Kolorimetrik Gaz Algılama Geliştirilmesi için Robotik Tabanlı Deneysel Prosedür

Burada, robotik tabanlı bir Tasarla-Yap-Test Et-Öğren (DBTL) yaklaşımı kullanarak kolorimetrik gaz sensörleri geliştirmek için bir protokol sunuyoruz. Bu protokol, CO₂ gibi gazları algılamak için sensör formülasyonlarını verimli bir şekilde keşfetmek ve optimize etmek için yüksek verimli otomasyon, makine öğrenimi ve çok amaçlı optimizasyonu entegre ederek hızlı, uygun maliyetli ve hassas sensör geliştirmeyi mümkün kılar.

Bu makale, verimli ve hızlı bir kolorimetrik gaz sensörü geliştirmeyi amaçlayan robot tabanlı bir deney programı sunmaktadır. Program, gazın farklı konsantrasyon aralıkları için birden fazla reçeteyi optimize ederken arama sürecini yinelemeli olarak optimize eden otomatik bir Tasarla-Yap-Test Et-Öğren (DBTL) yaklaşımı kullanır. Her yinelemede, algoritma çeşitli toplama işlevlerine dayalı olarak bir dizi reçete önerisi oluşturur ve yineleme sayısındaki artışla, her konsantrasyon aralığı için ağırlıklı hedef işlevinin değerleri önemli ölçüde iyileşir.

DBTL yöntemi, donanım ve yazılım ortamının ayarlanması ile parametre başlatma ile başlar. Temel testler performans standartlarını belirler. Daha sonra, DBTL yöntemi, her turdaki tariflerin oranına dayalı olarak bir sonraki optimizasyon turunu tasarlar ve performansı yinelemeli olarak test eder. Performans değerlendirmesi, DBTL yönteminin etkinliğini değerlendirmek için temel verileri karşılaştırır. Performans iyileştirmesi beklentileri karşılamıyorsa, yöntem yinelemeli olarak gerçekleştirilecektir; Hedeflere ulaşılırsa, deney sona erer. Tüm süreç, DBTL yinelemeli optimizasyon süreci aracılığıyla sistem performansını en üst düzeye çıkarır.

Geleneksel manuel geliştirme süreciyle karşılaştırıldığında, bu deneysel süreç tarafından benimsenen DBTL yöntemi, çok amaçlı optimizasyon ve çeşitli makine öğrenimi algoritmaları kullanır. Bileşen hacminin üst ve alt sınırlarını tanımladıktan sonra, DBTL yöntemi, en iyi performansla en uygun oranı elde etmek için yinelemeli deneyleri dinamik olarak optimize eder. Bu yöntem, verimliliği büyük ölçüde artırır, maliyetleri düşürür ve en uygun reçeteyi bulurken çok formülasyonlu değişken alanı içinde daha verimli performans gösterir.

Gaz sensörlerinin pratik uygulamaları çok kapsamlıdır ve çevresel izleme, havacılık ve atık gaz arıtma gibi çeşitli alanlarda kullanılmaktadır ^1,2,3. Gaz sensörlerinin çalışma prensibi tipik olarak elektrokimya, gaz kromatografisi ve optik gibi çoklu mekanizmalara dayanır. Birçok algılama mekanizması arasında, renk değişimine dayalı olanı, benzersiz bir şekilde öne çıkan bir asit-baz mekanizmasına dönüşmüştür. Düşük maliyeti ve basit uygulaması nedeniyle, CO₂ sensörleri ^1,4,5 gibi birçok taşınabilir ve tek kullanımlık gaz sensörünün tasarımında yaygın olarak kullanılmaktadır. Bu tip sensör, gaz konsantrasyonlarını tespit etmek için belirli kimyasalların renk değişimini kullanır. Gaz konsantrasyonu değiştiğinde, sensör malzemesinin iyonik kompleksleşme veya indikatör renk değişiklikleri gibi kimyasal reaksiyonlar yaşamasına neden olarak gaza duyarlı boyanın⁶ renginde değişikliğe yol açar. Renkteki değişiklikleri tespit edip analiz ederek, gaz konsantrasyonu dolaylı olarak ölçülebilir. Bu arada, düşük maliyet ve taşınabilirlik avantajlarına rağmen, bu tür bir sensörün uzun bir geliştirme döngüsü ve düşük verimlilik ^7,8,9 gibi bazı eksiklikleri vardır. Aynı zamanda, geleneksel sensör tasarımı yöntemleri, gerekli tepki süresi, tersine çevrilebilirlik ve algılama sınırına ulaşmak gibi birden fazla algılama özelliğini aynı anda karşılamakta zorlanır. Geleneksel araştırma ve geliştirme paradigması altında, bu zorluklar kolorimetrik gaz sensörlerinin üretimini ve yaygın olarak uygulanmasını ciddi şekilde engellemektedir.

