비색 가스 감지 개발을 위한 로봇 기반 실험 절차

여기에서는 로봇 기반 DBTL(Design-Build-Test-Learn) 접근 방식을 사용하여 비색 가스 센서를 개발하기 위한 프로토콜을 제시합니다. 이 프로토콜은 고처리량 자동화, 머신 러닝 및 다중 목표 최적화를 통합하여 CO₂와 같은 가스를 감지하기 위한 센서 제형을 효율적으로 발견하고 최적화하여 빠르고 비용 효율적이며 정밀한 센서 개발을 가능하게 합니다.

본 논문은 효율적이고 빠른 비색 가스 센서 개발을 목표로 하는 로봇 기반 실험 프로그램을 제시합니다. 이 프로그램은 자동화된 DBTL(Design-Build-Test-Learning) 접근 방식을 사용하여 검색 프로세스를 반복적으로 최적화하는 동시에 가스의 다양한 농도 간격에 대해 여러 레시피를 최적화합니다. 각 반복에서 알고리즘은 다양한 획득 함수를 기반으로 레시피 제안의 배치를 생성하며, 반복 횟수가 증가함에 따라 각 집중 간격에 대한 가중 목적 함수의 값이 크게 향상됩니다.

DBTL 방법은 하드웨어 및 소프트웨어 환경을 설정하는 매개 변수 초기화로 시작합니다. 기준 테스트는 성능 표준을 설정합니다. 그 후, DBTL 방법은 각 라운드의 레시피 비율에 따라 다음과 같은 최적화 라운드를 설계하고 성능을 반복적으로 테스트합니다. 성능 평가는 기준 데이터를 비교하여 DBTL 방법의 효과를 평가합니다. 성능 개선이 기대에 미치지 못하면 메서드가 반복적으로 수행됩니다. 목표가 달성되면 실험이 종료됩니다. 전체 프로세스는 DBTL 반복 최적화 프로세스를 통해 시스템 성능을 극대화합니다.

기존의 수동 개발 프로세스와 비교하여 이 실험 프로세스에서 채택된 DBTL 방법은 다중 목표 최적화와 다양한 머신 러닝 알고리즘을 사용합니다. 구성 요소 부피의 상한과 하한을 정의한 후 DBTL 방법은 반복 실험을 동적으로 최적화하여 최상의 성능을 가진 최적의 비율을 얻습니다. 이 방법은 효율성을 크게 개선하고, 비용을 절감하며, 최적의 레시피를 찾을 때 다중 제형 변수 공간 내에서 보다 효율적으로 수행됩니다.

가스 센서의 실제 응용 분야는 매우 광범위하며 환경 모니터링, 항공 우주 및 폐가스 처리와 같은 다양한 분야에서 사용되어 왔습니다 ^1,2,3. 가스 센서의 작동 원리는 일반적으로 전기 화학, 가스 크로마토그래피 및 광학과 같은 여러 메커니즘에 의존합니다. 많은 검출 메커니즘 중에서도 색 변화를 기반으로 하는 메커니즘은 독특하게 눈에 띄는 산-염기 메커니즘으로 진화했습니다. 저렴한 비용과 간단한 적용으로 인해 CO₂ 센서 ^1,4,5와 같은 많은 휴대용 및 일회용 가스 센서 설계에 널리 사용됩니다. 이 유형의 센서는 특정 화학 물질의 색상 변화를 사용하여 가스 농도를 감지합니다. 가스 농도가 변하면 센서 재료가 이온 착화 또는 지시자 색상 변화와 같은 화학 반응을 일으켜 가스에 민감한 염료⁶의 색상 변화를 초래합니다. 색상 변화를 감지하고 분석하여 가스 농도를 간접적으로 측정할 수 있습니다. 한편, 저렴한 비용과 휴대성의 장점에도 불구하고 이러한 유형의 센서는 여전히 긴 개발 주기와 낮은 효율성 ^7,8,9와 같은 몇 가지 단점이 있습니다. 동시에 기존의 센서 설계 방법은 필요한 응답 시간, 가역성 및 감지 한계를 달성하는 것과 같은 여러 감지 특성을 동시에 충족하는 데 어려움을 겪었습니다. 전통적인 연구 개발 패러다임에서 이러한 어려움은 비색 가스 센서의 생산과 광범위한 적용을 심각하게 방해합니다.

