Procédé expérimental robotisé pour le développement de la détection colorimétrique de gaz

Ici, nous présentons un protocole pour développer des capteurs de gaz colorimétriques en utilisant une approche robotique Design-Build-Test-Learn (DBTL). Ce protocole intègre l’automatisation à haut débit, l’apprentissage automatique et l’optimisation multi-objectifs pour découvrir et optimiser efficacement les formulations de capteurs pour détecter des gaz comme le CO₂, ce qui permet un développement rapide, rentable et précis des capteurs.

Cet article présente un programme expérimental basé sur des robots visant à développer un capteur de gaz colorimétrique efficace et rapide. Le programme utilise une approche automatisée de conception-construction-test-apprentissage (DBTL), qui optimise le processus de recherche de manière itérative tout en optimisant plusieurs recettes pour différents intervalles de concentration du gaz. À chaque itération, l’algorithme génère un lot de suggestions de recettes basées sur diverses fonctions d’acquisition, et avec l’augmentation du nombre d’itérations, les valeurs de la fonction objectif pondérée pour chaque intervalle de concentration s’améliorent considérablement.

La méthode DBTL commence par l’initialisation des paramètres, la configuration de l’environnement matériel et logiciel. Les tests de référence établissent des normes de performance. Par la suite, la méthode DBTL conçoit le cycle d’optimisation suivant en fonction de la proportion de recettes dans chaque tour et teste les performances de manière itérative. L’évaluation de la performance compare les données de référence pour évaluer l’efficacité de la méthode DBTL. Si l’amélioration de la performance ne répond pas aux attentes, la méthode sera exécutée de manière itérative ; Si les objectifs sont atteints, l’expérience se termine. L’ensemble du processus maximise les performances du système grâce au processus d’optimisation itératif DBTL.

Par rapport au processus de développement manuel traditionnel, la méthode DBTL adoptée par ce processus expérimental utilise une optimisation multi-objectifs et divers algorithmes d’apprentissage automatique. Après avoir défini les limites supérieure et inférieure du volume des composants, la méthode DBTL optimise dynamiquement les expériences itératives pour obtenir le rapport optimal avec les meilleures performances. Cette méthode améliore considérablement l’efficacité, réduit les coûts et fonctionne plus efficacement dans l’espace variable de multi-formulation lors de la recherche de la recette optimale.

Les applications pratiques des capteurs de gaz sont très étendues et ont été utilisées dans divers domaines tels que la surveillance de l’environnement, l’aérospatiale et le traitement des gaz résiduaires ^1,2,3. Le principe de fonctionnement des capteurs de gaz repose généralement sur plusieurs mécanismes, tels que l’électrochimie, la chromatographie en phase gazeuse et l’optique. Parmi les nombreux mécanismes de détection, celui basé sur le changement de couleur a évolué pour devenir un mécanisme acide-base qui se démarque de manière unique. En raison de son faible coût et de sa simplicité d’application, il est largement utilisé dans la conception de nombreux capteurs de gaz portables et jetables, tels que les capteurs de CO₂ ^1,4,5. Ce type de capteur utilise le changement de couleur de certains produits chimiques pour détecter les concentrations de gaz. Lorsque la concentration de gaz change, le matériau du capteur subit des réactions chimiques telles que la complexation ionique ou les changements de couleur des indicateurs, ce qui entraîne le changement de couleur du colorant sensible aux gaz⁶. En détectant et en analysant les changements de couleur, la concentration de gaz peut être mesurée indirectement. Pendant ce temps, malgré les avantages du faible coût et de la portabilité, ce type de capteur présente encore quelques lacunes, telles qu’un long cycle de développement et une faible efficacité ^7,8,9. Dans le même temps, les méthodes traditionnelles de conception de capteurs ont du mal à répondre simultanément à plusieurs caractéristiques de détection, telles que le temps de réponse, la réversibilité et la limite de détection requis. Dans le cadre du paradigme traditionnel de la recherche et du développement, ces difficultés entravent gravement la production et l’application généralisée des capteurs de gaz colorimétriques.

