比色ガスセンシング開発のためのロボットベース実験手法

サマリー

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。

要約

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。

概要

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。

プロトコル

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。

結果

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...

ディスカッション

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...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
96ウェルディープウェルプレート	NEST NEST	2 mL 96ウェルディープウェルプレート、Vボトム
96ウェルPCRプレート	NEST	NEST 0.1 mL 96ウェルPCRプレート
クレゾールレッド	シグマアルドリッチ	1.05225	比色試薬用色素
エチルセルロース	シグマアルドリッチ	200689	比色試薬用色素
エチルセルロース	アラジン	E110670-100g	添加
物産業用カメラ	HKVision	MV-CS060-10UM/C-PRO	色の変化を記録するために使用
リキッドハンドラー	Opentrons	OT2	リキッドハンドラー
マスフローコントローラー	ASERT AST10-DLCMX-500C-042-A2B2-48VY	分析物ガス混合物の制御に使用
m-クレゾール パープル	シグマ アルドリッチ	1.05228	比色試薬用染料
Opentrons OT-2 Tips	Opentrons	OT-2 Tips, 300µL
Opentrons OT-2 Tips	Opentrons	OT-2 Tips, 20µL
フェノールレッド	グマaldrich	1.07241	比色試薬用染料
ポリエチレングリコール	シグマaldrich	P1458	比色試薬用染料
PTFEフィルム 州	間特殊製品	PM15M	PTFEマンブラン
水酸化テトラブチルアンモニウム	シグマaldrich	86854	比色試薬
用ベースチモールブルー	シグマaldrich	1.08176	比色試薬用染料