ここでは、ロボットベースのDesign-Build-Test-Learn(DBTL)アプローチを使用して比色ガスセンサーを開発するためのプロトコルを紹介します。このプロトコルは、ハイスループットの自動化、機械学習、多目的最適化を統合して、_CO2などのガスを検出するためのセンサーの配合を効率的に検出および最適化し、迅速で費用対効果の高い正確なセンサー開発を可能にします。

この論文では、効率的で高速な比色ガスセンサーの開発を目的としたロボットベースの実験プログラムを紹介します。このプログラムは、自動化された設計-構築-テスト-学習(DBTL)アプローチを採用しており、ガスの異なる濃度間隔に対して複数のレシピを最適化しながら、検索プロセスを繰り返し最適化します。各反復では、アルゴリズムはさまざまな取得関数に基づいてレシピ提案のバッチを生成し、反復回数の増加に伴って、各濃度間隔の重み付け目的関数の値が大幅に向上します。

DBTL メソッドは、パラメーターの初期化から始まり、ハードウェア環境とソフトウェア環境を設定します。ベースラインテストは、パフォーマンス基準を確立します。その後、DBTL法は、各ラウンドのレシピの割合に基づいて次のラウンドの最適化を設計し、パフォーマンスを反復的にテストします。パフォーマンス評価では、ベースラインデータを比較して、DBTLメソッドの有効性を評価します。パフォーマンスの向上が期待を満たさない場合、メソッドは反復的に実行されます。目的が達成された場合、実験は終了します。プロセス全体は、DBTL反復最適化プロセスを通じてシステムパフォーマンスを最大化します。

従来の手動開発プロセスと比較して、この実験プロセスで採用されたDBTL手法は、多目的最適化とさまざまな機械学習アルゴリズムを使用しています。成分体積の上限と下限を定義した後、DBTL法は反復実験を動的に最適化して、最高のパフォーマンスで最適な比率を取得します。この方法は、効率を大幅に向上させ、コストを削減し、最適なレシピを見つける際に、多配合の変数空間内でより効率的に機能します。

ガスセンサの実用化は非常に広範であり、環境モニタリング、航空宇宙、排ガス処理などのさまざまな分野で使用されています^1,2,3。ガスセンサの動作原理は、通常、電気化学、ガスクロマトグラフィー、光学などの複数のメカニズムに依存しています。数ある検出機構の中でも、色の変化に基づくものは、他に類を見ない酸塩基機構へと進化しました。低コストでアプリケーションが簡単なため、CO₂^{センサー1,4,5}など、多くのポータブルおよび使い捨てガスセンサーの設計に広く使用されています。このタイプのセンサーは、特定の化学物質の色の変化を使用してガス濃度を検出します。ガス濃度が変化すると、センサー材料はイオン錯体化やインジケーターの色の変化などの化学反応を起こし、ガス感受性色素の色が変化します⁶。色の変化を検出・解析することで、間接的にガス濃度を測定することができます。一方、低コストと携帯性の利点にもかかわらず、このタイプのセンサーには、長い開発サイクルや低効率など、いくつかの欠点があります^7,8,9。同時に、従来のセンサー設計方法では、必要な応答時間、可逆性、検出限界の達成など、複数のセンシング特性を同時に満たすのに苦労しています。従来の研究開発パラダイムの下では、これらの困難は比色ガスセンサーの生産と広範な適用を著しく妨げています。

オンデマンドの研究開発における上記の課題に対応して、この実験プロセスを通じて開発された比色センサー技術は、従来のガスセンシングの欠点のいくつかに対処することができます。反復的な設計-構築-テスト-学習(DBTL)アプローチ^10,11を採用することにより、センサ開発の効率を大幅に向上させることができ、それにより研究開発時間を短縮し、研究開発^1,12のニーズを効果的に満たすことができる。一般的なDBTL開発セットアップでは、新しい材料の開発は反復的なフィードバックループとして捉えられます。ループには4つの主要なステップが含まれています:1.最適化パラメータの設計、ターゲット、および試行実験のためのパラメータ空間のサンプル。2. 選択したパラメータのサンプルを作成します。3.ビルドされたサンプルの目標値をテストします。4.ターゲットフィードバックの機械学習分析により、次のバッチパラメータの選択をガイドします。この反復プロセスでは、サンプルの迅速な構築とテストを可能にするハイスループット実験プラットフォームと機械学習アルゴリズムが主要なコンポーネントです。自動化されたハイスループットテストプラットフォームは、最大384個のセンシングユニットを同時にテストでき、高品質の応答データを大量に収集します。機械学習アルゴリズム^{13、14、15、16、17}、例えば、多目的ベイズ最適化などを利用することにより、センシングユニットの複数のセンシングメトリクス(例えば、感度、応答時間、可逆性)を同時に自動的に最適化することができ、それにより、様々なセンシング特性の全体的な性能を向上させることができる。最適化アルゴリズムによって生成されたセンシングユニットのレシピは、個別のキャリブレーションなしで定量的な_CO2濃度検出を達成でき、二乗平均平方根誤差(RMSE)メトリックも必要な指標を満たすことができます。

