用于在微流体装置弥散主导下探测浓度的基于物理的机器学习工具箱

观看微小化学过程的现场

当液体穿过岩石的显微孔隙时，它们可以携带污染物、储存二氧化碳或封存核废料。科学家使用微流体芯片——这种模拟多孔岩石的透明微小装置——来观测这些过程的演化。但尽管相机可以拍摄晶体生长和孔隙堵塞的漂亮影像，它们无法直接显示溶解化学物质如何在通道中移动和累积。本文介绍了一个新的基于计算机的工具箱，它能将这些芯片的影像转换为快速、定量的化学浓度图，帮助研究者看见不可见的过程并在实验中实时响应。

从图像到隐藏的浓度图

作者解决了现代微流体学中的一个实际瓶颈：如何在不增加缓慢或侵入性传感器的情况下，测量整个复杂芯片上溶解物质随时间变化的浓度分布。传统上，科学家运行详尽的数值模拟，作为虚拟探针。这些模拟虽准确，但非常耗时，并且每张图像都需要繁琐的手工准备。新的工具箱用一种基于物理的机器学习方法替代了大部分繁重工作。它以常规光学显微镜图像和物理条件为输入，快速预测不同溶质在空间和时间上的分布、它们的扩散速率以及固体晶体可能出现的位置。

三个智能步骤，而非一次笼统猜测

工具箱并不依赖单一不透明的神经网络，而是以三步透明流程模仿常规建模工作流。首先，U-Net 模型（一种图像分割网络）将显微镜的原始彩色图像转换为黑白映射，区分固体颗粒与孔隙空间，免去了对每个颗粒边界手工描绘的需求。第二，卷积自编码器将这些二值图像压缩为一组紧凑数值，仍然保留关键几何信息。它还生成许多额外的真实感孔隙模式，扩展训练集而无需更多实验或手工工作。

嵌入物理以换取速度与可信度

最后一步使用了一种称为非侵入性降维基方法。该方法并非将系统视为黑箱，而是从基于格子玻尔兹曼方法的完整物理模拟出发——这是描述粒子如何在复杂结构中扩散的成熟方程。从这些模拟中，该方法提取出少量基模式，描述浓度场的典型行为。然后，一个轻量级神经网络只学习如何将压缩后的几何信息、时间和物理条件组合来加权这些基模式。这样的设计在保持底层物理不变的同时大幅缩短计算时间：一旦训练完成，工具箱可用在笔记本上以小数秒的时间给出预测，取代原本需要在超级计算机上运行数小时的模拟。

在演化的类岩石与规则芯片上测试

为展示工具箱，团队研究了两组微流体实验，其中含锶和硫酸根的溶液混合并形成天青石（SrSO₄）晶体。一个芯片模拟了具有不规则颗粒的天然岩石；另一个则使用规则排列的圆形颗粒。在两种情况下，重复的光学图像记录了晶体生长时孔隙如何缓慢堵塞。仅用少量手工分割的图像作为训练数据，U-Net 和自编码器就达到了97–99% 以上的分割精度。随后降维基模型在示踪剂扩散和四种离子物种的完整模拟结果上都复现了高精度，误差极小，同时比原始模拟快十万到一百万倍以上。

指示晶体下一步将在何处生长

借助快速的浓度预测，工具箱可以计算饱和度指数——衡量局部条件是否有利于晶体生长的指标。作者利用这一点预测了十分钟后的新天青石晶体会出现在何处或现有晶体会在哪里增长。模型标记为过饱和的区域与随后在显微镜图像中出现明亮新晶体的位置高度一致。同时，工具箱估算了随着孔隙堵塞芯片整体扩散容易性的变化，为显微结构与宏观传输性质之间建立了桥梁。

这对未来实验的意义

简言之，这项工作把微流体芯片变成了更智能、部分数字化的实验平台。通过将机器学习与物理洞见结合，工具箱让研究者能够几乎与图像记录同速地“看见”浓度场和潜在的沉淀位置，同时保持可解释性。这为微流体系统的真实数字孪生敞开了大门：这些虚拟副本可在真实实验旁并行运行，建议何时改变条件、在哪里集中高级成像，以及演化的孔隙结构如何影响流动与反应。尽管当前结果侧重于扩散驱动的反应，该框架最终也可能帮助设计和控制更广泛的芯片实验流程，从碳封存到地下水净化等应用。

引用: 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

关键词: 微流体, 基于物理的机器学习, 多孔介质, 晶体沉淀, 数字孪生