研究人员探索机器学习实时自动分选微胶囊

微包封的CO 2吸收剂(MECS) -微小的，可重复使用的胶囊剂充分，可以从空气中吸收二氧化碳的碳酸钠溶液的-是用于从大气中捕获的碳有前途的技术。为了制造类似鱼子酱的物体，科学家们通过一系列微流体组件运行三种液体，以产生在下游紫外线照射下变成胶囊的液滴。但是，在实验过程中，流体特性和流速会发生变化。这些变化可能导致胶囊有缺陷，尺寸不合适或无法使用，导致设备堵塞，样品污染和浪费时间。

迄今为止，这种创建微胶囊的过程需要持续监控，这是运营商的一项平凡任务。但劳伦斯利弗莫尔国家实验室(LLNL)的科学家们已经发现他们可以利用机器学习实时自动化微囊化质量控制，设计一种算法来确定“坏”胶囊的“好”，并开发一种可以对它们进行分类的基于阀门的机制。没有人为干预。该研究于4月15日发表在“ 芯片实验室 ”杂志上。

LLNL科学家表示，基于图像的机器学习算法可以检测问题胶囊并每秒触发高达40次的响应，消除了监控微胶囊制造的单调任务，节省了浪费的材料。此外，这些能力应转化为除碳捕获之外的微胶囊的其他应用，例如医药，化妆品或食品添加剂。

“当制作用于捕获碳的胶囊时，[操作员]必须在管理实验的其他职责的同时照看这个过程。LLNL工程师和项目首席研究员Brian Giera表示，如果某些事情在他们没有监控的过程中破坏了这个过程，那就是时间和产品丢失了。“问题很明显，因为每个人都抱怨不得不做监控部分，所以我们只是想帮助人类摆脱困境。”

对于一个成熟的实验，这些不幸事件很少发生，低至不到1%的时间。但是当它们发生时，它们可能是有害的，甚至导致对实验的灾难性破坏。操作员可以预测流体属性的变化，但也存在可能影响实验的随机因素，例如流体中的杂质或被困的微小气泡。无论哪种方式，它总是需要持续监控过程，以确保在这些“坏”情况发生时立即进行人为干预。

Giera说，一般来说，微胶囊化装置放在显微镜下，可以进行数字成像，因此研究人员可以随时获得高质量的过程图像。Giera筛选了70,000张图像，将每一张图像分为四类：清晰明确的液滴; 那些可能堵塞并损坏设备的设备; 缺陷胶囊; 和可能爆裂或破裂的胶囊。该论文的共同主要作者，LLNL研究员Albert Chu通过根据通常看到的实验变化(例如调整图像的焦点，旋转和亮度)来改变每个图像来扩充数据集，以将数据集扩展到600万个图像。

然后，研究人员在增强数据集上训练机器学习算法，得到高度准确和强大的预测模型，LLNL研究员和共同主要作者Du Nguyen创建了一个定制的改装分拣设备，其阀门可以打开和关闭以重定向流动，并且可以丢弃“坏”微胶囊，准确度超过95%。Nguyen说，将算法与分类设备相结合最终比乍一看更难。

“我们没有考虑过相当多的额外部分，”Nguyen说。“液滴形成后，它们需要花费时间(约30秒)到达阀门本身，当阀门运行时，压力也会发生变化。该算法检测正在形成的内容，但控制方面还有其他部分。我们必须共同努力将算法实施到一个真实的控制设置中。“

Nguyen表示，该装置可以改装到现有的微胶囊装置上，并进一步开发，以减少胶囊行进到阀门所需的时间，并补偿由阀门引起的压力变化，从而实现更好的控制。Nguyen说，除了应用于平行微流体，它可以让研究人员同时分析多个通道，它可以帮助研究人员探索胶囊的新材料空间。

“我们之前所做的部分工作是找到合适的材料和设置方法，这样我们就不必经常监控它，”Nguyen说。“我们对机器学习的意图是，现在我们可以使用不一定稳定的不同材料，并使用算法为我们排序。”

虽然这项工作代表了将机器学习方法应用于微胶囊化的“成功首次演示”，但Giera表示，研究人员希望该技术更加用户友好，可能还增加了图形用户界面。现在，系统可以发送文本消息，提醒操作员解决需要解决的制造过程的问题。最终，他们还想尝试更优化的阀门，这将导致更快的换档时间。他们的最终愿景是开发一个独立的机器学习控制系统，在不需要人为干预的情况下纠正这一过程。

Giera说使用机器学习算法对微胶囊进行实时监测和分类可以帮助工程师克服微流体系统扩大的主要障碍 - 管理因堵塞，颗粒和气泡而产生的不可预测的流体流动异常，并预测性地调整流速基于流体性质的变化。

“我们认为基于微流体液滴的情况，尤其是高度并行化的版本，机器学习将是这一点，”Giera说。“让这些基于研究的微流体系统按照实验室要求的生产规模运行是非常困难的。我们认为监测的机会已经成熟，监测和响应的控制部分将是特定应用的难点部分。