私たちのプログラムは、比色ガスセンシングに基づいて開発された実験手順です(フローチャートについては図1を参照)。自走式ラボの発展に伴い、自動化されたDBTLアプローチは、その高い効率、速度、および再現性により、優れた見通しを示しています^5,12。従来の手動開発プロセスでは、一度に 1 つの変数を調整する従来の手動開発プロセスでは、一度に 1 つの変数を調整した後、別の変数を変更してターゲット パラメーターを最適化し、目的の結果を達成します。このプロセスの主な欠点には、手動実験の効率の低さ、人為的ミスの影響を受けやすいこと、複雑な高次元シナリオでの多次元変数の管理の難しさ、局所最適法にとらわれやすいことなどがあります。この実験プログラムで採用されているDBTL法は、手動の開発プロセスと比較して、ロボティクスと多目的ベイズ最適化などの高度なアクティブラーニングアルゴリズムを組み合わせて使用しています。ベイズ最適化は、評価コストの高い目的関数^15,18を最適化するための確率論的アプローチである。サロゲートモデル (多くの場合はガウス過程) を構築して目的関数を近似し、取得関数を使用してサンプリングする次のポイントを決定します。獲得機能は、探索 (サンプリングの少ない領域の検索) と活用 (既知の高パフォーマンス領域の絞り込み) のバランスを取り、グローバルな最大値または最小値を効率的に見つけます。この方法は、従来の最適化手法が苦手な高次元の非凸型探索空間で特に役立ちます。コンポーネントコンテンツの上限と下限を大まかに定義した後、実験を動的に最適化して、最高のパフォーマンスで最適な比率を反復的に取得します。この方法は、効率を大幅に向上させ、コストを削減し、最適なレシピ^5,12を開発するための多変数空間内でより効率的に実行します。

この記事の全体的な目標は、機械学習、マルチオブジェクトベイズ最適化、および自動液体処理プラットフォームやハイスループットガステストプラットフォームなどの実験的テストプラットフォームなどのさまざまなコンピューターテクノロジーを通じて、自動DBTL法に基づく実験手順を確立することです。これにより、比色ガスセンサーの設計と研究が可能になります。カスタマイズされた液体ハンドリングロボットプラットフォーム「Opentrons OT-2」は、プログラム設定に従って実験を完了し、レシピの合成、混合、浸漬などのステップを自動的に実行します。自家製のハイスループットガス試験プラットフォームは、ガス試験と比色センサーの読み取りにハイスループットで使用され、ターゲットガスの濃度を正確に制御し、センシングユニットの色の変化をリアルタイムで記録します。DBTLに基づいて設計された他の実験システムと比較して、このシステムは比較的低いハードウェアコストを持っています。同時に、人為的ミスを伴うタスクの側面に、半自動化されたアプローチで部分的に対処しました。DBTL設計の利点を維持しながら、最大の限界利益を提供します。

1.予備実験(フィージビリティテスト)

注:Zhangの論文⁸に基づいて、二酸化炭素などの対象ガスの化学比色センサーの関連変数を選択できます。比色センサーの定式化のオンデマンド最適化を実行する前に、次の手順を使用して予備実験を実施して、可変空間を確立することができます。