Talep üzerine araştırma ve geliştirmede yukarıda belirtilen zorluklara yanıt olarak, bu deneysel süreçle geliştirilen kolorimetrik sensör teknolojisi, geleneksel gaz algılamanın bazı eksikliklerini giderebilir. Yinelemeli bir Tasarla-Yap-Test Et-Öğren (DBTL) yaklaşımı^10,11 kullanılarak, sensör geliştirmenin verimliliği önemli ölçüde iyileştirilebilir, böylece araştırma ve geliştirme süresi azaltılabilir ve araştırma ve geliştirme ihtiyaçları etkin bir şekilde karşılanabilir ^1,12. Tipik bir DBTL geliştirme kurulumunda, yeni malzemelerin geliştirilmesi yinelemeli bir geri bildirim döngüsü olarak alınır. Döngü dört temel adım içerir: 1. Optimizasyon parametrelerinin tasarımı, hedefler ve bir deneme deneyi için parametre alanını örnekleme; 2. Seçilen parametrelerin örneklerini oluşturun; 3. Yerleşik numuneler için hedef değeri test edin; 4. Sonraki parti parametrelerinin seçimine rehberlik etmek için hedef geri bildirimin Makine Öğrenimi analizi. Bu yinelemeli süreçte, örneklerin hızlı bir şekilde oluşturulmasına ve test edilmesine olanak tanıyan yüksek verimli deney platformu ve makine öğrenimi algoritmaları temel bileşenlerdir. Otomatik yüksek verimli test platformu, aynı anda 384 adede kadar algılama ünitesini test edebilir ve büyük miktarda yüksek kaliteli yanıt verisi toplayabilir. Çok amaçlı Bayes optimizasyonu gibi makine öğrenimi algoritmaları 13,14,15,16,17 kullanılarak, algılama birimlerinin çoklu algılama metrikleri (örneğin, hassasiyet, tepki süresi ve tersine çevrilebilirlik) aynı anda ve otomatik olarak optimize edilebilir, böylece çeşitli algılama özelliklerinin genel performansı iyileştirilir. Optimizasyon algoritması tarafından oluşturulan algılama birimi tarifleri, bireysel kalibrasyon olmadan kantitatif CO₂ konsantrasyonu algılaması sağlayabilir ve ortalama karekök hatası (RMSE) metriği de gerekli göstergeleri karşılayabilir.

Programımız, kolorimetrik gaz algılamaya dayalı olarak geliştirilmiş deneysel bir prosedürdür (akış şeması için Şekil 1'e bakınız). Kendi kendine çalışan laboratuvarların geliştirilmesiyle birlikte, otomatik DBTL yaklaşımı, yüksek verimliliği, hızı ve tekrarlanabilirliği nedeniyle mükemmel beklentiler göstermiştir ^5,12. Geleneksel manuel geliştirme süreci, her seferinde bir değişkenin ayarlanmasını içerirGeleneksel manuel geliştirme süreci, her seferinde bir değişkenin ayarlanmasını ve ardından hedef parametreyi optimize etmek ve istenen sonucu elde etmek için başka bir değişkenin değiştirilmesini içerir. Bu sürecin başlıca dezavantajları arasında manuel deneylerde düşük verimlilik, insan hatasına yatkınlık, karmaşık yüksek boyutlu senaryolarda çok boyutlu değişkenlerin yönetilmesinde zorluk ve yerel optimumda takılıp kalma eğilimi sayılabilir. Manuel geliştirme süreciyle karşılaştırıldığında, bu deneysel programda benimsenen DBTL yöntemi, çok amaçlı Bayes optimizasyonu gibi gelişmiş aktif öğrenme algoritmaları ile birleştirilmiş robotik kullanır. Bayes optimizasyonu, değerlendirilmesi pahalı olan objektif fonksiyonları optimize etmek için olasılıksal bir yaklaşımdır^15,18. Amaç fonksiyonunu yaklaşık olarak tahmin etmek için genellikle bir Gauss süreci olan bir vekil model oluşturur ve örneklenecek bir sonraki noktaya karar vermek için bir edinim fonksiyonu kullanır. Alım işlevi, genel maksimum veya minimumu verimli bir şekilde bulmak için keşfi (daha az örneklenmiş bölgeleri arama) ve yararlanmayı (bilinen yüksek performanslı bölgeleri iyileştirme) dengeler. Bu yöntem, geleneksel optimizasyon tekniklerinin mücadele ettiği yüksek boyutlu, dışbükey olmayan arama alanlarında özellikle kullanışlıdır. Bileşen içeriğinin üst ve alt sınırlarını kabaca tanımladıktan sonra, yinelemeli olarak en iyi performansla en uygun oranı elde etmek için deneyleri dinamik olarak optimize eder. Bu yöntem, verimliliği büyük ölçüde artırır ve maliyetleri düşürür ve en uygun tarifi geliştirmek için çok değişkenli alanda daha verimli performans gösterir ^5,12.