위에서 언급한 주문형 연구 및 개발의 과제에 대응하여 이 실험 프로세스를 통해 개발된 비색 센서 기술은 기존 가스 감지의 일부 단점을 해결할 수 있습니다. 반복적인 DBTL(Design-Build-Test-Learning) 접근 방식^10,11을 사용함으로써 센서 개발의 효율성을 크게 향상시킬 수 있으며, 이에 따라 연구 개발 시간을 단축하고 연구 개발 ^1,12의 요구를 효과적으로 충족할 수 있습니다. 일반적인 DBTL 개발 설정에서 새로운 재료의 개발은 반복적인 피드백 루프로 간주됩니다. 루프에는 4가지 주요 단계가 포함되어 있습니다: 1. 최적화 매개변수, 목표의 설계 및 시험 실험을 위한 매개변수 공간 샘플링; 2. 선택한 매개 변수의 샘플을 빌드합니다. 3. 건설된 표본을 위한 표적 값을 시험하십시오; 4. 다음 배치 매개변수 선택을 안내하기 위한 대상 피드백의 기계 학습 분석. 이 반복적인 프로세스에서는 샘플을 빠르게 구축하고 테스트할 수 있는 고처리량 실험 플랫폼과 기계 학습 알고리즘이 핵심 구성 요소입니다. 자동화된 고처리량 테스트 플랫폼은 최대 384개의 감지 장치를 동시에 테스트하여 많은 양의 고품질 응답 데이터를 수집할 수 있습니다. 다중 목적 베이지안 최적화(multi-objective Bayesian optimization)와 같은 머신 러닝 알고리즘(13,14,15,16,17)을 활용함으로써, 감지 유닛의 다중 감지 메트릭(예를 들어, 민감도, 응답 시간 및 가역성)을 동시에 그리고 자동으로 최적화할 수 있으며, 이에 따라 다양한 감지 특성의 전반적인 성능을 향상시킬 수 있다. 최적화 알고리즘에 의해 생성된 감지 장치 레시피는 개별 보정 없이 정량적 CO₂ 농도 감지를 달성할 수 있으며 RMSE(Root Mean Square Error) 메트릭도 필요한 지표를 충족할 수 있습니다.

우리 프로그램은 비색 가스 감지를 기반으로 개발된 실험 절차입니다(순서도는 그림 1 참조). 자기 주도 실험실의 개발과 함께 자동화된 DBTL 접근 방식은 높은 효율성, 속도 및 반복성으로 인해 탁월한 전망을 보여주었습니다 ^5,12. 전통적인 수동 개발 프로세스에는 한 번에 하나의 변수를 조정하는 작업이 포함됩니다.전통적인 수동 개발 프로세스에는 한 번에 하나의 변수를 조정한 다음 다른 변수를 수정하여 대상 매개변수를 최적화하고 원하는 결과를 달성하는 작업이 포함됩니다. 이 프로세스의 주요 단점은 수동 실험의 낮은 효율성, 인적 오류에 대한 민감성, 복잡한 고차원 시나리오에서 다차원 변수 관리의 어려움, 로컬 최적화에 갇히는 경향 등입니다. 수동 개발 프로세스와 비교하여 이 실험 프로그램에서 채택된 DBTL 방법은 다중 목표 베이지안 최적화와 같은 고급 능동 학습 알고리즘과 결합된 로보틱스를 사용합니다. 베이지안 최적화(Bayesian optimization)는 평가 비용이 많이 드는 목적 함수를 최적화하기 위한 확률론적 접근 방식입니다^15,18. 대리 모델(종종 가우스 프로세스)을 구축하여 목적 함수를 근사화하고 획득 함수를 사용하여 샘플링할 다음 점을 결정합니다. 획득 기능은 탐색(샘플링이 적은 지역 검색)과 활용(알려진 고성능 지역 구체화)의 균형을 유지하여 글로벌 최대값 또는 최소값을 효율적으로 찾습니다. 이 방법은 기존 최적화 기술이 어려움을 겪는 고차원의 볼록하지 않은 검색 공간에서 특히 유용합니다. 구성 요소 콘텐츠의 상한과 하한을 대략적으로 정의한 후, 실험을 동적으로 최적화하여 최상의 성능을 가진 최적의 비율을 반복적으로 얻습니다. 이 방법은 효율성을 크게 향상시키고 비용을 절감하며 최적의 레시피를 개발하기 위한 다변수 공간 내에서 보다 효율적으로 수행됩니다 ^5,12.

