoder segmentatienauwkeurigheden boven 97–99%. De gereduceerde-basismodellen reproduceerden vervolgens volledige simulatieuitkomsten voor zowel tracer-diffusie als vier verschillende ionische soorten met minimale fouten, terwijl ze meer dan honderdduizend tot een miljoen keer sneller waren dan de oorspronkelijke simulaties.

Aangeven waar kristallen als volgende zullen groeien

Met snelle concentratievoorspellingen kan de toolbox een verzadigingsindex berekenen — een maat voor of lokale omstandigheden kristalgroei bevorderen. De auteurs gebruikten dit om tien minuten vooruit te voorspellen waar nieuwe celestijnkristallen zouden verschijnen of bestaande zouden groeien in beide chips. Door het model als oververzadigd aangemerkte regio’s kwamen goed overeen met de locaties waar later heldere nieuwe kristallen in de microscoopbeelden verschenen. Tegelijk schatte de toolbox hoe de algehele diffusie-eigenschappen van de chip veranderden naarmate poriën verstopt raakten, waarmee een brug wordt geslagen tussen microscopische structuur en macroscopische transporteigenschappen.

Waarom dit belangrijk is voor toekomstige experimenten

In eenvoudige bewoordingen verandert dit werk microfluidische chips in slimmere, deels digitale experimenten. Door machinelearning met fysische inzage te combineren geeft de toolbox onderzoekers een manier om concentratievelden en waarschijnlijke neerslagplaatsen vrijwel even snel te "zien" als beelden worden opgenomen, zonder in te boeten op interpreteerbaarheid. Dit opent de deur naar echte digitale tweelingen van microfluidische systemen: virtuele kopieën die naast echte experimenten draaien en aangeven wanneer condities moeten worden aangepast, waar geavanceerde beeldvorming zich op moet richten en hoe evoluerende poriënstructuren stroming en reactie beïnvloeden. Hoewel de huidige resultaten zich richten op diffusiegedreven reacties, kan hetzelfde raamwerk uiteindelijk helpen bij het ontwerpen en controleren van een breed scala aan lab-on-a-chip-processen, van koolstofopslag tot grondwaterzuivering.

Bronvermelding: 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

Trefwoorden: microfluidica, natuurkundig-gebaseerde machinelearning, porieuze media, kristalneerslag, digitaal tweeling