Fysikbaserad maskininlärningsverktygslåda för att kartlägga koncentration under diffusionsregim i mikrofluidiska enheter

Att iakta mikrokemi i arbete

När vätskor rör sig genom rocks mikroskopiska porer kan de föra med sig föroreningar, lagra koldioxid eller innesluta radioaktivt avfall. Forskare använder mikrofluidiska chip—små, transparenta enheter som efterliknar porösa bergarter—för att iaktta dessa processer. Men även om kameror kan fånga vackra filmer av kristallväxt och igentäppta porer, kan de inte direkt visa hur upplösta kemikalier rör sig och ackumuleras i kanalerna. Denna artikel presenterar en ny datorbaserad verktygslåda som omvandlar bilder från dessa chip till snabba, kvantitativa kartor över kemisk koncentration, vilket hjälper forskare att se det osynliga och reagera på experiment i realtid.

Från bilder till dolda koncentrationskartor

Författarna tar sig an en praktisk flaskhals i modern mikrofluidik: hur man mäter föränderliga koncentrationer av upplösta ämnen över ett komplext chip utan att använda långsamma eller invasiva sensorer. Traditionellt kör forskare detaljerade numeriska simuleringar som fungerar som virtuella sonder. Dessa simuleringar är noggranna men extremt tidskrävande och kräver noggrant manuellt förarbete för varje bild. Den nya verktygslådan ersätter det mesta av detta tunga arbete med en fysikbaserad maskininlärningsmetod. Den tar in vanliga optiska mikroskopbilder och fysiska förhållanden och förutspår snabbt hur olika upplösta arter fördelar sig i rum och tid, samt hur snabbt de diffunderar och var fasta kristaller sannolikt kommer att bildas.

Tre smarta steg istället för ett stort gissande

I stället för att förlita sig på ett enda ogenomskinligt neuralt nätverk, efterliknar verktygslådan det vanliga modelleringsflödet i tre transparenta steg. Först omvandlar en U-Net-modell—en typ av bildsegmenteringsnätverk—råa färgbilder från mikroskopet till enkla svartvita kartor som skiljer fasta korn från porutrymmet. Detta undanröjer behovet av tidsödande manuell spårning av varje kornkantslinje. För det andra komprimerar en konvolutionell autoencoder dessa binära bilder till en kompakt uppsättning siffror som fortfarande fångar den väsentliga geometrin. Den genererar också många ytterligare realistiska porexemplar, vilket utökar träningsmängden utan fler experiment eller manuellt arbete.

Inbäddning av fysik för hastighet och förtroende

Det sista steget använder en teknik kallad icke-invasiv reducerad basmetod. I stället för att behandla systemet som en svart låda utgår denna metod från fullskalefysikaliska simuleringar baserade på Lattice–Boltzmann-ansatsen—väl etablerade ekvationer för hur partiklar diffunderar genom komplexa strukturer. Från dessa simuleringar extraherar metoden ett litet antal basmönster som beskriver hur koncentrationsfält vanligtvis beter sig. Ett lättviktigt neuralt nätverk lär sig sedan endast hur den komprimerade geometrin, tiden och de fysiska inställningarna kombineras för att viktmässigt blanda dessa mönster. Denna design bevarar den underliggande fysiken samtidigt som beräkningstiden halveras avsevärt: när nätverket väl är tränat kan verktygslådan ersätta simuleringar som skulle ta många timmar på en superdator med förutsägelser som beräknas på en bråkdel av en sekund på en bärbar dator.

Testning på utvecklande bergliknande och regelbundna chip

För att demonstrera verktygslådan studerade teamet två mikrofluidiska experiment där lösningar som innehöll strontium och sulfat blandas och bildar kristaller av celestin (SrSO₄). Ett chip imiterade en naturlig bergart med oregelbundna korn; det andra använde ett regelbundet mönster av cirkulära korn. I båda fallen fångade upprepade optiska bilder hur porerna sakta täppte igen när kristaller växte. Med endast ett fåtal manuellt segmenterade bilder för träning uppnådde U-Net och autoencodern segmenteringsnoggrannheter över 97–99%. De reducerade basmodellerna reproducerade sedan fullständiga simuleringsresultat för både spårardiffusion och fyra olika joniska arter med mycket små fel, samtidigt som de var mellan hundratusen och en miljon gånger snabbare än de ursprungliga simuleringarna.

Att peka ut var kristaller kommer att växa nästa

Utrustad med snabba koncentrationsprognoser kan verktygslådan beräkna en mättnadsindex—ett mått på om lokala förhållanden gynnar kristalltillväxt. Författarna använde detta för att förutsäga, tio minuter i förväg, var nya celestin-kristaller skulle dyka upp eller där befintliga skulle växa i båda chipen. Regioner som modellen flaggade som översaturerade motsvarade väl de platser där ljusa nya kristaller senare framträdde i mikroskopbilderna. Samtidigt uppskattade verktygslådan hur den övergripande lättheten för diffusion genom chippet förändrades när porerna täpptes igen, och skapade en bro mellan mikroskopisk struktur och makroskopiska transportegenskaper.

Varför detta är viktigt för framtida experiment

Enkelt uttryckt gör detta arbete mikrofluidiska chip till smartare, delvis digitala experiment. Genom att kombinera maskininlärning med fysisk insikt ger verktygslådan forskare ett sätt att ”se” koncentrationsfält och troliga utfällningspunkter nästan lika snabbt som bilderna spelas in, utan att ge upp tolkningsbarheten. Detta öppnar dörren för verkliga digitala tvillingar av mikrofluidiska system: virtuella kopior som körs parallellt med verkliga experiment och föreslår när man ska ändra förhållanden, var man ska rikta avancerade bildstrålar och hur utvecklande porestrukturer påverkar flöde och reaktion. Medan nuvarande resultat fokuserar på diffusionsdrivna reaktioner, skulle samma ramverk så småningom kunna hjälpa till att designa och styra ett brett spektrum av lab-on-a-chip-processer, från kolinlagring till rening av grundvatten.

Citering: 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

Nyckelord: mikrofluidik, fysikbaserad maskininlärning, porösa medier, kristallutfällning, digital tvilling