이 기사의 전반적인 목표는 기계 학습, 다중 객체 베이지안 최적화와 같은 다양한 컴퓨터 기술과 자동화된 액체 처리 플랫폼 및 고처리량 가스 테스트 플랫폼을 포함한 실험 테스트 플랫폼을 통해 자동화된 DBTL 방법을 기반으로 하는 실험 절차를 확립하는 것입니다. 이를 통해 비색 가스 센서의 설계 및 연구를 수행할 수 있습니다. 맞춤형 "Opentrons OT-2" 액체 취급 로봇 플랫폼은 프로그램 설정에 따라 실험을 완료하는 데 사용되며 레시피 합성, 혼합 및 담그기와 같은 단계를 자동으로 수행합니다. 수제 고처리량 가스 테스트 플랫폼은 고처리량 방식으로 가스 테스트 및 비색 센서 판독에 사용되어 대상 가스의 농도를 정밀하게 제어하고 감지 장치의 색상 변화를 실시간으로 기록합니다. DBTL을 기반으로 설계된 다른 실험 시스템과 비교할 때 이 시스템은 하드웨어 비용이 상대적으로 저렴합니다. 동시에, 우리는 반자동 접근 방식을 통해 인적 오류와 관련된 작업의 측면을 부분적으로 해결했습니다. DBTL 설계의 장점을 유지하면서 최대한의 한계 이익을 제공합니다.

1. 예비실험(타당성 시험)

참고: Zhang의 논문⁸을 기반으로 이산화탄소와 같은 대상 가스에 대한 화학 비색 센서의 관련 변수를 선택할 수 있습니다. 비색 센서 제형의 주문형 최적화를 수행하기 전에, 변수 공간을 설정하기 위해 다음 절차를 사용하여 예비 실험을 수행할 수 있습니다.