En réponse aux défis mentionnés ci-dessus en matière de recherche et de développement à la demande, la technologie de capteur colorimétrique développée dans le cadre de ce processus expérimental peut remédier à certaines des lacunes de la détection de gaz traditionnelle. En employant une approche itérative de conception-construction-test-apprentissage (DBTL) ^10,11, l’efficacité du développement des capteurs peut être considérablement améliorée, réduisant ainsi le temps de recherche et de développement et répondant efficacement aux besoins de la recherche et du développement ^1,12. Dans une configuration de développement DBTL typique, le développement de nouveaux matériaux est considéré comme une boucle de rétroaction itérative. La boucle contient quatre étapes clés : 1. Conception des paramètres d’optimisation, des cibles et de l’échantillonnage de l’espace des paramètres pour une expérience d’essai ; 2. Construisez les échantillons des paramètres sélectionnés ; 3. Testez la valeur cible pour les échantillons construits ; 4. Analyse par apprentissage automatique du retour d’information cible pour guider la sélection des paramètres du prochain lot. Dans ce processus itératif, la plateforme d’expérimentation à haut débit qui permet de construire et de tester rapidement des échantillons, et les algorithmes d’apprentissage automatique sont les composants clés. La plate-forme de test automatisée à haut débit peut tester simultanément jusqu’à 384 unités de détection, collectant ainsi une grande quantité de données de réponse de haute qualité. En utilisant des algorithmes d’apprentissage automatique 13,14,15,16,17, tels que l’optimisation bayésienne multi-objectifs, plusieurs mesures de détection des unités de détection (par exemple, la sensibilité, le temps de réponse et la réversibilité) peuvent être optimisées simultanément et automatiquement, améliorant ainsi les performances globales de diverses caractéristiques de détection. Les recettes d’unités de détection générées par l’algorithme d’optimisation peuvent réaliser une détection quantitative de la concentration de CO₂ sans étalonnage individuel, et la métrique de l’erreur quadratique moyenne (RMSE) peut également répondre aux indicateurs requis.

Notre programme est une procédure expérimentale développée sur la base de la détection colorimétrique des gaz (voir la figure 1 pour l’organigramme). Avec le développement des laboratoires autonomes, l’approche DBTL automatisée a montré d’excellentes perspectives en raison de son efficacité, de sa vitesse et de sa répétabilité élevées ^5,12. Le processus de développement manuel traditionnel implique l’ajustement d’une variable à la fois, suivi de la modification d’une autre variable pour optimiser le paramètre cible et obtenir le résultat souhaité. Les principaux inconvénients de ce processus comprennent une faible efficacité dans les expériences manuelles, une sensibilité à l’erreur humaine, une difficulté à gérer des variables multidimensionnelles dans des scénarios complexes de grande dimension et une tendance à rester coincé dans des optima locaux. Par rapport au processus de développement manuel, la méthode DBTL adoptée dans ce programme expérimental utilise la robotique combinée à des algorithmes d’apprentissage actif avancés tels que l’optimisation bayésienne multi-objectifs. L’optimisation bayésienne est une approche probabiliste pour optimiser des fonctions objectifs coûteuses à évaluer^15,18. Il construit un modèle de substitution, souvent un processus gaussien, pour approximer la fonction objectif et utilise une fonction d’acquisition pour décider du prochain point à échantillonner. La fonction d’acquisition équilibre l’exploration (recherche de régions moins échantillonnées) et l’exploitation (affinement des régions connues et performantes) pour trouver efficacement le maximum ou le minimum global. Cette méthode est particulièrement utile dans les espaces de recherche non convexes de grande dimension où les techniques d’optimisation traditionnelles ont du mal. Après avoir défini grossièrement les limites supérieure et inférieure du contenu des composants, il optimise dynamiquement les expériences pour obtenir le rapport optimal avec les meilleures performances de manière itérative. Cette méthode améliore considérablement l’efficacité et réduit les coûts et fonctionne plus efficacement dans l’espace multivariable pour développer la recette optimale ^5,12.

L’objectif général de cet article est d’établir une procédure expérimentale basée sur la méthode DBTL automatisée à travers diverses technologies informatiques telles que l’apprentissage automatique, l’optimisation bayésienne multi-objets et les plates-formes de test expérimentales, y compris la plate-forme de manipulation automatisée des liquides et la plate-forme de test de gaz à haut débit. Cela permettra la conception et la recherche de capteurs de gaz colorimétriques. La plate-forme de robot de manipulation de liquides personnalisée « Opentrons OT-2 » est utilisée pour réaliser des expériences selon les paramètres du programme, en effectuant automatiquement des étapes telles que la synthèse de recettes, le mélange et le trempage. La plate-forme d’essai de gaz à haut débit faite maison est utilisée pour les tests de gaz et la lecture des capteurs colorimétriques à haut débit, en contrôlant avec précision les concentrations de gaz cibles et en enregistrant les changements de couleur des unités de détection en temps réel. Comparé à d’autres systèmes expérimentaux conçus sur la base de DBTL, ce système a un coût matériel relativement faible. Simultanément, nous avons partiellement abordé les aspects de la tâche qui impliquent une erreur humaine par le biais d’une approche semi-automatisée. offrant le maximum d’avantages marginaux tout en conservant les avantages de la conception DBTL.

