A Physics-Guided Neural Framework for Rheology Measurement from Dynamical Laser Speckles

Título: Un Marco de Red Neuronal Guiado por Física para la Medición Reológica a partir de Manchas Láser Dinámicas

1. Planteamiento del Problema

La caracterización viscoelástica (módulo de almacenamiento $G'(\omega)$ y módulo de pérdida $G''(\omega)$) es fundamental en biomedicina y ciencia de materiales. Los métodos tradicionales, como los reómetros mecánicos, son invasivos, lentos, requieren grandes volúmenes de muestra y no son aptos para mediciones in situ.
Las técnicas ópticas como la Espectroscopía de Ondas Difusas (DWS) y la Reología de Manchas Láser (LSR) ofrecen alternativas no invasivas. Sin embargo, enfrentan limitaciones críticas en fluidos turbios:

• Dispersión múltiple: Distorsiona la señal de autocorrelación de intensidad $g_2(t)$.
• Dependencia de parámetros ópticos: Los métodos de inversión física estándar requieren parámetros de transporte óptico precisos (como el camino libre medio de transporte) que son difíciles de medir in situ y específicos de cada muestra.
• Problema mal planteado: La inversión directa de $g_2(t)$ para obtener el desplazamiento cuadrático medio (MSD) y luego los módulos viscoelásticos es inherentemente inestable y propensa a amplificar el ruido, especialmente cuando los modelos de decaimiento simplificados no se ajustan a los datos experimentales.

2. Metodología Propuesta

Los autores proponen un marco de aprendizaje profundo guiado por física que infiere directamente el espectro de relajación viscoelástica a partir de series temporales de manchas láser, evitando la inversión inestable de ecuaciones físicas tradicionales.

• Entradas del Modelo:

  1. Autocorrelación de intensidad $g_2(t)$: Proporciona la información dinámica (movimiento browniano).
  2. Histograma de intensidad de manchas: Proporciona información estática sobre las condiciones ópticas (longitud de camino de dispersión, geometría de detección, coeficientes de absorción/dispersión). Esto permite al modelo desacoplar los efectos ópticos de la dinámica intrínseca de la partícula.

• Arquitectura de la Red Neuronal:

  • Analizador de Decaimiento: Extrae características multiescala de $g_2(t)$ (derivada, gradiente logarítmico, curvatura) para estimar un espectro de relajación inicial.
  • Fusión por Atención: Combina las características dinámicas ($g_2$) con las características estáticas del histograma mediante un módulo de atención cruzada. Esto corrige las variaciones ópticas sin alterar la forma espectral intrínseca.
  • Proyección Espectral de Maxwell: La red no predice directamente $G'$ y $G''$, sino un espectro de relajación de Maxwell generalizado ($H(\tau)$), que es una representación física intermedia no negativa y causal.
  • Capa de Física Forward (No entrenable): Una capa fija implementa las ecuaciones integrales de Maxwell para convertir el espectro $H(\tau)$ en los módulos $G'(\omega)$ y $G''(\omega)$. Esto garantiza que la salida cumpla estrictamente con las leyes físicas (causalidad, relaciones de Kramers-Kronig).

• Función de Pérdida Guiada por Física:
  El entrenamiento utiliza una función de pérdida compuesta que incluye:

  • Pérdida Física ($L_{phy}$): Compara los módulos predichos con los de referencia en el dominio de la frecuencia (en escala logarítmica) y penaliza desviaciones en la relación de fase ($\tan \delta$) y la pendiente local.
  • Pérdida de Reconstrucción ($L_{g2}$): Asegura que el espectro inferido pueda reconstruir la curva $g_2(t)$ original.
  • Restricciones de Estabilidad: Penaliza el colapso de modos (modos muy cercanos) y controla la entropía de la distribución de pesos para mantener un espectro físicamente plausible.

3. Contribuciones Clave

• Desacoplamiento Óptico-Dinámico: La integración del histograma de intensidad permite al modelo distinguir entre cambios en la viscosidad (dinámica) y cambios en la dispersión de la luz (óptica), eliminando la necesidad de calibración in situ de parámetros de transporte.
• Inversión Guiada por Física: En lugar de tratar el problema como una regresión puramente de datos, se reformula como un problema de estimación de parámetros con restricciones físicas estrictas (espectro de Maxwell no negativo), lo que estabiliza la solución frente al ruido.
• Generalización Robusta: El modelo logra generalizar a condiciones no vistas (tamaños de partícula, concentraciones y solventes no presentes en el entrenamiento) manteniendo la consistencia física, algo que los métodos puramente empíricos o de inversión directa no logran.
• Eficiencia Computacional: Al utilizar el histograma estadístico en lugar de secuencias de imágenes completas para la corrección óptica, se reduce significativamente el costo computacional y de almacenamiento, facilitando aplicaciones en tiempo real.

4. Resultados Experimentales

El modelo fue validado utilizando suspensiones de partículas de poliestireno en mezclas de glicerol-agua con variaciones en tamaño de partícula, concentración y viscosidad del solvente.

• Precisión:
  • Logró un RMSE logarítmico (RMSElog) tan bajo como 0.009 para el módulo de pérdida ($G''$) en comparación con reómetros de referencia.
  • El error absoluto mediano (MdAPE) para $G''$ fue inferior al 2.4% en muestras conocidas y mantuvo patrones físicos correctos en condiciones no vistas.
  • Para $G'$, aunque los errores relativos fueron mayores (debido a su baja amplitud), el modelo reprodujo correctamente la dependencia de la frecuencia y la jerarquía relativa con $G''$.
• Generalización:
  • El modelo funcionó exitosamente con tamaños de partícula y concentraciones nunca antes vistos durante el entrenamiento.
  • En condiciones extremas (solventes no vistos), aunque la magnitud numérica tuvo errores mayores, la tendencia física (desplazamiento de tiempos de relajación con la viscosidad) se mantuvo correcta, demostrando que el modelo aprendió la física subyacente y no solo memorizó datos.
• Estabilidad:
  • Pruebas de estabilidad a largo plazo (10 horas) mostraron una deriva mínima en las predicciones, validando su uso para monitoreo de procesos continuo.
• Ablación:
  • Se demostró que eliminar la entrada del histograma provocó una sobreestimación sistemática de los módulos, confirmando que el histograma actúa como un factor de corrección óptica esencial.

5. Significado e Impacto

Este trabajo representa un avance significativo hacia la reología no invasiva y en tiempo real para medios turbios y complejos.

• Aplicabilidad Industrial: Permite el "screening" rápido de formulaciones y el monitoreo in-line de procesos sin necesidad de diluir muestras o realizar calibraciones ópticas complejas.
• Interpretabilidad: Al basarse en un espectro de relajación de Maxwell, los resultados son físicamente interpretables, a diferencia de las "cajas negras" de las redes neuronales tradicionales.
• Viabilidad: La reducción de la dependencia de parámetros ópticos desconocibles hace que la técnica de manchas láser sea una herramienta práctica y robusta para la caracterización de fluidos complejos en biomedicina, ciencia de alimentos e industria farmacéutica.

En resumen, el marco propuesto supera las limitaciones de la inversión física tradicional y los métodos de aprendizaje automático puramente empíricos, ofreciendo una solución híbrida que combina la flexibilidad del deep learning con la rigurosidad de las leyes físicas constitutivas.