Command Palette
Search for a command to run...
يدمج Reac-Discovery النمذجة الرياضية والتعلم الآلي والتجارب الآلية لمعالجة تحديات التنوع في أنظمة المختبرات ذاتية القيادة.
في الماضي، استُخدمت تقنية الطباعة ثلاثية الأبعاد لإنشاء "هياكل مسام مفتوحة دورية" (POCs) بدقة عالية، ذات مسام منتظمة، في هندسة المفاعلات. هذه الهياكل، المعروفة باسم المفاعلات "الشبيهة بالشبكة"، أتاحت تدفقًا سلسًا للغازات والسوائل والحرارة، مما قد يُحسّن كفاءة التفاعل. وقد عززت إضافة الذكاء الاصطناعي قدرة المختبر على التنظيم الذاتي: إذ تستطيع المنصات الآلية مراقبة درجة الحرارة ومعدل التدفق وسير التفاعل آنيًا، وتحسين الخطط التجريبية تلقائيًا بناءً على هذه البيانات.وتجلب هذه الأنظمة، التي يطلق عليها اسم "المختبرات ذاتية القيادة" (SDLs)، دقة وسرعة غير مسبوقة لتصميم المفاعل.
مع ذلك، على الرغم من الإنجازات التي حققها الجمع بين الرقمنة والتجارب الآلية، لا تزال الأبحاث الحالية تفتقر إلى نموذج موحد للمعايير الهندسية مثل المسامية ومساحة السطح والتعرج. ولا تقتصر عيوب الطرق التقليدية، مثل محاكاة ديناميكا الموائع الحسابية (CFD)، على انخفاض كفاءتها وارتفاع تكلفتها الحسابية، بل إن تصميم المفاعلات الهيكلية غالبًا ما يعتمد على الخبرة اليدوية والبرامج المتخصصة.ويؤدي عدم وجود إطار عمل قابل للتطبيق عالميًا إلى محدودية إمكانية إعادة الاستخدام والعالمية بين الأنظمة المختلفة.
ردًا على القيود التي تفرضها الطرق التقليدية، أطلق فريق بحثي من معهد أبحاث المواد الإسباني IMDEA منصة Reac-Discovery الرقمية شبه المستقلة.بناءً على بنية المسام المفتوحة الدورية، تم اعتماد نظام حلقة مغلقة مع وحدات تصميم وتصنيع وتحسين متكاملة، والذي يمكنه إجراء تقييم متعدد المفاعلات بالتوازي ولديه وظائف مراقبة الرنين المغناطيسي النووي (NMR) في الوقت الفعلي، وتحسين التعلم الآلي (ML) لمعلمات العملية والواصفات الطوبولوجية.مع تحسين الأداء وكفاءة التفاعل وتقليل استهلاك المواد، يتم زيادة تنوع النظام.
نُشرت نتائج البحث ذات الصلة في مجلة Nature Communications تحت عنوان "Reac-Discovery: منصة تعتمد على الذكاء الاصطناعي لاكتشاف وتحسين المفاعل الحفزي المستمر التدفق".
أبرز الأبحاث:
* دمج النمذجة الرياضية والتعلم الآلي والأنظمة التجريبية الآلية لدمج عملية المفاعل التحفيزي بأكملها من التصميم الهندسي والطباعة ثلاثية الأبعاد إلى التحسين التجريبي؛
* يؤدي دمج المعلمات الطوبولوجية في مساحة التحسين إلى كسر قيود الطرق التقليدية للتحكم في المتغيرات الفردية مثل درجة الحرارة ومعدل التدفق، ويحقق التحسين المتزامن للهيكل الهندسي وظروف العملية؛
* بناء نموذج للتنبؤ بالأداء يعتمد على الشبكة العصبية، وتطوير نظام خوارزمي يعتمد على التعلم الآلي، واستخدام نموذج الأداء لتحقيق التقييم السريع وتكرار أداء المفاعل، وتحسين الكفاءة التجريبية واستخدام الموارد بشكل كبير.