1. 대상 가스의 농도 범위를 결정하고 가스 테스트 구성을 설정합니다.
   참고: 가스 테스트 구성 내에서 대상 가스의 농도는 선형 또는 기하급수적으로 증가합니다.
2. 대상 가스의 각 농도가 흐르기 전과 후에 테스트 시스템을 질소로 퍼지하십시오. 질소와 대상 가스의 흐름 시간 비율을 1:1로 유지하십시오.
   알림: 대상 가스의 농도가 <1ppm인 경우 흐름 시간은 ~10분입니다. 목표 가스 농도가 ≥1ppm인 경우 유량 시간은 ~5분입니다.
3. 포화 및 점도와 같은 요인을 기반으로 용액에 적합한 농도로 변수의 소스 용액을 준비합니다.
   알림: 일반적으로 소스 용액의 농도를 최대한 높이는 것이 좋습니다.
4. 비색 센서 제형의 용액의 총 부피를 400 μL로 설정하십시오. 그런 다음 문헌에 따라 변수의 각 소스 솔루션에 대한 볼륨 범위를 설정합니다.
   참고: 염료의 원료 용액에 대한 부피 범위는 일반적으로 0μL에서 200μL 사이인 반면 다른 원료 용액의 부피 범위는 일반적으로 0μL에서 100μL 사이입니다. 소스 용액 샘플링 간격은 ~25μL입니다.
5. 무작위 샘플링 기능을 통해 96개 제형의 배치를 생성하여 화학적 비색법을 사용하여 대상 가스를 검출할 수 있는 타당성을 검증합니다.
6. 비색 센서 배합 파일, 소스 용액, 팁, 96웰 플레이트 및 PTFE 멤브레인을 리퀴드 핸들러에 로드하고 독립적인 식별 정보 번호를 순차적으로 생성합니다(그림 2).
7. 액체 처리기를 시뮬레이션 모드로 설정하여 액체 흡입, 분배, 진탕 및 드립과 같은 비색 센서 제형을 합성하는 작업을 모방합니다(그림 3).
8. 시뮬레이션 상태에 오류가 없으면 액체 처리기를 실험 으로 설정하고 비색 센서 합성 자동화를 시작합니다.
   참고: 프로세스 자동화를 위한 코드는 "Opentrons" 오픈 소스 소프트웨어 패키지를 기반으로 개발되었습니다. 비색 센서의 합성에는 3-6시간이 소요될 것으로 예상됩니다.
9. 비색 센서를 40°C의 오븐에 넣고 50분 동안 가열합니다.
10. 건조된 비색 센서를 가스실에 놓고 테스트 환경에서 조명의 균일성과 테스트 챔버의 기밀성을 확인합니다. 문제가 없는 것으로 확인되면 질량 유량 컨트롤러(MFC)를 사용하여 분석물 가스(농도 c_a 포함) 및 질소(농도 c_n)의 유속을 자동으로 제어하고 가스 테스트 구성을 실행합니다. 전체 가스 유량이 부피/분에서 S 이고 목표 분석물 농도가 c라고 가정합니다. 분석물 가스 MFC 및 질소 MFC의 유량(부피/분)은 다음과 같습니다.
    (1)
    (2)
11. 흐르는 과정에서 가스실 위에 카메라를 배치하여 5초마다 사진을 찍어 비색 센서의 색상 변화를 기록합니다(그림 4).
    참고: 흐름 테스트는 약 2시간 내에 완료될 것으로 예상됩니다.
12. 컴퓨터는 캡처 된 이미지를 시간순으로로드하고 각 이미지의 각 비색 센서에서 RGB 색상 값을 추출 한 다음 대상 가스에 노출되기 전에 측정 된 기준 색상과 관련된 차이를 계산하여 흐르는 시간에 따른 비색 센서의 색상 변화 그림을 플로팅합니다. 색상 차이 ΔE를 계산하는 공식은 Eq (1)로 표시됩니다.
    (3)
13. 대상 가스에서 현저한 색 변화를 나타내는 비색 센서가 있는지, 그리고 목표 가스 농도의 증가와 함께 색 변화 값이 증가하는지 여부를 관찰합니다. 그렇다면, 대상 가스를 감지하기 위해 화학 비색 센서를 사용할 수 있는 타당성이 검증됩니다.
14. 사전 실험 결과를 기반으로 변수의 소스 솔루션의 상한과 하한을 조정하고 실질적이지 않은 효과가 있는 소스 솔루션을 제거합니다.

