Forskere udforsker maskinlæring for at automatisere sortering af mikrokapsler i realtid

Mikroindkapslet CO ₂ sorbenter (MECS) - bittesmå, genanvendelige kapsler fulde af en natriumcarbonatopløsning, der kan absorbere kuldioxid fra luften - er en lovende teknologi til at opfange kulstof fra atmosfæren. For at skabe de kaviarlignende objekter, videnskabsmænd kører tre væsker gennem en række mikrofluidiske komponenter for at skabe dråber, der bliver til kapsler, når de udsættes for ultraviolet lys nedstrøms. Imidlertid, væskeegenskaber og strømningshastigheder kan ændre sig under eksperimenter. Disse ændringer kan føre til kapsler, der er defekte, ukorrekt størrelse eller på anden måde ubrugelig, resulterer i tilstopning af enheden, kontaminerede prøver og spildtid.

Til dato, denne proces med at skabe mikrokapsler har krævet konstant overvågning, en hverdagslig opgave for operatører. Men forskere fra Lawrence Livermore National Laboratory (LLNL) har opdaget, at de kan bruge maskinlæring til at automatisere kvalitetskontrol af mikroindkapsling i realtid, udtænke en algoritme til at bestemme "gode" kapsler fra "dårlige" og udvikle en ventilbaseret mekanisme, der kan sortere dem uden menneskelig indblanding. Forskningen blev offentliggjort 15. april i tidsskriftet Lab on a Chip .

LLNL-forskere sagde, at den billedbaserede maskinlæringsalgoritme kan detektere problemkapsler og udløse et svar op til 40 gange i sekundet, eliminerer den monotone opgave med at overvåge fremstillingen af ​​mikrokapsler, sparer på spildt materiale. Desuden, disse egenskaber bør oversættes til andre applikationer for mikrokapsler ud over kulstoffangst, såsom medicin, kosmetik eller fødevaretilsætningsstoffer.

"Når man laver kapsler til kulstoffangst, [operatører] skal passe på processen, mens de håndterer andre opgaver til et eksperiment. Hvis noget forstyrrer processen, mens de ikke overvåger den, det er tid og produkt tabt, " sagde LLNL-ingeniør og projektleder Brian Giera. "Problemet var tydeligt, fordi alle klager over at skulle udføre overvågningsdelen, så vi ville bare hjælpe med at tage mennesket ud af løkken."

For et veletableret eksperiment, disse uheld sker sjældent, så lavt som mindre end 1 procent af tiden. Men når de opstår, de kan være skadelige, fører endda til en katastrofal afbrydelse af eksperimentet. Operatører kan forudsige ændringer i væskeegenskaber, men der er også tilfældige faktorer, der kan påvirke et eksperiment, såsom urenheder i væskerne eller indespærrede små luftbobler. På den ene eller anden måde, det kræver altid konstant overvågning af processen for at sikre øjeblikkelig menneskelig indgriben, når disse "dårlige" scenarier sker.

Generelt, mikroindkapslingsenheder placeres under et mikroskop og kan afbildes digitalt, Giera sagde, så forskerne havde let adgang til billeder af høj kvalitet af processen. Giera sigtede gennem 70, 000 billeder, mærkning af hver enkelt i fire kategorier:dråber, der var klare og veldefinerede; dem, der kan tilstoppe og beskadige enheden; defekte kapsler; og kapsler, der kan briste eller gå i stykker. Avisens medhovedforfatter, LLNL-forsker Albert Chu, udvidede datasættet ved at ændre hvert billede i henhold til typisk set eksperimentelle variationer, f.eks. justere fokus, rotation og lysstyrke af billederne, at udvide datasættet til 6 millioner billeder.

Forskere trænede derefter maskinlæringsalgoritmen på det udvidede datasæt, resulterer i en meget nøjagtig og robust forudsigelsesmodel, og LLNL-forsker og co-lead forfatter Du Nguyen skabte en tilpasset eftermonteret sorteringsenhed med ventiler, der drejede til og fra for at omdirigere strømmen, og kunne kassere de "dårlige" mikrokapsler med mere end 95 procents nøjagtighed. Nguyen sagde, at kombinationen af ​​algoritmen med en sorteringsenhed endte med at være lidt sværere at gøre end ved første øjekast.

"Der var et rimeligt antal ekstra portioner, vi ikke overvejede, " sagde Nguyen. "Efter at dråberne er dannet, det tager tid (ca. 30 sekunder) for dem at komme til selve ventilen, og når ventilerne virker, er der en ændring af tryk, der opstår, også. Algoritmen registrerer, hvad der bliver dannet, men der er også yderligere dele i kontrolaspektet. Vi var nødt til at arbejde sammen for at implementere algoritmen i et realistisk kontrolopsætning."

Nguyen sagde, at enheden kunne eftermonteres på eksisterende mikroindkapslingsopsætninger og videreudvikles for at reducere den tid, det tager for kapslen at rejse til ventilen og kompensere for trykændringer forårsaget af ventilerne for endnu bedre kontrol. Nguyen sagde ud over at anvende paralleliseret mikrofluidik, hvor det kunne give forskere mulighed for at analysere flere kanaler samtidigt, det kunne hjælpe forskere med at udforske et nyt materialerum til kapslerne.

"En del af det, vi lavede før, var at finde de rigtige materialer og måder at sætte det op på, så vi ikke konstant skal overvåge det, " sagde Nguyen. "Vores hensigt med maskinlæring er, at vi nu måske kan bruge forskellige materialer, der ikke nødvendigvis er så stabile, og bruge algoritmen til at ordne det for os."

Mens arbejdet repræsenterer en "succesfuld første demonstration" af anvendelsen af ​​en maskinlæringstilgang til mikroindkapsling, Giera sagde, forskere vil gerne gøre teknologien mere brugervenlig, måske tilføje en grafisk brugergrænseflade. Som det står nu, systemet kan sende tekstbeskeder, der kan advare operatøren om et problem med fremstillingsprocessen, der skal løses. Til sidst, de ønsker også at eksperimentere med mere optimerede ventiler, der ville resultere i hurtigere skiftetider. Deres ultimative vision er at udvikle et selvstændigt maskinlæringskontrolsystem, der retter op på processen uden behov for menneskelig indgriben.

Giera sagde, at brugen af ​​en maskinlæringsalgoritme til at udføre overvågning og sortering af mikrokapsler i realtid kunne hjælpe ingeniører med at overvinde en stor blokering i opskalering af mikrofluidiske systemer - håndtering af uforudsigelige abnormiteter i væskestrømmen, der opstår på grund af tilstopninger, partikler og bobler og forudsigeligt justere strømningshastigheder baseret på en ændring i væskeegenskaber.

"Vi tænker med mikrofluidiske dråberbaserede tilfælde, især med den stærkt paralleliserede version af dette, maskinlæring vil være central i dette, " sagde Giera. "Det er besværligt at få disse forskningsbaserede mikrofluidiske systemer til at køre i en produktionsskala, som laboratoriet kræver. Vi føler, at muligheden er moden for overvågning, og kontroldelene af overvågning og respons ville være den svære del, det ville være applikationsspecifikt."