1. Expérience préliminaire (test de faisabilité)

REMARQUE : Sur la base de l’article⁸ de Zhang, les variables pertinentes des capteurs colorimétriques chimiques pour le gaz cible, tels que le dioxyde de carbone, peuvent être sélectionnées. Avant d’effectuer l’optimisation à la demande des formulations des capteurs colorimétriques, une expérience préliminaire utilisant les procédures suivantes peut être menée pour établir l’espace variable.

1. Déterminer la plage de concentration du gaz cible et établir une configuration d’essai de gaz.
   REMARQUE : La concentration du gaz cible dans la configuration d’essai de gaz augmente de manière linéaire ou exponentielle.
2. Avant et après l’écoulement de chaque concentration du gaz cible, purger le système d’essai avec de l’azote. Maintenez le rapport entre le temps d’écoulement de l’azote et le gaz cible à 1:1.
   REMARQUE : Si la concentration du gaz cible est de <1 ppm, le temps d’écoulement est de ~10 min ; Si la concentration cible de gaz est de ≥1 ppm, le temps d’écoulement est de ~5 min.
3. Préparer les solutions sources des variables avec des concentrations appropriées à la solution en fonction de facteurs tels que la saturation et la viscosité.
   REMARQUE : Il est généralement conseillé de maintenir la concentration la plus élevée possible des solutions sources.
4. Régler le volume total de la solution de la formulation du capteur colorimétrique à 400 μL ; Ensuite, définissez la plage de volume pour chaque solution source des variables en fonction de la littérature.
   REMARQUE : Les plages de volume pour les solutions sources de colorants sont généralement comprises entre 0 μL et 200 μL, tandis que les plages de volume pour les autres solutions sources sont généralement comprises entre 0 μL et 100 μL. L’intervalle d’échantillonnage de la solution source est de ~25 μL.
5. Générer un lot de 96 formulations grâce à des fonctions d’échantillonnage aléatoire pour vérifier la faisabilité de la détection du gaz cible à l’aide de la colorimétrie chimique.
6. Chargez le fichier de formulation du capteur colorimétrique, la solution source, les pointes, la plaque à 96 puits et la membrane PTFE dans le manipulateur de liquide, et générez séquentiellement des numéros d’informations d’identité indépendants (Figure 2).
7. Réglez le manipulateur de liquides en mode simulation pour imiter le fonctionnement de la synthèse des formulations de capteurs colorimétriques, telles que l’aspiration, la distribution, l’agitation et l’égouttement de liquide (Figure 3).
8. S’il n’y a pas d’erreurs dans l’état de simulation, réglez le manipulateur de liquides sur l’expérience et commencez à automatiser la synthèse des capteurs colorimétriques.
   REMARQUE : Le code pour l’automatisation du processus est développé sur la base du progiciel open-source « Opentrons ». La synthèse des capteurs colorimétriques devrait prendre 3 à 6 h.
9. Placez les capteurs colorimétriques dans une fourve à 40 °C et chauffez pendant 50 min.
10. Placez les capteurs colorimétriques séchés dans la chambre à gaz et vérifiez l’uniformité de l’éclairage dans l’environnement d’essai et l’étanchéité à l’air de la chambre d’essai. Une fois qu’il est confirmé que tout se passe sans problème, utilisez les régulateurs de débit massique (MFC) pour contrôler automatiquement les débits de l’analyte gazeux (avec la concentration c_a) et de l’azote (concentration c_n), en exécutant la configuration de test du gaz. Supposons que le débit global de gaz soit de S en volume/min et que la concentration cible de l’analyte soit c. les débits de l’analyte gazeux MFC et de l’azote MFC en volume/min sont
    (1)
    (2)
11. Pendant le processus d’écoulement, positionnez une caméra au-dessus de la chambre à gaz pour prendre une photo toutes les 5 s afin d’enregistrer les changements de couleur des capteurs colorimétriques (Figure 4).
    REMARQUE : L’essai d’écoulement devrait être terminé dans environ 2 h.
12. Notez que l’ordinateur charge les images capturées dans l’ordre chronologique, extrait les valeurs de couleur RVB de chaque capteur colorimétrique dans chaque image, puis calcule les différences par rapport à la couleur de base mesurée avant l’exposition au gaz cible, traçant ainsi une figure de variation de couleur des capteurs colorimétriques sur le temps d’écoulement. La formule de calcul de la différence de couleur ΔE est représentée par Eq (1) :
    (3)
13. Observez s’il existe des capteurs colorimétriques présentant des changements de couleur significatifs dans le gaz cible et si les valeurs de changement de couleur augmentent en conjonction avec une augmentation de la concentration du gaz cible. Si tel est le cas, la faisabilité de l’utilisation de capteurs colorimétriques chimiques pour détecter le gaz cible est vérifiée.
14. Sur la base des résultats pré-expérimentaux, ajustez les limites supérieure et inférieure des solutions sources des variables et supprimez les solutions sources qui ont un effet non substantiel.