2. 로봇 실험 플랫폼을 활용하여 DBTL(Design-Build-Test-Learn) 반복 최적화 프로세스 수행

1. 설계: 다중 대물렌즈 기능을 설정하고 비색 센서 공식을 생성합니다.
   1. 다중 대물 기능을 설정하여 비색 센서의 여러 성능 지수에 대한 가중 평가 점수를 계산합니다(그림 5).
      참고: 가중 평가 점수에 대한 자세한 내용은 참고^{문헌 1}에서 확인할 수 있습니다.
   2. DBTL 최적화가 초기 라운드에 있는 경우 96개의 초기 비색 센서 공식을 무작위로 생성하고 이 최적화 작업에 대한 캠페인 ID를 생성합니다.
   3. DBTL이 두 번째 또는 이후 라운드에 있는 경우 다른 획득 함수(예: 상한 신뢰 한계, 개선 가능성 및 예상 개선)를 사용하여 96개의 비색 센서 공식의 다음 배치를 설계합니다. 또한 각 라운드에서 획득 함수의 하이퍼파라미터를 미세 조정합니다. 일반적으로 κ는 UCB의 하이퍼파라미터로, 값이 5 를 초과하지 않고 EI 및 POI에 대한 하이퍼파라미터 역할을 하며, 최적화 반복이 증가함에 따라 점차 0에 가깝게 감소합니다. 다음 세 개의 방정식 (4), (5) 및 (6)은 각각 UCB, EI 및 POI에 대한 획득 기능을 보여줍니다.
      (4)
      (5)
      (6)
      여기서 μ(x)는 평균입니다. σ(x)는 분산입니다. κ는 탐사와 활용의 균형을 맞추는 매개변수로, 반복 라운드와 감쇠율에 의해 제어됩니다.f(x)는 가중 평가 점수입니다. f_currentMax는 현재 가장 높은 가중 평가 점수입니다.
   4. 비초기 라운드마다 비색 센서 제형을 생성한 후, 이러한 비색 센서 제형이 높은 기대치 또는 높은 불확실성을 나타내는지 관찰합니다. 그렇지 않은 경우 2.1.3단계의 작업을 반복합니다. 그렇다면 빌드 단계를 수행합니다.
2. 구축: 비색 센서를 자동으로 합성합니다. 자세한 내용은 1.7-1.10단계를 참조하십시오.
3. 테스트: 비색 센서의 자동 테스트를 진행하십시오. 자세한 내용은 1.11-1.13단계를 참조하십시오.
4. 학습: 대리 모델 맞추기
   1. 비색 센서 공식화 변수와 가중 평가 점수를 각각 대리 모델의 입력과 출력으로 사용합니다.
   2. 대리 모델을 피팅하기 위해 k(x,_i, x,_j)에 대한 평균 함수 및 공분산 함수(커널) k(x_i, x_j)와 함께 가우스 프로세스 회귀를 사용합니다.
      참고: 그림 6 은 1차원 및 2차원 변수에 대한 대리 모델을 보여줍니다. 개발된 가우스 프로세스 피팅 알고리즘에서는 커널 함수의 일반성을 보장하기 위해 백색 잡음 커널(Eq(7) 및 Eq(8)의 두 방정식 참조)과 결합된 이방성 Matérn 커널이 선택됩니다.
      (7)
      (8)
5. 최적화 종료 기준: DBTL 최적화는 반복 횟수가 미리 설정된 값에 도달하거나 생성된 비색 센서의 가중 점수가 크게 개선되지 않을 때 중지됩니다.

3. 최적의 비색 센서 어레이의 구성 및 특성화

1. 대상 가스의 6가지 농도 간격에 대해 n DBTL 최적화 캠페인을 수행하여 6개의 전 세계적으로 최적 또는 준최적 비색 센서 공식을 발견합니다. 각 농도 간격 내에서 최적화된 비색 센서 제형은 대상 가스 테스트에서 가장 높은 가중 평가 점수를 나타냅니다.
2. 액체 처리기를 사용하여 6개의 최적화된 비색 센서 제형으로 구성된 비색 센서 어레이를 대략적으로 구성합니다. 1.7-1.10단계에서는 액체 처리기를 사용한 특정 작업을 자세히 설명합니다.
3. 유통 기한 테스트:
   1. 14개의 비색 센서 어레이를 구성하고 두 그룹으로 나눕니다. 한 그룹은 25°C의 개방된 상태로 보관하고 다른 그룹은 진공 상태에서 보관하십시오.
   2. 일관된 테스트 조건을 유지하고 7일 동안 일일 응답 테스트를 수행하여 두 가지 보관 조건이 비색 센서 어레이의 성능에 미치는 영향을 평가하여 두 보관 전략에서 보관 수명을 추론합니다.