عنوان الورقة:
قم بمتابعة الحساب الرسمي ورد "الحفر الدوري" للحصول على ملف PDF كامل
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
إنشاء مجموعات البيانات بشكل مستقل لدعم تحسين الحلقة المغلقة
لم تعتمد هذه الدراسة على مجموعات بيانات متاحة للعامة. بالاعتماد على منصة Reac-Discovery، أنتج فريق البحث بشكل مستقل مجموعة بيانات داخلية متعددة الأبعاد تغطي الهندسة، وقابلية الطباعة، وأداء التفاعل أثناء التجربة. بناءً على الوحدات الوظيفية الثلاث للمنصة، Reac-Gen وReac-Fab وReac-Eval، تُقسّم مجموعة البيانات الناتجة عن هذه الدراسة إلى ثلاثة أجزاء:
* مجموعات البيانات ذات المعلمات الهيكلية: يستخدم Reac-Gen نماذج رياضية ذات معلمات لتوليد هياكل خلوية مفتوحة دورية (POCs). يتم التحكم في المخرجات من خلال معلمات مثل الحجم والعتبة والدقة، مما يوفر مدخلات كمية لتحسين الطوبولوجيا.
* مجموعة بيانات قابلية الطباعة: تم إنشاؤها بواسطة Reac-Fab بعد تحديد المراسلات بين المعلمات الهيكلية ونتائج الطباعة؛
* مجموعة بيانات أداء التفاعل: يتم إنشاء Reac-Eval من خلال التسجيل في الوقت الفعلي لبيانات درجة الحرارة ومعدل التدفق والتركيز والعائد أثناء التجارب المتوازية في مختبر القيادة الذاتية (SDL).
حاليًا، تم تحميل البيانات التي تم إنشاؤها بواسطة إطار الحلقة المغلقة، من إنشاء الهيكل إلى التحقق من الأداء، إلى Zenodo.
رابط مجموعة البيانات:
https://hyper.ai/datasets/45520
Reac-Discovery: تكامل ثلاث وحدات لتحقيق حلقة مغلقة متكاملة للعملية
يتمحور الهيكل العام لـ Reac-Discovery حول التعلم الآلي (ML)، مما يشكل حلقة مغلقة متكاملة لعملية "التوليد والتصنيع والتقييم والتحسين" استنادًا إلى ردود الفعل على البيانات.تنقسم منصة الحلقة المغلقة بشكل رئيسي إلى ثلاث وحدات: Reac-Gen، وReac-Fab، وReac-Discovery. تترابط وظائف كل وحدة أثناء التشغيل:
* Reac-Gen: توليد المعلمات والتحليل الهندسي لهياكل الخلايا المفتوحة الدورية (POC)، مع توفير التغذية الراجعة من خلال التعلم الآلي (ML)؛
* Reac-Fab: التحقق من صحة قابلية الطباعة وتصنيع المفاعل باستخدام خوارزمية الطباعة ثلاثية الأبعاد عالية الدقة، متبوعة بالوظيفة التحفيزية؛
* Reac-Eval: بالاستفادة من التعلم الآلي وتحليل بيانات مراقبة الرنين المغناطيسي النووي (NMR) في الوقت الفعلي، تُستخدم شبكة عصبية اصطناعية (ANN) لتحسين العملية والهندسة في آنٍ واحد. ثم تُعاد النتائج التجريبية إلى نموذج التعلم الآلي الأساسي لتعزيز دورة التعلم الذاتي والتكرار الذاتي للمفاعل.
Reac-Gen: النمذجة الهندسية والتصميم البارامتري
وحدة Reac-Gen هي وحدة نقطة البداية لنظام Reac-Discovery، وهي المسؤولة عن تصميم هندسة المفاعل والنمذجة البارامترية.تقوم هذه الوحدة بإنشاء هياكل دورية ذات مسام مفتوحة استنادًا إلى مجموعة من المعادلات الرياضية المحددة مسبقًا، بما في ذلك Gyroid وSchwarz وSchoen-G وما إلى ذلك، وتولد طوبولوجيات هندسية متنوعة على مقياس "الكلي + الميكرو" عن طريق ضبط المعلمات الرئيسية الثلاثة: الحجم (S)، والعتبة الأفقية (L) والدقة (R).من بين الوحدات الثلاث، يُعدّ Reac-Gen مسؤولاً بشكل رئيسي عن النمذجة الرقمية والقياس الكمي الهيكلي. وينقسم سير عمله إلى الخطوات الرئيسية التالية:
أولاً، يتم إدخال المعلمات الهندسية الرئيسية للهيكل. يبني النظام نموذجًا في حقل قياسي ثلاثي الأبعاد بناءً على معادلات رياضية محددة مسبقًا، ويُولّد أسطحًا ضمنية من خلال حسابات السطوح المتساوية لتحديد الشكل العام والطوبولوجيا الداخلية للمفاعل.