1. 対象ガスの濃度範囲を決定し、ガス試験構成を確立します。
   注:ガステスト構成内のターゲットガスの濃度は、直線的または指数関数的に増加します。
2. 対象ガスの各濃度が流れる前後に、試験装置を窒素でパージします。窒素の流動時間と目標ガスの比率は1:1に保ちます。
   注:対象ガスの濃度が<1ppmの場合、流動時間は~10分です。目標ガス濃度が≥1ppmの場合、流動時間は~5分です。
3. 飽和度や粘度などの因子に基づいて、溶液に適した濃度で変数のソース溶液を準備します。
   注:一般的に、ソース溶液の濃度を可能な限り高く維持することをお勧めします。
4. 比色センサーの配合物の溶液の総量を400μLに設定します。次に、文献に従って、変数の各ソース解の体積範囲を設定します。
   注:染料のソース溶液の容量範囲は一般に0 μL〜200 μLですが、他のソース溶液の容量範囲は一般に0 μL〜100 μLです。ソース溶液のサンプリング間隔は~25μLです。
5. ランダムサンプリング機能を通じて96種類の製剤のバッチを生成し、化学比色法を使用してターゲットガスを検出する可能性を検証します。
6. 比色センサーの配合ファイル、ソース溶液、チップ、96ウェルプレート、およびPTFEメンブレンをリキッドハンドラーにロードし、独立したID情報番号を順次生成します(図2)。
7. 液体ハンドラを シミュレーション モードに設定して、液体の吸引、分注、振とう、滴下などの比色センサ製剤の合成操作を模倣します(図3)。
8. シミュレーション状態にエラーがない場合は、リキッドハンドラーを 実験 に設定し、比色センサーの合成の自動化を開始します。
   注:プロセスを自動化するためのコードは、オープンソースソフトウェアパッケージ「Opentrons」に基づいて開発されています。比色センサーの合成には3〜6時間かかると予想されています。
9. 比色センサーを40°Cのオーブンに入れ、50分間加熱します。
10. 乾燥させた比色センサーをガスチャンバーに置き、試験環境の照明の均一性と試験チャンバーの気密性を確認します。問題がないことを確認したら、マスフローコントローラー(MFC)を使用して、分析対象ガス(濃度 c_a)と窒素(濃度 c_n)の流量を自動的に制御し、ガステスト構成を実行します。全体のガス流量が体積/分で S であり、目標分析種濃度が cであると仮定します。分析物ガスMFCと窒素MFCの流量(体積/分)は
    (1)
    (2)
11. 流動プロセス中に、カメラをガス室の上に設置して、5秒ごとに写真を撮り、比色センサーの色の変化を記録します(図4)。
    注:流動試験は約2時間で完了する予定です。
12. コンピュータは、キャプチャされた画像を時系列でロードし、各画像内の各比色センサからRGBカラー値を抽出し、次いで、ターゲットガスへの曝露前に測定されたベースラインカラーに対する差を計算し、それにより、流動時間にわたる比色センサの色変動図をプロットする。色差ΔEの計算式は、式(1)として示されています。
    (3)
13. ターゲットガスに有意な色変化を示す比色センサーがあるかどうか、およびターゲットガス濃度の増加に伴って色変化値が増加するかどうかを観察します。その場合、化学比色センサーを使用してターゲットガスを検出する可能性が検証されます。
14. 実験前の結果に基づいて、変数のソース解の上限と下限を調整し、効果があまりないソース解を削除します。

