CO . microincapsulata ₂ assorbenti (MECS):minuscoli, le capsule riutilizzabili piene di una soluzione di carbonato di sodio in grado di assorbire l'anidride carbonica dall'aria sono una tecnologia promettente per catturare il carbonio dall'atmosfera. Per creare gli oggetti simili al caviale, gli scienziati fanno passare tre fluidi attraverso una serie di componenti microfluidici per creare gocce che si trasformano in capsule quando esposte alla luce ultravioletta a valle. Però, le proprietà dei fluidi e le portate possono cambiare durante gli esperimenti. Questi cambiamenti possono portare a capsule difettose, di dimensioni improprie o comunque inutilizzabili, con conseguente intasamento del dispositivo, campioni contaminati e tempo perso.

Ad oggi, questo processo di creazione di microcapsule ha richiesto un monitoraggio costante, un compito banale per gli operatori. Ma gli scienziati del Lawrence Livermore National Laboratory (LLNL) hanno scoperto di poter utilizzare l'apprendimento automatico per automatizzare il controllo di qualità della microincapsulazione in tempo reale, ideando un algoritmo per determinare le capsule "buone" da quelle "cattive" e sviluppando un meccanismo basato su valvole in grado di selezionarle senza l'intervento umano. La ricerca è stata pubblicata il 15 aprile sulla rivista Laboratorio su un chip .

Gli scienziati di LLNL hanno affermato che l'algoritmo di apprendimento automatico basato su immagini può rilevare le capsule problematiche e attivare una risposta fino a 40 volte al secondo, eliminando il monotono compito di monitorare la produzione di microcapsule, risparmio di materiale di scarto. Per di più, queste capacità dovrebbero tradursi in altre applicazioni per le microcapsule oltre alla cattura del carbonio, come la medicina, cosmetici o additivi alimentari.

"Quando si producono capsule per la cattura del carbonio, [gli operatori] devono fare da babysitter al processo mentre gestiscono altri compiti per un esperimento. Se qualcosa interrompe il processo mentre non lo stanno monitorando, questo è tempo e prodotto persi, " ha detto l'ingegnere LLNL e ricercatore principale del progetto Brian Giera. "Il problema era evidente perché tutti si lamentano di dover fare la parte di monitoraggio, quindi volevamo solo aiutare a togliere l'essere umano dal giro."

Per un esperimento ben consolidato, questi incidenti accadono di rado, fino a meno dell'1 percento delle volte. Ma quando si verificano, possono essere dannosi, portando persino a un'interruzione catastrofica dell'esperimento. Gli operatori possono prevedere i cambiamenti delle proprietà dei fluidi, ma ci sono anche fattori casuali che possono influenzare un esperimento, come impurità nei fluidi o piccole bolle d'aria intrappolate. In entrambi i casi, richiede sempre un monitoraggio costante del processo per garantire un intervento umano immediato quando si verificano questi scenari "cattivi".

In genere, i dispositivi di microincapsulazione sono posti al microscopio e possono essere acquisiti digitalmente, Giara ha detto, così i ricercatori hanno avuto accesso immediato a immagini di alta qualità del processo. Giera ha setacciato 70, 000 immagini, etichettando ciascuno in quattro categorie:goccioline chiare e ben definite; quelli che potrebbero intasare e danneggiare il dispositivo; capsule difettose; e capsule che potrebbero scoppiare o rompersi. L'autore principale del giornale, Il ricercatore LLNL Albert Chu, ha aumentato il set di dati alterando ogni immagine in base alle variazioni sperimentali tipiche, per esempio. regolazione della messa a fuoco, rotazione e luminosità delle immagini, per espandere il set di dati a 6 milioni di immagini.

I ricercatori hanno quindi addestrato l'algoritmo di apprendimento automatico sul set di dati aumentato, risultando in un modello predittivo altamente accurato e robusto, e il ricercatore LLNL e co-autore Du Nguyen ha creato un dispositivo di smistamento personalizzato retrofit con valvole che si attivano e si disattivano per reindirizzare il flusso, e potrebbe scartare le microcapsule "cattive" con una precisione superiore al 95%. Nguyen ha detto che combinare l'algoritmo con un dispositivo di smistamento è stato un po' più difficile da fare rispetto a prima vista.

"C'era un discreto numero di porzioni extra che non abbiamo preso in considerazione, " ha detto Nguyen. "Dopo che le goccioline si sono formate, impiegano tempo (circa 30 secondi) per arrivare alla valvola stessa, e quando le valvole funzionano c'è un cambiamento alle pressioni che si verificano, pure. L'algoritmo rileva ciò che si sta formando, ma ci sono anche porzioni aggiuntive nell'aspetto del controllo. Abbiamo dovuto lavorare insieme per implementare l'algoritmo in una configurazione di controllo realistica".

Nguyen ha affermato che il dispositivo potrebbe essere adattato a configurazioni di microincapsulazione esistenti e ulteriormente sviluppato per ridurre il tempo necessario alla capsula per raggiungere la valvola e compensare le variazioni di pressione causate dalle valvole per un controllo ancora migliore. Nguyen ha detto che oltre ad applicarsi alla microfluidica parallelizzata, dove potrebbe consentire ai ricercatori di analizzare più canali contemporaneamente, potrebbe aiutare i ricercatori a esplorare un nuovo spazio materiale per le capsule.

"Parte di quello che stavamo facendo prima era trovare i materiali giusti e i modi per configurarlo in modo da non doverlo monitorare costantemente, " Ha detto Nguyen. "La nostra intenzione con l'apprendimento automatico è che ora forse possiamo utilizzare materiali diversi che non sono necessariamente così stabili e utilizzare l'algoritmo per risolverlo per noi".

Mentre il lavoro rappresenta una "prima dimostrazione di successo" dell'applicazione di un approccio di apprendimento automatico alla microincapsulazione, Giara ha detto, i ricercatori vorrebbero rendere la tecnologia più user-friendly, magari aggiungendo un'interfaccia utente grafica. Così com'è ora, il sistema può inviare messaggi di testo che possono avvisare l'operatore di un problema con il processo di produzione che deve essere affrontato. Infine, vogliono anche sperimentare valvole più ottimizzate che porterebbero a tempi di cambiata più rapidi. La loro visione finale è quella di sviluppare un sistema di controllo dell'apprendimento automatico autonomo che rettifichi il processo senza la necessità dell'intervento umano.

Giera ha affermato che l'utilizzo di un algoritmo di apprendimento automatico per eseguire il monitoraggio e lo smistamento in tempo reale delle microcapsule potrebbe aiutare gli ingegneri a superare un grosso ostacolo nel potenziamento dei sistemi microfluidici, gestendo anomalie imprevedibili nel flusso del fluido che si verificano a causa di intasamenti, particelle e bolle e regolare in modo predittivo le portate in base a un cambiamento nelle proprietà del fluido.

"Pensiamo che con casi basati su goccioline microfluidici, specialmente con la versione altamente parallelizzata di questo, l'apprendimento automatico sarà centrale in questo, " Ha detto Giera. "È arduo far funzionare questi sistemi microfluidici basati sulla ricerca su una scala di produzione come richiede il laboratorio. Riteniamo che l'opportunità sia matura per il monitoraggio, e le parti di controllo del monitoraggio e della risposta sarebbero la parte difficile, sarebbe specifico per l'applicazione."