4. 비색 센서 어레이의 교정

1. 비색 센서 어레이 구성에 대해서는 3.1-3.2단계의 세부 정보를 참조하십시오.
2. 데이터 샘플링:
   1. 대상 가스의 각 농도 범위에 대해 동일한 간격으로 5-10개의 농도 값을 선택하고 총 20개 이상의 농도를 선택합니다.
   2. 농도 값에 따라 비색 센서 어레이를 대상 가스에 오름차순 또는 내림차순으로 노출시키고 비색 센서 어레이의 응답 값을 기록합니다.
      참고 : 각 CO₂ 농도에 대해 5-10 CO₂ / N₂ 사이클이 필요했습니다.
3. 센싱 데이터 기록: 5분 또는 10분 동안 다양한 농도의 대상 가스에 노출된 후 비색 센서 어레이에서 n 개의 비색 센서의 R, G 및 B 채널 값을 기능으로 추출하여 보정 모델에 입력합니다. 특징 벡터는 3차원× n차원을 포함합니다.
4. 데이터 세트 분할: 대상 가스의 농도 수에 따라 서로 다른 농도의 반응 데이터를 7:1.5:1.5 비율로 훈련 세트, 검증 세트 및 테스트 세트로 나눕니다.
5. 모델 학습: 먼저 scikit-learn 및 torch와 같은 Python 패키지를 사용하여 보정을 위한 4개의 기계 학습 회귀 모델(Ridge, Random Forest, Xgboost 및 Deep Neural Network)을 구성합니다. 그런 다음 평균 제곱근 오차를 손실 함수로 설정합니다. 마지막으로 데이터 세트를 로드하고 보정 모델 학습을 시작합니다.
6. 모델 선택: 검증 세트를 사용하여 4개의 머신 러닝 회귀 모델의 성능을 검증하고 평균 제곱근 오차가 가장 작은 모델을 최종 보정 모델로 선택합니다.
7. 모델 테스트: 테스트 세트를 사용하여 최종 보정 모델에 대한 성능 테스트를 수행하고, 대상 가스의 정량 분석을 위해 비색 센서 어레이 및 보정 모델의 성능을 평가합니다.

이 실험 설정의 일반적인 예는 "광역 고감도 비색 CO₂ 센서 어레이"¹²입니다. 먼저, 실험은 베이지안 다중 목적 최적화 후 고정된 CO₂ 농도에서 시간 경과에 따른 ΔE의 변화를 기반으로 차트를 생성합니다(그림 7A). 낮은 응답 시간, ΔE 및 가역성을 기반으로 불필요한 1(느린 응답 시간), 불필요한 2(무응답) 및 불필요한 3...

이 기사에서는 비색 가스 센서를 보다 빠르고 정확하게 개발할 수 있는 실험적 설계를 제안합니다. 이 실험 공정은 습도, CO₂ 및 암모니아 ^1,4,5와 같은 다양한 가스에 대한 비색 센서를 개발하는 데 사용할 수 있습니다. 이 플랫폼의 방법을 통해 간섭 가스의 존재, 습도 및 기타 다양한 실험 시나...

저자는 선언할 이해 상충이 없습니다.

이 연구는 저장성 자연과학재단(LQ24F040006)과 선전시픽기술대학교(Shenzhen University of Advanced Technology)의 스타트업 펀드의 지원을 받고 있습니다.