2. ロボット実験プラットフォームを利用して、Design-Build-Test-Learn(DBTL)反復最適化プロセスを実施します。

1. 設計:多目的機能を設定し、比色センサーの配合を生成します。
   1. 比色センサーの複数の性能指数の重み付け評価スコアを計算するための多目的関数を設定します(図5)。
      注:加重評価スコアの詳細は、参考文献¹に記載されています。
   2. DBTL最適化が最初のラウンドにある場合は、96の初期比色センサーの定式化をランダムに生成し、この最適化タスクのキャンペーンIDを作成します。
   3. DBTLが2回目以降のラウンドにある場合は、異なる取得機能(信頼限界の上限、改善の確率、期待される改善など)を使用して、96の比色センサーの定式化の次のバッチを設計します。さらに、各ラウンドで獲得関数のハイパーパラメーターを微調整します。一般に、UCB のハイパーパラメーターとして κ は、値が 5 を超えず、 が EI と POI のハイパーパラメーターとして機能し、最適化の反復が増加するにつれて徐々に減少し、0 近くまで減少します。次の式 (4)、(5)、および (6) は、それぞれ UCB、EI、および POI の集録関数を示しています。
      (4)
      (5)
      (6)
      ここで 、μ(x) は平均です。σ(x) は分散です。κ, は探索と利用のバランスをとるパラメータで、反復ラウンドと減衰率によって制御されます。 f(x) は加重評価スコアです。 f_currentMax は、現在の最高加重評価スコアです。
   4. 非初期ラウンドごとに比色センサーの配合を生成した後、これらの比色センサーの配合が高い期待を示すか、高い不確実性を示すかを観察します。そうでない場合は、手順2.1.3の操作を繰り返します。その場合は、ビルド手順を実行します。
2. ビルド:比色センサーを自動的に合成します。詳細については、手順 1.7 から 1.10 を参照してください。
3. テスト:比色センサーの自動テストを続行させます。詳細については、手順 1.11 から 1.13 を参照してください。
4. 学習:代理モデルの適合
   1. 比色センサーの定式化変数とその加重評価スコアを、それぞれサロゲートモデルの入力と出力として使用します。
   2. k(x_i, x_j) の平均関数と共分散関数 (カーネル) k(x_i, x_j) を持つガウス過程回帰を使用して、代理モデルを適合します。
      注: 図 6 は、1 次元変数と 2 次元変数の代理モデルを示しています。開発されたガウス過程近似アルゴリズムでは、カーネル関数の一般性を確保するために、ホワイト ノイズ カーネル (次の 2 つの式、Eq (7) と Eq (8) を参照) と組み合わせた異方性 Matérn カーネルが選択されます。
      (7)
      (8)
5. 最適化の終了基準: 反復回数がプリセット値に達したとき、または生成された比色センサーの加重スコアに大きな改善がない場合、DBTL 最適化は停止することに注意してください。

3. 最適な比色センサーアレイの構築と特性評価

1. ターゲットガスの6つの濃度間隔について、n個のDBTL最適化キャンペーンを実施して、6つのグローバル最適または準最適比色センサーの配合を発見します。各濃度間隔内で、最適化された比色センサーの配合は、ターゲットガス試験で最高の重み付け評価スコアを示します。
2. リキッドハンドラーを利用して、最適化された6つの比色センサー配合で構成されるおよそ比色センサーアレイを構築します。手順1.7-1.10では、リキッドハンドラーを使用した特定の操作について詳しく説明します。
3. 保存期間テスト:
   1. 14個の比色センサーアレイを作成し、それらを2つのグループに分けます。1つの基を25°Cの開放状態で保存し、もう1つの基を真空中で保存します。
   2. 一貫した試験条件を維持し、7日間にわたって毎日応答試験を実施して、2つの保管条件が比色センサーアレイの性能に与える影響を評価し、それにより両方の保管戦略の下での保存寿命を推測します。

4. 比色センサーアレイのキャリブレーション

1. 比色センサーアレイの構築については、ステップ3.1-3.2の詳細を参照してください。
2. データサンプリング:
   1. ターゲットガスの濃度範囲ごとに等間隔で5〜10の濃度値を選択し、合計で20以上の異なる濃度を選択します。
   2. 比色センサーアレイを、濃度値に従って昇順または降順でターゲットガスにさらし、比色センサーアレイの応答値を記録します。
      注:各CO₂濃度には、5〜10 CO₂ / N₂サイクルが必要でした。
3. センシングデータの記録:さまざまな濃度のターゲットガスに5分または10分間曝露した後、n個の比色センサーアレイからn個の比色センサーのR、G、およびBチャネル値を特徴として抽出し、キャリブレーションモデルに入力します。特徴ベクトルには 3 つの × n 次元が含まれています。
4. データセットの分割: ターゲット ガスの濃度の数に基づいて、異なる濃度の応答データを学習セット、検証セット、テスト セットに 7:1.5:1.5 の比率で分割します。
5. モデルトレーニング:まず、scikit-learnやtorchなどのPythonパッケージを使用して、キャリブレーション用の4つの機械学習回帰モデル(Ridge、Random Forest、Xgboost、Deep Neural Network)を構築します。次に、二乗平均平方根誤差を損失関数として設定します。最後に、データセットを読み込み、キャリブレーションモデルのトレーニングを開始します。
6. モデルの選択: 検証セットを使用して 4 つの機械学習回帰モデルのパフォーマンスを検証し、二乗平均平方根誤差が最小のモデルを最終的なキャリブレーション モデルとして選択します。
7. モデルテスト:テストセットを使用して、最終キャリブレーションモデルでパフォーマンステストを実行し、比色センサーアレイとターゲットガスの定量分析のためのキャリブレーションモデルの性能を評価します。