2. Utiliser une plateforme expérimentale robotique pour mener le processus d’optimisation itératif Design-Build-Test-Learn (DBTL)

1. Conception : Configurer des fonctions multi-objectifs et générer des formulations de capteurs colorimétriques.
   1. Mettre en place une fonction multi-objectifs pour calculer le score d’évaluation pondéré pour plusieurs chiffres de mérite des capteurs colorimétriques (Figure 5).
      REMARQUE : Le détail de la note d’évaluation pondérée se trouve dans la référence¹.
   2. Si l’optimisation DBTL est dans le tour initial, générez de manière aléatoire 96 formulations de capteurs colorimétriques initiaux et créez un ID de campagne pour cette tâche d’optimisation.
   3. Si le DBTL en est au deuxième tour ou aux cycles ultérieurs, concevez le prochain lot de 96 formulations de capteurs colorimétriques à l’aide de différentes fonctions d’acquisition (telles que la limite supérieure de confiance, la probabilité d’amélioration et l’amélioration attendue). De plus, affinez les hyperparamètres de la fonction d’acquisition à chaque tour. En général, κ est l’hyperparamètre pour UCB, avec une valeur ne dépassant pas 5 et sert d’hyperparamètre pour EI et POI, qui diminue progressivement jusqu’à près de 0 à mesure que les itérations d’optimisation augmentent. Les trois équations suivantes (4), (5) et (6) illustrent respectivement les fonctions d’acquisition pour UCB, EI et POI :
      (4)
      (5)
      (6)
      où μ(x) est la moyenne ; σ x) représente l’écart ; κ, sont des paramètres qui équilibrent l’exploration et l’exploitation, contrôlés par le cycle d’itération et le taux de décroissance ; f(x) est le score d’évaluation pondéré ; f_currentMax est le score d’évaluation pondéré le plus élevé actuel.
   4. Après avoir généré des formulations de capteurs colorimétriques dans chaque tour non initial, observez si ces formulations de capteurs colorimétriques présentent des attentes élevées ou une grande incertitude. Si ce n’est pas le cas, répétez l’opération de l’étape 2.1.3. Si c’est le cas, effectuez l’étape de génération.
2. Build : synthétisez automatiquement des capteurs colorimétriques. Voir les détails aux étapes 1.7 à 1.10.
3. Test : Que le test automatisé des capteurs colorimétriques se poursuive. Voir les détails dans les étapes 1.11-1.13.
4. Apprendre : Ajuster le modèle de substitution
   1. Utilisez les variables de formulation du capteur colorimétrique et leurs scores d’évaluation pondérés comme entrée et sortie du modèle de substitution, respectivement.
   2. Utilisez une régression de processus gaussien avec la fonction moyenne pour k(x_i, x_j) et la fonction de covariance (noyau) k(x_i, x_j) pour ajuster le modèle de substitution.
      REMARQUE : La figure 6 montre le modèle de substitution pour les variables unidimensionnelles et bidimensionnelles. Dans l’algorithme d’ajustement de processus gaussien développé, un noyau de Matérn anisotrope combiné à un noyau de bruit blanc (voir les deux équations suivantes, Eq (7) et Eq (8)) est choisi pour assurer la généralité de la fonction du noyau.
      (7)
      (8)
5. Critères de fin d’optimisation : Notez que l’optimisation DBTL s’arrête lorsque le nombre d’itérations atteint une valeur prédéfinie, ou lorsqu’il n’y a pas d’amélioration significative des scores pondérés des capteurs colorimétriques générés.

