Mikroakışkanlık aygıtlarında difüzif rejimde konsantrasyonu araştırmak için fizik tabanlı makine öğrenmesi araç kutusu

Hareket halindeki mikrokimyanın izlenmesi

Sıvılar kayaların mikroskobik gözeneklerinden geçerken kirleticileri taşıyabilir, karbondioksiti depolayabilir veya nükleer atıkları kilitleyebilirler. Bilim insanları bu süreçleri izlemek için gözenekli kayaları taklit eden küçük, saydam cihazlar olan mikroakışkan çipleri kullanır. Ancak kameralar kristallerin büyümesini ve gözeneklerin tıkanmasını güzel filmler halinde yakalasa da çözünmüş kimyasalların kanallarda nasıl hareket edip biriktiğini doğrudan gösteremezler. Bu makale, bu çiplerden elde edilen görüntüleri hızlı, nicel konsantrasyon haritalarına dönüştüren yeni bir bilgisayar tabanlı araç kutusunu tanıtıyor; araştırmacıların görünmeyeni görmesine ve deneylere gerçek zamanlı tepki vermesine yardım ediyor.

Görüntülerden gizli konsantrasyon haritalarına

Yazarlar modern mikroakışkanlıktaki pratik bir darboğazla uğraşıyor: karmaşık bir çip boyunca değişen çözünmüş madde konsantrasyonlarını yavaş veya müdahaleci sensörler eklemeden nasıl ölçebilirsiniz? Geleneksel olarak bilim insanları sanal problar gibi davranan ayrıntılı sayısal simülasyonlar çalıştırır. Bu simülasyonlar doğru ama son derece zaman alıcıdır ve her görüntünün titizlikle elle hazırlanmasını gerektirir. Yeni araç kutusu bu ağır işi büyük ölçüde fizik tabanlı bir makine öğrenmesi yaklaşımıyla değiştirir. Normal optik mikroskopi görüntülerini ve fiziksel koşulları alır ve farklı çözünmüş türlerin zaman ve mekânda nasıl dağıldığını, ne kadar hızla difüz olduklarını ve nerede katı kristallerin oluşmasının muhtemel olduğunu hızla tahmin eder.

Tek büyük tahmin yerine üç akıllı adım

Tek bir opak sinir ağına güvenmek yerine araç kutusu, olağan modelleme iş akışını üç şeffaf adımda taklit eder. İlk olarak, bir U-Net modeli — görüntü segmentasyonuna yönelik bir ağ türü — mikroskoptan gelen ham renkli görüntüleri katı taneleri gözenek boşluğundan ayıran basit siyah-beyaz haritalara dönüştürür. Bu, her tane sınırını zahmetle elle çizme gereğini ortadan kaldırır. İkinci olarak, bir konvolüsyonel otoenkoder bu ikili görüntüleri temel geometrisini koruyan sıkıştırılmış bir sayı kümesine dönüştürür. Ayrıca daha fazla deney veya elle çalışma yapmadan eğitim setini genişletmek için çok sayıda ek gerçekçi gözenek deseni üretir.

Hızı ve güveni sağlamak için fiziği gömmek

Son adım, müdahalesiz indirgenmiş temel yöntemi olarak bilinen bir teknik kullanır. Sistemi kara kutu gibi ele almak yerine bu yöntem Lattice–Boltzmann yaklaşımına dayanan tam fiziksel simülasyonlardan başlar — parçacıkların karmaşık yapılarda nasıl difüz olduğunu tanımlayan iyi yerleşmiş denklemler. Bu simülasyonlardan, konsantrasyon alanlarının tipik davranışlarını tanımlayan küçük bir temel desen kümesi çıkarılır. Hafif bir sinir ağı daha sonra yalnızca sıkıştırılmış geometri, zaman ve fiziksel ayarların bu desenleri nasıl ağırlıklandıracağını öğrenir. Bu tasarım temel fiziği korurken hesaplama süresini önemli ölçüde azaltır: eğitildikten sonra araç kutusu, süperbilgisayarda saatler alacak simülasyonların yerini dizüstü bilgisayarda saniyenin kesirlerinde hesaplanan tahminlerle alabilir.

Gelişen kaya benzeri ve düzenli çiplerde test

Araç kutusunu göstermek için ekip stronsiyum ve sülfat içeren çözeltilerin karışıp selestin (SrSO₄) kristalleri oluşturduğu iki mikroakışkan deneyini inceledi. Bir çip düzensiz taneleriyle doğal bir kayayı taklit etti; diğeri ise düzenli dairesel taneler kullandı. Her iki durumda da tekrarlanan optik görüntüler kristaller büyüdükçe gözeneklerin yavaşça tıkandığını yakaladı. Eğitim için yalnızca bir avuç elle segmentlenmiş görüntü kullanılarak U-Net ve otoenkoder %97–99'un üzerinde segmentasyon doğruluğu elde etti. İndirgenmiş temel modeller daha sonra iz difüzyonu ve dört farklı iyonik tür için tam simülasyon sonuçlarını çok küçük hatalarla yeniden üretti; aynı zamanda orijinal simülasyonlardan yüz bin ila bir milyon kat daha hızlıydılar.

Kristallerin bir sonraki nerede büyüyeceğine işaret etmek

Hızlı konsantrasyon tahminleriyle araç kutusu bir doygunluk indeksi — yerel koşulların kristal büyümesini destekleyip desteklemediğinin bir ölçüsü — hesaplayabiliyor. Yazarlar bunu kullanarak her iki çipte de yeni selestin kristallerinin nerede ortaya çıkacağını veya mevcut olanların nerede büyüyeceğini on dakika önceden tahmin etti. Model tarafından aşırı doygun olarak işaretlenen bölgeler, daha sonra mikroskop görüntülerinde parlak yeni kristallerin çıktığı konumlarla yakından eşleşti. Aynı zamanda araç kutusu, gözenekler tıkandıkça çip boyunca difüzyonun genel kolaylığının nasıl değiştiğini tahmin ederek mikroskobik yapı ile makroskopik taşınım özellikleri arasında bir köprü sağladı.

Gelecek deneyler için neden önemli

Basitçe söylemek gerekirse, bu çalışma mikroakışkan çipleri daha akıllı, kısmen dijital deneylere dönüştürüyor. Makine öğrenmesini fiziksel içgörüyle birleştirerek araç kutusu, araştırmacılara görüntüler kaydedilir kaydedilmez neredeyse anlık olarak konsantrasyon alanlarını ve muhtemel çökeltme noktalarını “görme” yolu sunuyor ve yorumlanabilirlikten ödün vermiyor. Bu, mikroakışkan sistemlerin gerçek deneylerle paralel olarak çalışan ve ne zaman koşulları değiştireceklerini, hangi bölgelerde gelişmiş görüntüleme ışınlarına odaklanacaklarını ve değişen gözenek yapıların akış ve reaksiyonu nasıl etkilediğini önerebilen gerçek dijital ikizlere kapı açıyor. Mevcut sonuçlar difüzyon kaynaklı reaksiyonlara odaklansa da aynı çerçeve nihayetinde karbon depolamadan yeraltı suyu temizliğine kadar çok çeşitli lab-on-a-chip süreçlerinin tasarımına ve kontrolüne yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: mikroakışkanlık, fizik tabanlı makine öğrenmesi, gözenekli ortamlar, kristal çökeltme, dijital ikiz