* إسقاط المعادلات في فضاء ثلاثي الأبعاد، وإجراء عمليات التشبيك والقياس والقص الأسطواني خوارزميًا لتكييف الهيكل مع شكل المفاعل، مما ينتج عنه هيكل ثلاثي الأبعاد عالي الدقة. في الوقت نفسه، يتم تصحيح نعومة الحدود واستمرارية المسام تلقائيًا لضمان اتصال فيزيائي معقول واستقرار الهيكل أثناء الطباعة ومحاكاة السوائل.
يقوم بإنشاء ملفات التصنيع وتحليل البيانات لإدخالها في الوحدة التالية، Reac-Fab، مما يوفر مدخلات أساسية للتنبؤ بالطباعة اللاحقة، والتصنيع ثلاثي الأبعاد، وتحليل بيانات الأداء.
في خطوة إخراج البيانات، يتم تقسيم ملفات البيانات التي يخرجها Reac-Gen إلى فئتين:
* ملف STL: للطباعة ثلاثية الأبعاد؛
* ملف الميزات الهيكلية (XLSX): يسجل الوصافات الهندسية مثل مساحة السطح، والمسامية، والالتواء، والقطر الهيدروليكي، وما إلى ذلك.
Reac-Fab: من التحقق من الجدوى إلى طباعة العينات
وحدة Reac-Fab مسؤولة بشكل أساسي عن التصنيع المادي للمفاعل.تُستخدم تقنية الطباعة ثلاثية الأبعاد عالية الدقة (SLA) لبناء الهياكل. ينقسم سير عمل هذه الوحدة إلى خطوتين:
* استقبال بيانات STL وبيانات البنية الناتجة عن Reac-Gen، واستخدام نماذج التعلم الآلي للتنبؤ بإمكانية طباعة البنية، وإجراء إعدادات الطباعة ومعايرة المعدات؛
* طُبع الهيكل باستخدام تقنية SLA عالية الدقة. باستخدام تركيبات ومعايير مواد مُحسّنة، تُخضع العينات المطبوعة لمعالجات وظيفية، مثل التعديل الكيميائي للسطح وتثبيت المكونات النشطة تحفيزيًا، للحصول على العينات.
تستخدم الوحدة خوارزميةً مبنيةً على نموذج تصنيف الشبكات العصبية للتحقق من قابلية الطباعة. تستخدم الخوارزمية 236 عينةً تجريبيةً كبيانات تدريب. يقارن النموذج الأوزان النظرية للواصفات الهندسية الرئيسية بالأوزان التجريبية لتحديد ما إذا كانت البنية قابلةً للطباعة.تُظهر البيانات التجريبية أن هذه الطريقة تحقق دقة تنبؤ تبلغ 91%، مما يُحسّن كفاءة التصنيع ويُخفّض تكاليف التجارب بشكل فعّال. علاوةً على ذلك، يُمكن تشغيل الوحدة دون الحاجة إلى تجارب مسبقة مُكثّفة، مما يُعزّز قابلية تطبيق الخوارزمية وإمكانية توسيع نطاقها عبر أنظمة طباعة مُختلفة، مثل طباعة FDM باستخدام PLA.
Reac-Eval: التحقق التجريبي والتحسين المزدوج
Reac-Eval هي الوحدة الأساسية للتحقق التجريبي والتحسين في منصة Reac-Discovery. تُدمج هذه الوحدة إمكانية التقييم المتزامن لمفاعلات تحفيزية هيكلية متعددة، مصممة من قِبل Reac-Gen ومطبوعة بواسطة Reac-Fab.يمكنه مراقبة والتحكم تلقائيًا في التفاعلات متعددة المراحل في الوقت الفعلي.يتم دمج جميع الأجهزة عبر واجهة موحدة قائمة على بايثون لضمان التكامل السلس بين البيانات التجريبية والنماذج التنبؤية وأنظمة التحكم. يتكون سير عمل Reac-Eval من خمس خطوات:
* تحديد الشروط الحدودية مثل معدل تدفق الغاز السائل، ودرجة الحرارة، والتركيز، ونطاق الوصف الطوبولوجي، وتوليد معلمات تغطية التركيبة التجريبية العشوائية، واستكمال تهيئة التجربة وإعداد الحالة؛
* تشغيل مفاعلات هيكلية متعددة بالتوازي على منصة ذاتية الدفع، ومراقبة تقدم التفاعل في الوقت الحقيقي باستخدام الرنين النووي المغناطيسي على طاولة العمل، وجمع بيانات الأداء؛
* بناءً على نموذج التعلم الآلي والشبكة العصبية M1، يتم تحسين متغيرات العملية ومعلمات العملية، والتدريب المتكرر بناءً على مجموعة البيانات الأولية لا يحقق نتائج التحسين المتوقعة؛
* تحسين المعلمات الهندسية للمفاعل بناءً على نموذج الشبكة العصبية M2؛
* إنشاء تصميم مفاعل محسن بناءً على نتائج التنبؤ بـ M2، وإجراء التحقق التجريبي الثانوي، وإرجاع البيانات التي لا تلبي التوقعات إلى النموذج لمزيد من التدريب.