3. Construction et caractérisation du réseau de capteurs colorimétriques optimal

1. Pour les six intervalles de concentration du gaz cible, réaliser n campagnes d’optimisation DBTL pour découvrir six formulations de capteurs colorimétriques globalement optimales ou quasi optimales. Dans chaque intervalle de concentration, la formulation optimisée du capteur colorimétrique présente le score d’évaluation pondéré le plus élevé dans le test de gaz cible.
2. Utiliser le manipulateur de liquides pour construire approximativement les réseaux de capteurs colorimétriques composés des six formulations de capteurs colorimétriques optimisées. Les étapes 1.7 à 1.10 détaillent l’opération spécifique à l’aide du manipulateur de liquides.
3. Test de durée de conservation :
   1. Construisez 14 réseaux de capteurs colorimétriques et divisez-les en deux groupes. Stockez un groupe à l’état ouvert à 25 °C et l’autre sous vide.
   2. Maintenir des conditions de test constantes et effectuer des tests de réponse quotidiens sur une période de 7 jours pour évaluer l’impact des deux conditions de stockage sur les performances de la matrice de capteurs colorimétriques, déduisant ainsi la durée de conservation dans les deux stratégies de stockage.

4. Étalonnage du réseau de capteurs colorimétriques

1. Pour la construction d’un réseau de capteurs colorimétriques, voir les détails aux étapes 3.1-3.2.
2. Échantillonnage des données :
   1. Sélectionnez 5 à 10 valeurs de concentration à intervalles égaux pour chaque plage de concentration du gaz cible, avec un total d’au moins 20 concentrations différentes.
   2. Exposez le réseau de capteurs colorimétriques au gaz cible en fonction de la valeur de concentration dans l’ordre croissant ou décroissant et enregistrez les valeurs de réponse du réseau de capteurs colorimétriques.
      REMARQUE : Cinq à 10 cycles de CO₂/N₂ ont été nécessaires pour chaque concentration de CO₂ .
3. Enregistrement des données de détection : après avoir été exposé au gaz cible à différentes concentrations pendant 5 ou 10 min, extraire les valeurs des canaux R, G et B de n capteurs colorimétriques à partir du réseau de capteurs colorimétriques en tant que caractéristiques à saisir dans le modèle d’étalonnage. Le vecteur de caractéristique contient 3 × n dimensions.
4. Division de l’ensemble de données : en fonction du nombre de concentrations du gaz cible, divisez les données de réponse à différentes concentrations dans l’ensemble d’apprentissage, l’ensemble de validation et l’ensemble de test dans un rapport de 7:1,5:1,5.
5. Entraînement du modèle : tout d’abord, utilisez les packages Python, tels que scikit-learn et torch, pour construire quatre modèles de régression d’apprentissage automatique pour l’étalonnage : Ridge, Random Forest, Xgboost et Deep Neural Network. Ensuite, définissez la racine de l’erreur quadratique moyenne comme fonction de perte. Enfin, chargez l’ensemble de données et commencez à entraîner le modèle d’étalonnage.
6. Sélection du modèle : validez les performances des quatre modèles de régression du machine learning à l’aide du jeu de validation et sélectionnez le modèle avec la plus petite erreur quadratique moyenne comme modèle de calibrage final.
7. Test de modèle : utilisez l’ensemble de test pour effectuer un test de performance sur le modèle d’étalonnage final, en évaluant les performances du réseau de capteurs colorimétriques et du modèle d’étalonnage pour l’analyse quantitative du gaz cible.

Un exemple typique de ce dispositif expérimental est le « Wide-Range High-Sensitivity Colorimetric CO₂ Sensor Array »¹². Tout d’abord, l’expérience génère un graphique basé sur la variation de ΔE au cours du temps à une concentration fixe de CO₂ après optimisation bayésienne multi-objectifs (Figure 7A). Sur la base de son faible temps de réponse, de son ΔE et de sa réversibilité, les éléments inutiles 1 (temps de réponse lent), inutiles 2 (non réactifs) et inutiles 3 (dérive de la ligne de base) doivent être éliminés par la fonction d’optimisation bayésienne multi-objectifs où l’objectif est fixé d’atteindre la recette de la sensibilité la plus élevée satisfaisant le temps de réponse requis. Cependant, si les valeurs objectives sont directement additionnées, comme le montre la partie gauche de la figure 7B, les différences entre les échantillons indésirables et les échantillons préférés ne sont pas distinctes, ce qui peut retarder l’optimisation guidée par algorithme. La méthode sigmoïde a donc été appliquée dans le développement du capteur pour privilégier des performances équilibrées entre les différents objectifs. La fonction sigmoïde est utilisée comme un mécanisme de traduction fluide pour évaluer et filtrer les recettes des capteurs. Cette fonction garantit que le score pour toute caractéristique cible (par exemple, le temps de réponse, la réversibilité ou ΔE) est proche de 0 lorsqu’il est inférieur à un seuil défini et s’approche de 1 lorsqu’il est supérieur à celui-ci. En multipliant les scores de toutes les cibles, le score pondéré final diminue considérablement si une caractéristique n’atteint pas le seuil, ce qui permet de filtrer efficacement les recettes sous-optimales, indépendamment des bonnes performances dans d’autres domaines. Les scores finaux après analyse ont été tracés sur un graphique (figure 7B), ce qui a permis de vérifier le meilleur ratio « préféré » et d’effectuer l’optimisation du dépistage à chaque tour. Grâce à cette détection, les unités présentent la meilleure sensibilité lorsqu’elles répondent en dessous de 100 s.