この実験装置の典型的な例は、「Wide-Range High-Sensitive Colorimetric CO₂ Sensor Array」¹²です。まず、実験では、ベイズ多目的最適化後の固定 CO₂ 濃度での ΔE の経時変化に基づいてグラフを生成します (図 7A)。その応答時間、ΔE、および可逆性の低さに基づいて、不要な1(応答時間が遅い)、不要な2(応答しない)、および不要な3(ベースラインドリフト)は、必要な応答時間を満たす最高の感度のレシピを達成するように目標が設定されている多目的ベイズ最適化関数によって排除する必要があります。ただし、図7Bの左側に示されているように、目的値を直接加算すると、不要なサンプルと優先サンプルの違いが明確でなくなり、アルゴリズム主導の最適化が遅れる可能性があります。したがって、シグモイド法は、さまざまな目的間でバランスの取れたパフォーマンスを優先するために、センサーの開発に適用されました。シグモイド関数は、センサーレシピを評価およびフィルタリングするためのスムーズな翻訳メカニズムとして使用されます。この機能により、任意のターゲット特性(応答時間、可逆性、ΔEなど)のスコアが、定義されたしきい値を下回ると0に近づき、それを超えると1に近づくようになります。すべてのターゲットのスコアを乗算することにより、いずれかの特性がしきい値を満たさない場合、最終的な加重スコアは大幅に減少し、他の領域での優れたパフォーマンスに関係なく、最適でないレシピを効果的に除外します。解析後の最終スコアをチャートにプロットし(図7B)、最終的に「好ましい」比率が優れているかどうかを確認し、各ラウンドでスクリーニングの最適化を完了しました。このセンシングにより、ユニットは100秒未満で応答しながら最高の感度を示します。

数回にわたる最適化とスクリーニングの結果、最適化レシピの総合スコアの総合スコアは、固定のCO₂ 濃度で大幅に改善され、比色センシング性能が大幅に向上しました(図7C)。4 回の反復後、最高スコアは基本的に変わらない可能性が高く、準グローバル最大値に達したことを示します。この時点で、各 CO₂ 濃度間隔で最も高いスコアを持つ上位 6 つの組成を選択することで、最適な製品配列を形成できます。最適な製品アレイを最適化・組み合わせることで、広範囲で高感度な比色ガスセンシングアレイを実現することができます。

最後に、ターゲットセンシングアレイの感度を評価するために、各同一の配合のすべてのセンシングユニットの平均RGB値を取ります。次に、6 つのセンシング定式化の平均 RGB 値を応答ベクトルの形式で接続します。応答ベクトルから CO₂ 濃度を可逆的に予測するには、リッジ回帰モデルを使用してデータを近似します。最終的には、二酸化炭素濃度の平均絶対誤差が0.27%に達すると計算することができます(図7D)。

図1:フローチャート。 DBTL の周期的な実験は、パラメーターの初期化とハードウェアおよびソフトウェア環境のセットアップから始まります。ベースラインテストは、パフォーマンス標準を確立します。その後、DBTL法は、メモリレイアウトの最適化調整をテストおよびガイドすることにより、さまざまなセンサーレシピの実際のパフォーマンスを特定します。パフォーマンス評価では、ベースラインデータを比較して、DBTLメソッドの有効性を評価します。性能の向上が期待を満たさない場合は、メソッドを再調整し、反復テストを実施します。目標が達成されると、実験は終了します。プロセス全体は、グローバルに最適なレシピを見つけるために繰り返し最適化されます。 この図の拡大版を表示するには、ここをクリックしてください。