بشكل عام، أثناء تحقيق التحسين المزدوج لمعلمات العملية والطوبولوجيا الهندسية، تعمل وحدة Reac-Eval على بناء دورة آلية من التجارب والنمذجة وردود الفعل استنادًا إلى منصة ذاتية القيادة.
التحقق المزدوج لتأثير تطبيق Reac-Discovery
لإثبات الفعالية العملية لـ Reac-Discovery في الاقتران متعدد المقاييس والتحسين المعتمد على التعلم الآلي، اختار فريق البحث تفاعلين تحفيزيين غير متجانسين نموذجيين: هدرجة الأسيتوفينون والإضافة الحلقية لثاني أكسيد الكربون. تُشكل الهدرجة الخفيفة للأسيتوفينون والديناميكا الحرارية المعقدة للغاية للإضافة الحلقية لثاني أكسيد الكربون، والتي تتضمن تحولات ثلاثية الطور من غاز إلى سائل إلى صلب، الأساس للتحقق من متانة النظام واستقراره وقابليته للتكرار في التحسين الذاتي وإعادة بناء الطوبولوجيا.
التحقق من تفاعل هدرجة الأسيتوفينون
في تجربة التحقق من تفاعل هدرجة الأسيتوفينون، اختار فريق البحث تفاعل هدرجة الأسيتوفينون كهدف للاختبار.باستخدام جسيمات نانوية من البلاديوم الثابت (PdNPs) كمحفزات، تم تقييم قدرة Reac-Discovery على التحسين في التفاعلات الحفزية غير المتجانسة المعقدة باستخدام نهج تحسين من مرحلتين:
مرحلة التحسين الأولى (G1): تم إنشاء تسعة أشكال هندسية دائرية باستخدام Reac-Gen لبناء مفاعلات ذات مسامية ومساحات سطحية مختلفة بشكل كبير. أجرت وحدة Reac-Eval 60 تجربة هدرجة، وراقبت التفاعلات آنيًا باستخدام الرنين المغناطيسي النووي (NMR)، وجمعت البيانات لتدريب نموذج الارتباط M1.
* مرحلة التحسين الثانية (G2): بناءً على نموذج M2، يتم دمج الوصف الهيكلي في عملية التعلم لتحقيق التحسين المشترك للهيكل والأداء.
تُظهر البيانات التجريبية اتساقًا عاليًا بين تنبؤات نموذج M1 ونتائجه التجريبية، مما يُمكّن من تحديد نطاقات العمليات المثلى بين أكثر من مليون مجموعة من المعلمات، مما يُقلل بشكل كبير من تكاليف الاستكشاف التجريبي. علاوةً على ذلك، في مرحلة G2، تم تعزيز دقة تنبؤات نموذج M2 بشكل أكبر، مما يُمكّن من تحديد الأشكال الهندسية المثلى من خلال فحص ومقارنة 480 بنية POC قابلة للطباعة. وهذا يُظهر الدقة العالية والمتانة التي تتمتع بها منصة Reac-Discovery في تحسين المتغيرات المتعددة والتنبؤ بوظيفة البنية.
تفاعل إضافة ثاني أكسيد الكربون الحلقية
لمزيد من التحقق من قدرة المنصة على التكيف في الأنظمة المعقدة متعددة المراحل، أجرى فريق البحث تجربة تحقق باستخدام تفاعل إضافة ثاني أكسيد الكربون:
* المرحلة الأولى (G1): بناءً على وحدة Reac-Eval، أُنجزت 60 مجموعة من الظروف التجريبية من خلال منصة تجريبية ذاتية التشغيل. وُلدت مجموعة البيانات الأولية باستخدام تقنية مراقبة الرنين المغناطيسي النووي في الوقت الفعلي. واستُخدم نموذج الشبكة العصبية M1 للتنبؤ بالعائد واستبعاد الظروف المثالية نظريًا.
* المرحلة 1 (G2): دمج الوصافات الهندسية ومعلمات العملية بناءً على النموذج M2، وتحسين طوبولوجيا المفاعل وظروف التفاعل، وتحديد الحل الهندسي الأمثل من خلال مقارنة هياكل POC القابلة للطباعة.