Après plusieurs cycles d’optimisation et de criblage, le score global de la recette optimisée s’est considérablement amélioré à une concentration fixe de CO₂ , ce qui a considérablement amélioré les performances de détection colorimétrique (Figure 7C). Après quatre itérations, le score le plus élevé restera probablement essentiellement inchangé, ce qui indique que le maximum quasi-mondial a été atteint. À ce stade, la sélection des six meilleures formulations ayant les scores les plus élevés dans chaque intervalle de concentration de CO₂ peut former la gamme de produits optimale. En optimisant et en combinant la gamme de produits optimale, il est possible de réaliser une large gamme de capteurs de gaz colorimétriques à haute sensibilité.

Enfin, pour évaluer la sensibilité du réseau de détection cible, prenez la valeur RVB moyenne de toutes les unités de détection dans chaque formulation identique. Ensuite, connectez les valeurs RVB moyennes des six formulations de détection sous la forme d’un vecteur de réponse. Pour prédire la concentration de CO₂ de manière réversible à partir du vecteur réponse, ajustez les données à l’aide d’un modèle de régression de Ridge. En fin de compte, il est possible de calculer que l’erreur absolue moyenne de concentration de dioxyde de carbone peut atteindre 0,27 % (figure 7D).

Figure 1 : Organigramme. L’expérience cyclique DBTL commence par l’initialisation des paramètres et la configuration de l’environnement matériel et logiciel. Le test de base établit des normes de performance. Par la suite, la méthode DBTL identifie les performances réelles des différentes recettes de capteurs en testant et en guidant l’ajustement d’optimisation de la disposition de la mémoire. L’évaluation de la performance compare les données de référence pour évaluer l’efficacité de la méthode DBTL. Si l’amélioration des performances ne répond pas aux attentes, la méthode est réajustée et des tests itératifs sont effectués ; Si l’objectif est atteint, l’expérience se termine. L’ensemble du processus est optimisé de manière itérative pour trouver la meilleure recette au monde. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 2 : Ajustement des paramètres et scénario d’expérience pour la préparation expérimentale. (A) Paramètres de coordonnées : Les positions des cartouches d’embouts de différents calibres sont définies aux coordonnées 2, 3, 6 et 9. La variable « emplacement » est utilisée pour enregistrer les différentes positions du plateau d’aiguilles. Les positions de coordonnées des plateaux d’aiguilles sont divisées en axes X et Y. La variable « init_well_num » est utilisée pour enregistrer les positions des coordonnées des plateaux d’aiguilles. (B) Les cartouches d’embout sont placées dans le coin supérieur gauche du manipulateur de liquide, l’axe X est divisé en 1-12 et l’axe Y est divisé en A-H. Lors de l’enregistrement des coordonnées, la coordonnée de l’axe Y est enregistrée en premier, suivie de la coordonnée de l’axe X. (C) Expérience de simulation : Aucune extraction liquide réelle n’est effectuée. Vérifiez si le fichier de configuration fonctionne normalement et s’il y a des bogues dans la communication, la base de données ou des erreurs dans le journal. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3 : Opération de pipetage. (A) Aspiration de liquide : À l’aide du bras robotique muni d’une cartouche de pointe, aspirer la solution requise à partir du tube de solution source situé à la position de coordonnées prédéfinie. (B) Mélange : La plaque du puits profond est secouée à une fréquence prédéfinie pour mélanger uniformément la solution extraite. (C) Distribution : Après le mélange, distribuer la solution du petit puits à des endroits prédéfinis sur la membrane de polytétrafluoroéthylène d’essai, en répétant le processus pour les 96 puits. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4 : Enregistrement des données expérimentales et sélection des cases des points de trempage. (A) Numéro de membrane et ID de l’essai au gaz, qui comprennent des informations sur la date et l’heure de l’essai au gaz : Pour assurer la traçabilité et l’exactitude des expériences, créez une liste contenant les codes d’évacuation et les membranes utilisés dans les expériences récentes pour une analyse ultérieure. (B) Sélection de la case : La moitié gauche de la figure est la zone sans échantillons ; La moitié droite de la figure est la zone de la membrane avec les capteurs colorimétriques. Lors du processus de sélection du boîtier, il est crucial d’assurer une couverture complète de chaque point de détection pour garantir la précision du capteur. Une fois la sélection de la boîte terminée, le système prendra automatiquement une photo et effectuera une analyse colorimétrique ultérieure. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 5 : Configuration de la fonction multi-objectifs. Le système génère une nouvelle recette de solution basée sur l’optimisation multi-objectif bayésienne et affiche les informations d’identité de la nouvelle recette. Ajustez dynamiquement la quantité requise pour chaque recette en fonction des limites supérieure et inférieure définies dans le fichier de configuration pour préparer le prochain cycle d’itération. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Graphique 6. Visualisation du modèle de substitution. (A) Le modèle de substitution d’une variable unidimensionnelle (ici, le volume de colorant) avec d’autres variables maintenues constantes. (B) Le modèle de substitution pour les variables bidimensionnelles (ici, le volume de colorant et le volume de polyéthylène glycol), les autres variables restant inchangées. Abréviation : PEG = polyéthylène glycol. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 7 : Analyse des données à titre d’exemple d’utilisation de l’installation pour développer des capteurs de CO₂ à large portée . (A) Courbes de réponse d’une unité de détection préférée et de trois unités de détection sous-optimales dans une certaine plage de concentration de CO₂. La courbe grise est la concentration de CO₂ à différents moments et les courbes colorées sont la réponse des changements de couleur. (B) Scores pour les quatre objectifs (sensibilité, réversibilité, temps de réponse et intensité de réponse) de l’unité de détection préférée et trois unités de détection sous-optimales avant et après l’utilisation de la fonction multi-objectif. Après la fonction multi-objectifs sigmoïde, la recette préférée a été séparée des recettes indésirables en ce qui concerne la fonction objectif. (C) Distribution des scores des scores des unités de détection dans cinq séries d’expériences d’optimisation bayésienne pour la plage de concentration de CO₂ de 0,04 % à 0,2 %. L’algorithme a recommandé d’augmenter les valeurs cibles des recettes, ce qui montre l’augmentation des performances des unités de détection. (D) Courbe d’étalonnage d’un seul capteur et de ses données d’essai. Cette figure est tirée de Chen et ^al.1. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Cet article propose un modèle expérimental permettant de développer des capteurs de gaz colorimétriques plus rapidement et avec plus de précision. Ce processus expérimental peut être utilisé pour développer des capteurs colorimétriques pour divers gaz, tels que l’humidité, le CO₂ et l’ammoniac ^1,4,5. Grâce à la méthode de cette plate-forme, il peut répondre aux besoins des utilisateurs avec diverses préférences, telles qu’une sensibilité élevée, une faible limite de détection, le temps de réponse requis, compte tenu de la présence de gaz interférents, de l’humidité et d’autres scénarios expérimentaux différents. Il ajuste dynamiquement les paramètres réglables des recettes de capteur pour répondre aux exigences cibles préalables. Par exemple, lors de la conception de capteurs cibles nécessitant une sensibilité et une réversibilité plus élevées, les paramètres de poids de sensibilité et de réversibilité dans les performances de détection peuvent être augmentés au cours de chaque cycle de criblage de l’apprentissage automatique pour obtenir le rapport optimal, ce qui permet d’optimiser la recherche et le développement à la demande. La performance des capteurs est souvent liée à la capacité de trouver la meilleure recette au monde dans l’espace de recherche multidimensionnel. Les conceptions expérimentales conventionnelles nécessitent de longs cycles d’optimisation expérimentale, une charge de travail manuelle importante et introduisent des erreurs importantes¹⁹. Cependant, la conception des capteurs de gaz colorimétriques comporte des exigences rigoureuses en matière d’efficacité et de précision expérimentales, de sorte que les conceptions expérimentales pour les gaz spatiaux à paramètres élevés sont considérées comme des obstacles importants à de telles expériences^20,21.