図2:実験準備のためのパラメータ調整と実験シナリオ。 (A) 座標設定:異なる口径のチップカートリッジの位置は、座標2、3、6、および9で設定されます。変数「location」は、異なるニードルトレイの位置を記録するために使用されます。ニードルトレイの座標位置は、X軸とY軸に分割されています。変数「init_well_num」は、ニードルトレイの座標位置を記録するために使用されます。(B)チップカートリッジはリキッドハンドラーの左上隅の位置に配置され、X軸は1〜12に分割され、Y軸はAHに分割されます。座標を記録するときは、最初にY軸の座標が記録され、次にX軸の座標が記録されます。(C)シミュレーション実験:実際の液抽出は行いません。設定ファイルが正常に動作しているかどうか、通信、データベース、ログにエラーがないか確認します。 この図の拡大版を表示するには、ここをクリックしてください。

図3:ピペッティング操作 (A)液体吸引:チップカートリッジ付きのロボットアームを使用して、事前に設定された座標位置にあるソース溶液チューブから必要な溶液を吸引します。(B)ミキシング:ディープウェルプレートをあらかじめ設定した周波数で振とうし、抽出した溶液を均一に混合します。(C)分注:混合後、小さなウェルから溶液を試験用ポリテトラフルオロエチレンメンブレンの事前定義されたスポットに分注し、96ウェルすべてに対してこのプロセスを繰り返します。 この図の拡大版を表示するには、ここをクリックしてください。

図4:実験データの記録と浸漬スポットのボックス選択 (A)膜番号とガス試験ID、ガス試験の日付/タイミング情報を含む:実験のトレーサビリティと精度を確保するために、最近の実験で使用されたベントコードと膜を含むリストを作成し、その後の分析に使用します。(B)ボックス選択:図の左半分はサンプルのない領域です。図の右半分は、比色センサーを備えたメンブレン上の領域です。ボックスを選択するプロセスでは、センサーの精度を保証するために、各検出ポイントの包括的なカバレッジを確保することが重要です。ボックスの選択が完了すると、システムは自動的に写真を撮影し、その後の比色分析を実行します。 この図の拡大版を表示するには、ここをクリックしてください。

図5:多目的関数の構成。 システムは、ベイズ多目的最適化に基づいて新しい解レシピを生成し、新しいレシピの ID 情報を表示します。設定ファイルに設定された上限と下限に基づいて、各レシピに必要な量を動的に調整し、次の反復サイクルに備えます。 この図の拡大版を表示するには、ここをクリックしてください。

図 6.サロゲートモデルの視覚化。 (A)1次元変数(ここでは染料の量)の代理モデルで、他の変数は一定に保たれています。(B)2次元変数(ここでは、染料の量とポリエチレングリコールの量)の代理モデルで、他の変数は変更されません。略語:PEG =ポリエチレングリコール。 この図の拡大版を表示するには、ここをクリックしてください。

図7:広範囲の_CO2 センサ を開発するためのセットアップの使用例のデータ分析(A) 特定の_CO2 濃度範囲内の優先センシングユニットと3つの最適でないセンシングユニットの応答曲線。灰色の曲線は異なる時間での_CO2 濃度であり、色付きの曲線は応答色の変化です。 (B) 優先センシングユニットの4つの対物レンズ(感度、可逆性、応答時間、および応答強度)と、多目的機能を使用する前後の3つの最適でないセンシングユニットのスコア。シグモイド多目的関数の後、目的関数に関して、好ましいレシピは望ましくないレシピから分離されました。 (C) 0.04%〜0.2%のCO₂ 濃度範囲に対するベイズ最適化実験の5ラウンド以内のセンシングユニットのスコア分布のスコア分布。アルゴリズムの推奨レシピの目標値が増加し、センシングユニットのパフォーマンスが向上しました。 (D) 単一のセンサーの検量線とそのテストデータ。この図はChen et ^al.1から取得しました。 この図の拡大版を表示するには、ここをクリックしてください。