تظهر النتائج التجريبية أن الظروف النظرية المثلى التي تم فحصها بواسطة التجربة تتفق تمامًا مع القيم المتوقعة، مما يؤدي إلى تحديث الحد الأعلى لأداء المفاعل الثابت ثلاثي الطور الحالي.حافظ مفاعل Reac-Discovery باستمرار على معدلات تحويل عالية من 40% إلى 90% في أربعة أنظمة إيبوكسيد مختلفة، مما يؤكد تعميم النظام المتقاطع واستقرار Reac-Discovery.
تكامل الذكاء الاصطناعي: أصبحت المختبرات ذاتية القيادة نموذجًا جديدًا للأبحاث الكيميائية
إن التكامل السريع للذكاء الاصطناعي في كيمياء التدفق وهندسة المفاعلات يجعل المختبرات ذاتية القيادة نموذجًا جديدًا في البحوث الكيميائية. في يوليو 2025، نشر فريق بحثي من جامعة ولاية كارولينا الشمالية ورقة بحثية بعنوان "اكتشاف تصاميم مفاعلات التدفق بمساعدة التعلم الآلي".لتناول المشاكل التي تعتمد عليها التجارب الكيميائية التقليدية في التجربة والخطأ اليدوي، وهي غير فعالة وتفتقر إلى القدرة على التكرار، تم اقتراح إطار عمل جديد للكيمياء التدفقية يعتمد على مختبر ذاتي القيادة.يجمع الإطار بين منصة تجريبية آلية وتحليل البيانات في الوقت الفعلي واتخاذ القرارات بالذكاء الاصطناعي، مما يحقق حلقة مغلقة متكاملة من تصميم التفاعل وتنفيذه وتحسينه، مما يحسن بشكل كبير من دقة وكفاءة وقابلية التوسع في عملية التفاعل.
عنوان الورقة:
https://doi.org/10.1038/s44286-024-00099-1
ويستخدم فريق بحثي من قسم الكيمياء بجامعة تورنتو أيضًا المختبرات ذاتية القيادة كنموذج جديد للأبحاث الكيميائية.دمج الأجهزة التجريبية الآلية وتحليل البيانات في الوقت الفعلي وتخطيط الذكاء الاصطناعي واتخاذ القرارات لتحقيق حلقة مغلقة من التصميم التجريبي والتنفيذ والتحليل والتحسين.يستخدم هذا البحث منصة تجريبية آلية عالية التردد لتوليد بيانات عالية الكثافة. وبدمج خوارزميات الذكاء الاصطناعي، مثل التحسين البايزي والتعلم التعزيزي، يتيح هذا التصميم المستقل والتقدم التكراري للإجراءات التجريبية، مما يُحسّن بشكل كبير كفاءة الاكتشاف وقابلية التوسع. نُشرت نتائج البحث في منشورات الجمعية الكيميائية الأمريكية (ACS) تحت عنوان "مختبرات ذاتية القيادة للكيمياء وعلوم المواد".
عنوان الورقة:
https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055
في يوليو 2025، نشرت الجمعية الملكية مقالاً في مجلة العلوم المفتوحة، جاء فيه أن جوهر المختبرات ذاتية القيادة يتمثل في أتمتة الأجهزة، وتحسين الخوارزميات، وتغذية راجعة ذاتية التعلم. يمكن لهذه المختبرات إجراء التجارب وتحسينها بشكل متكرر دون تدخل بشري، مما يحقق حلقة مغلقة من تصميم التجارب إلى التحقق من النتائج، مما يُسرّع عملية الاكتشاف في الكيمياء وعلوم المواد. "قد تحل المختبرات ذاتية القيادة محل بعض وظائف البحث العلمي، ولكنها قد تخلق أيضًا العديد من الفرص الجديدة". تواجه المختبرات ذاتية القيادة حاليًا تحديات مثل ارتفاع تكاليف النظام، وعدم كفاية توحيد البيانات، ومحدودية قدرات تعميم النماذج، ومخاطر السلامة والأخلاقيات. ومع ذلك، مع استمرار نضج دمج الخوارزميات والأجهزة، قد تُعيد المختبرات ذاتية القيادة تشكيل نظام البحث العلمي في المستقبل، مما يخلق نموذجًا أكثر كفاءة وقابلية للتكرار وذكاءً للاستكشاف العلمي.
روابط مرجعية:
1.https://royalsocietypublishing.org/doi/10.1098/rsos.250646#d717644e1
2.https://www.nature.com/articles/s41467-025-64127-1
3.https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055
4.https://doi.org/10.1038/s44286-024-00099-1