Cette expérience résout cet obstacle en utilisant une plate-forme expérimentale automatisée, intégrant des fonctions telles que la manipulation automatisée des liquides, les contrôleurs de débit massique contrôlés par programme et les caméras à grande vitesse, permettant de préparer et de tester jusqu’à 96 unités de détection dans un seul lot. Grâce à cette plateforme expérimentale automatisée et à la méthode DBTL, à travers de multiples séries d’itérations cycliques, les rapports de dosage de diverses solutions sources pour les formulations de capteurs de gaz ont été progressivement ajustés aux optima globaux dans l’espace multivarié, réalisant une optimisation globale multi-objectif. Cela a considérablement amélioré la qualité des expériences, l’efficacité de la recherche et du développement, et raccourci le cycle d’optimisation¹².

Pour différentes conceptions de capteurs de gaz colorimétriques, une conception ciblée est nécessaire au stade pré-expérimental à l’étape 0. Les variables susceptibles d’affecter les résultats expérimentaux doivent être examinées pour identifier les agents sources qui ont un impact important sur l’effet colorimétrique pour les expériences ultérieures.

De plus, le contenu expérimental peut être modifié pour concevoir des capteurs de liquide colorimétriques. Par exemple, en fonction des propriétés du liquide cible, des indicateurs appropriés, des solvants et d’autres additifs ; La plate-forme d’essai de gaz peut être repensée pour s’adapter à l’environnement liquide des essais, en développant de nouveaux protocoles d’essai et des équipements pour simuler l’environnement liquide dans des applications pratiques ; choisir des matériaux de substrat appropriés, tels que des films poreux ou des revêtements spéciaux, pour améliorer l’absorption et la réaction avec le liquide^22,23. Après avoir ajusté la plate-forme d’essai et le processus expérimental, des expériences de développement de capteurs de liquide colorimétriques peuvent être menées.

Les avantages de l’utilisation de la boucle DBTL résident principalement dans le gain de temps, l’offre d’une plage de détection plus large et l’obtention d’une sensibilité plus élevée. Dans la phase d’apprentissage automatique ('L' dans DBTL), l’intégration d’algorithmes d’apprentissage automatique pour la navigation des paramètres permet à cette approche de développement de découvrir efficacement des informations précieuses dans des espaces de grande dimension, améliorant ainsi l’efficacité du développement des capteurs^24,25. De plus, la boucle DBTL peut optimiser les performances de plusieurs unités de capteur simultanément, chaque unité étant optimisée pour des intervalles de concentration spécifiques, permettant ainsi d’obtenir une plage de détection plus large et une sensibilité plus élevée. L’optimisation dynamique multi-objectifs dans des dimensions multiparamètres permet également d’améliorer les performances globales du capteur, évitant ainsi de tomber dans l’optima local ^5,26.

L’approche DBTL ne se limite pas au développement de capteurs colorimétriques de gaz et de liquides. Avec un financement suffisant, les méthodes ci-dessus peuvent également être étendues à la recherche et au développement d’autres matériaux, tels que la synthèse de nouveaux médicaments et les matériaux de grande valeur 27,28,29. Pour différentes propriétés du matériau et exigences d’application, modifiez les processus spécifiques et les détails de la plate-forme expérimentale (construction) et des pièces (test). Après avoir ajusté l’algorithme d’optimisation et les paramètres paramétrés, il est possible d’effectuer des recherches et des développements pour d’autres matériaux de grande valeur. De plus, ses applications potentielles s’étendent à un large éventail de domaines scientifiques. Par exemple, dans le domaine de la conception de structures mécaniques, l’approche DBTL peut être transformatrice, en particulier pour optimiser des structures complexes telles que des composants légers pour des applications aérospatiales, automobiles ou robotiques. L’intégration de l’automatisation et de l’apprentissage automatique garantit une expérimentation à haut débit et une prise de décision basée sur les données, réduisant considérablement le temps et les coûts associés aux processus de R&D traditionnels. En adaptant les composants de conception, de construction et de test aux exigences spécifiques de divers domaines, la méthodologie DBTL offre une approche polyvalente et transformatrice pour faire progresser l’innovation dans toutes les disciplines.

Les auteurs n’ont aucun conflit d’intérêts à déclarer.

Ce travail est soutenu par la Fondation des sciences naturelles de la province du Zhejiang (LQ24F040006) et le fonds de démarrage de l’Université de technologie avancée de Shenzhen.