La microfluídica por gotas permite la generación de gotas de picolitros altamente monodispersas y respalda una amplia gama de aplicaciones, desde el análisis de células individuales hasta la síntesis de materiales. A pesar de la madurez del campo, el diseño y operación de los sistemas microfluídicos por gotas aún dependen en gran medida de enfoques de prueba y error, impulsados por la ausencia de modelos predictivos universales y exacerbados por la variabilidad de dispositivo a dispositivo y de laboratorio a laboratorio. En los últimos años, el aprendizaje automático (ML) y la inteligencia artificial (IA) han emergido como herramientas poderosas para abordar estos desafíos al extraer relaciones estructura–propiedad–proceso de datos experimentales y numéricos. Esta perspectiva proporciona una visión crítica de los avances recientes en microfluídica por gotas habilitada por IA, con un enfoque particular en tres temas interconectados de interés crucial en aplicaciones microfluídicas: predicción de propiedades de gotas, lectura de características de gotas a partir de imágenes experimentales y optimización en bucle cerrado de la operación y diseño del dispositivo. Discutimos cómo los modelos impulsados por datos han permitido la predicción precisa del tamaño, frecuencia y régimen de las gotas a través de diferentes geometrías, cómo los enfoques de visión por computadora han transformado el análisis de gotas de alto rendimiento, y cómo la optimización bayesiana y los marcos autónomos están avanzando el campo hacia plataformas microfluídicas automatizadas. Finalmente, destacamos las limitaciones actuales, incluyendo la escasez de datos, la generalizabilidad y el tratamiento de fluidos complejos, y delineamos oportunidades clave para la investigación futura destinada a establecer herramientas robustas, interpretables y ampliamente aplicables de ML e IA para la microfluídica por gotas.
Francesco Del Giudice (Sun,) estudió esta cuestión.