Пакет методов машинного обучения на основе физики для восстановления концентрации в диффузионном режиме в микрофлюидных приборах

Наблюдая крошечную химию в действии

Когда жидкости проникают через микроскопические поры пород, они могут переносить загрязнители, хранить диоксид углерода или изолировать ядерные отходы. Учёные используют микрофлюидные чипы — крошечные прозрачные устройства, имитирующие пористые породы — чтобы наблюдать эти процессы. Камеры умеют снимать красивые фильмы роста кристаллов и закупорки пор, но они не показывают напрямую, как растворённые вещества перемещаются и накапливаются внутри каналов. В этой статье представлен новый вычислительный набор инструментов, который превращает изображения с таких чипов в быстрые количественные карты концентраций, помогая исследователям увидеть невидимое и реагировать на эксперимент в реальном времени.

От снимков к скрытым картам концентрации

Авторы решают практическое узкое место в современной микрофлюиданике: как измерять изменяющиеся концентрации растворённых веществ по сложному чипу без медленных или инвазивных сенсоров. Традиционно учёные выполняют детальные численные моделирования, действующие как виртуальные зондовые точки. Эти симуляции точны, но чрезвычайно трудо- и времязатратны, требуя кропотливой ручной подготовки каждого изображения. Новый набор инструментов заменяет большую часть этой тяжёлой работы подходом машинного обучения, встроенным в физическую модель. Он принимает обычные оптические микроскопические снимки и физические условия и быстро предсказывает распределение различных растворённых видов во времени и пространстве, а также их диффузию и вероятные места выпадения твёрдых кристаллов.

Три умных шага вместо одного большого предположения

Вместо того чтобы полагаться на одну непрозрачную нейросеть, пакет имитирует привычную рабочую цепочку моделирования в три прозрачных этапа. Сначала модель U-Net — тип сети для сегментации изображений — преобразует исходные цветные микроскопические снимки в простые чёрно-белые карты, различающие твёрдые зерна и поровое пространство. Это устраняет необходимость в трудоёмком ручном обводе каждой границы зерна. Затем сверточный автоэнкодер сжимает эти бинарные изображения до компактного набора чисел, которые по-прежнему описывают основную геометрию. Он также генерирует множество дополнительных реалистичных поровых паттернов, расширяя обучающую выборку без дополнительных экспериментов и ручной работы.

Встраивание физики ради скорости и доверия

Финальный шаг использует метод, называемый невнедрящимся методом сокращённой базы. Вместо обращения с системой как с чёрным ящиком, этот метод стартует с полнофизических симуляций на основе подхода решётчатого Больцмана — хорошо установленных уравнений для описания диффузии частиц в сложных структурах. Из этих симуляций метод извлекает небольшой набор базисных паттернов, описывающих типичное поведение полей концентрации. Лёгкая нейросеть затем обучается только тому, как сжатая геометрия, время и физические параметры комбинируются, чтобы взвешивать эти паттерны. Такая архитектура сохраняет базовую физику и при этом сильно снижает время вычислений: после обучения набор инструментов способен заменить симуляции, которые занимали бы часы на суперкомпьютере, предсказаниями, вычисляемыми за доли секунды на ноутбуке.

Тестирование на эволюционирующих похожих на породы и регулярных чипах

Для демонстрации подхода команда изучала два микрофлюидных эксперимента, где растворы стронция и сульфата смешивались и образовывали кристаллы целестина (SrSO₄). Один чип имитировал природную породу с нерегулярными зернами; другой использовал регулярный рисунок из круглых зерен. В обоих случаях повторные оптические снимки фиксировали, как поры постепенно закупоривались по мере роста кристаллов. Используя лишь небольшое число вручную сегментированных изображений для обучения, U-Net и автоэнкодер достигли точности сегментации выше 97–99%. Модели сокращённой базы затем воспроизвели полные результаты симуляций как для диффузии трассера, так и для четырёх различных ионных видов с очень малыми погрешностями, при этом работая в сто тысяч — миллион раз быстрее по сравнению с исходными симуляциями.

Указание, где вырастут следующие кристаллы

Имея быстрые предсказания концентраций, пакет может вычислять индекс насыщения — меру того, благоприятствуют ли местные условия росту кристаллов. Авторы использовали это, чтобы прогнозировать за десять минут вперёд, где появятся новые кристаллы целестина или где существующие будут расти в обоих чипах. Области, помеченные моделью как пересыщенные, хорошо совпадали с местами, где позже в микроскопических изображениях появлялись яркие новые кристаллы. Одновременно набор инструментов оценивал, как общая проходимость диффузии через чип меняется по мере закупорки пор, обеспечивая мост между микроскопической структурой и макроскопическими транспортными свойствами.

Почему это важно для будущих экспериментов

Проще говоря, эта работа превращает микрофлюидные чипы в более умные, частично цифровые эксперименты. Сочетая машинное обучение с физическим пониманием, пакет даёт исследователям способ «увидеть» поля концентраций и вероятные места осаждения почти так же быстро, как записываются изображения, не теряя интерпретируемости. Это открывает путь к созданию настоящих цифровых двойников микрофлюидных систем: виртуальных копий, работающих параллельно с реальными экспериментами и предлагающих, когда изменить условия, где сосредоточить продвинутую визуализацию и как изменяющаяся поровая структура влияет на поток и реакцию. Хотя текущие результаты ориентированы на реакции, управляемые диффузией, та же структура в будущем может помочь в проектировании и управлении широким спектром процессов «лаб-на-чипе» — от хранения углерода до очистки грунтовых вод.

Цитирование: 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

Ключевые слова: микрофлюиданика, машинное обучение, основанное на физике, пористые среды, осаждение кристаллов, цифровой двойник