この記事では、比色ガスセンサーをより迅速かつ正確に開発できる実験的なデザインを提案します。この実験プロセスは、湿度、CO₂、アンモニア^1,4,5などのさまざまなガスの比色センサーの開発に使用できます。このプラットフォームの方法により、干渉ガスの存在、湿度、その他のさまざまな実験シナリオを考慮して、高感度、低検出限界、必要な応答時間など、さまざまな好みを持つユーザーのニーズを満たすことができます。センサーレシピの調整可能なパラメーターを動的に調整して、前提条件のターゲット要件を満たします。例えば、より高い感度と可逆性が求められるターゲットセンサーを設計する場合、機械学習スクリーニングのたびにセンシング性能の感度と可逆性の重みパラメータを増加させて最適な比率にすることで、オンデマンドでの研究開発の最適化を実現できます。センサーの性能は、多くの場合、多次元探索空間でグローバルに最適なレシピを見つけることができるかどうかに関係しています。従来の実験計画では、実験の最適化サイクルが長く、手作業による作業負荷が大きかず、大きな誤差が生じていました¹⁹。しかし、比色ガスセンサーの設計には、実験の効率と精度に対する厳しい要件があるため、高次元パラメータ宇宙ガスの実験設計は、そのような実験^20,21に対する重大な障害と見なされています。

この実験では、自動液体処理、プログラム制御のマスフローコントローラー、高速カメラなどの機能を統合した自動実験プラットフォームを利用することで、この障害に対処し、1つのバッチで最大96個のセンシングユニットの準備とテストを可能にします。この自動化された実験プラットフォームとDBTL法により、複数の周期的な反復を通じて、ガスセンサー製剤のさまざまなソース溶液の投与量比が多変量空間内のグローバル最適に徐々に調整され、多目的グローバル最適化が達成されました。これにより、実験の質、研究開発の効率が大幅に向上し、最適化サイクルが短縮されました¹²。

異なる比色ガスセンサーの設計では、ステップ0の実験前段階でターゲットを絞った設計が必要です。実験結果に影響を与える可能性のある変数をスクリーニングして、後続の実験の比色効果に強い影響を与えるソースエージェントを特定する必要があります。

さらに、実験内容を変更して、比色液体センサーを設計することもできます。例えば、対象液の特性に応じて、適切な指示薬、溶剤、およびその他の添加剤。ガス試験プラットフォームは、試験のための液体環境に適応するように再設計することができ、新しい試験プロトコルと実際のアプリケーションで液体環境をシミュレートするための機器を開発します。多孔質フィルムや特殊コーティングなどの適切な基板材料を選択して、液体との吸収と反応を強化します^22,23。試験プラットフォームと実験プロセスを調整した後、比色液体センサーの開発実験を行うことができます。

DBTLループを使用する利点は、主に時間の節約、検出範囲の拡大、および高感度の達成にあります。機械学習(DBTLでは「L」)フェーズでは、パラメータナビゲーションのための機械学習アルゴリズムの統合により、この開発アプローチが高次元空間で貴重な情報を効果的に発見することが可能になり、それによってセンサ開発の効率が向上する^24,25。さらに、DBTLループは、複数のセンサーユニットの性能を同時に最適化し、各ユニットを特定の濃度間隔に最適化できるため、より広い検出範囲とより高い感度を実現できます。マルチパラメータ次元での多目的動的最適化は、センサーの全体的な性能を向上させるのにも役立ち、ローカル最適^5,26に陥るのを防ぎます。

DBTLのアプローチは、比色ガスおよび液体センサーの開発に限定されません。十分な資金があれば、上記の方法は、新薬合成や高価値材料27,28,29などの他の材料の研究開発にも拡張できる。さまざまな材料特性とアプリケーション要件については、実験プラットフォーム(ビルド)および(テスト)パーツの特定のプロセスと詳細を変更します。最適化アルゴリズムやパラメータ設定を調整した後、他の高価値材料の研究開発を行うことが可能です。さらに、その潜在的な応用は幅広い科学分野にまで及びます。たとえば、機械構造設計の分野では、DBTLアプローチは、特に航空宇宙、自動車、ロボット工学のアプリケーション向けの軽量コンポーネントなどの複雑な構造を最適化するために、変革をもたらす可能性があります。自動化と機械学習の統合により、ハイスループットの実験とデータドリブンな意思決定が可能になり、従来の研究開発プロセスに関連する時間とコストが大幅に削減されます。DBTLの方法論は、設計、製造、テストのコンポーネントをさまざまな分野の特定の要件に適合させることで、分野を超えてイノベーションを推進するための多用途で変革的なアプローチを提供します。

著者は、宣言する利益相反を持っていません。

この研究は、浙江省自然科学財団(LQ24F040006)と深セン先端技術大学のスタートアップファンドの支援を受けています。