Bu makalenin genel amacı, makine öğrenimi, çok nesneli Bayes optimizasyonu ve otomatik sıvı işleme platformu ve yüksek verimli gaz test platformu dahil olmak üzere deneysel test platformları gibi çeşitli bilgisayar teknolojileri aracılığıyla otomatik DBTL yöntemine dayalı deneysel bir prosedür oluşturmaktır. Bu, kolorimetrik gaz sensörlerinin tasarımını ve araştırılmasını sağlayacaktır. Özelleştirilmiş "Opentrons OT-2" sıvı işleme robotu platformu, program ayarlarına göre deneyleri tamamlamak, reçete sentezi, karıştırma ve daldırma gibi adımları otomatik olarak gerçekleştirmek için kullanılır. Ev yapımı yüksek verimli gaz test platformu, hedef gazların konsantrasyonlarını hassas bir şekilde kontrol ederek ve algılama birimlerinin renk değişikliklerini gerçek zamanlı olarak kaydederek gaz testi ve kolorimetrik sensör okuması için kullanılır. DBTL'ye dayalı olarak tasarlanan diğer deneysel sistemlerle karşılaştırıldığında, bu sistem nispeten düşük bir donanım maliyetine sahiptir. Aynı zamanda, yarı otomatik bir yaklaşımla görevin insan hatasını içeren yönlerini kısmen ele aldık. DBTL tasarımının avantajlarını korurken maksimum marjinal fayda sağlar.

1. Ön deney (fizibilite testi)

NOT: Zhang'ın^8. makalesine dayanarak, karbondioksit gibi hedef gaz için kimyasal kolorimetrik sensörlerin ilgili değişkenleri seçilebilir. Kolorimetrik sensör formülasyonlarının talep üzerine optimizasyonunu gerçekleştirmeden önce, değişken uzayı oluşturmak için aşağıdaki prosedürleri kullanan bir ön deney yapılabilir.

1. Hedef gazın konsantrasyon aralığını belirleyin ve bir gaz testi konfigürasyonu oluşturun.
   NOT: Gaz testi konfigürasyonu içindeki hedef gazın konsantrasyonu doğrusal veya üstel olarak artar.
2. Hedef gazın her bir konsantrasyonunun akışından önce ve sonra, test sistemini nitrojen ile temizleyin. Nitrojen için akış süresinin hedef gaza oranını 1:1'de tutun.
   NOT: Hedef gazın konsantrasyonu <1 ppm ise, akış süresi ~10 dakikadır; Hedef gaz konsantrasyonu ≥1 ppm ise, akış süresi ~5 dakikadır.
3. Doygunluk ve viskozite gibi faktörlere dayalı olarak çözeltiye uygun konsantrasyonlara sahip değişkenlerin kaynak çözeltilerini hazırlayın.
   NOT: Genel olarak, kaynak çözeltilerinin mümkün olan en yüksek konsantrasyonunun korunması tavsiye edilir.
4. Kolorimetrik sensör formülasyonunun çözeltisinin toplam hacmini 400 μL'ye ayarlayın; Ardından, değişkenlerin her bir kaynak çözümü için hacim aralığını literatüre göre ayarlayın.
   NOT: Boyaların kaynak çözeltileri için hacim aralıkları genellikle 0 μL ile 200 μL arasındayken, diğer kaynak çözeltiler için hacim aralıkları genellikle 0 μL ile 100 μL arasındadır. Kaynak çözelti örnekleme aralığı ~25 μL'dir.
5. Kimyasal kolorimetri kullanarak hedef gazı tespit etmenin fizibilitesini doğrulamak için rastgele örnekleme işlevleri aracılığıyla 96 formülasyondan oluşan bir parti oluşturun.
6. Kolorimetrik sensör formülasyon dosyasını, kaynak solüsyonu, uçları, 96 oyuklu plakayı ve PTFE membranını sıvı işleyiciye yükleyin ve sırayla bağımsız kimlik bilgisi numaraları oluşturun (Şekil 2).
7. Sıvı aspirasyon, dağıtma, çalkalama ve damlatma gibi kolorimetrik sensör formülasyonlarının sentezlenmesi işlemini taklit etmek için sıvı işleyiciyi simülasyon moduna ayarlayın (Şekil 3).
8. Simülasyon durumunda herhangi bir hata yoksa, sıvı işleyiciyi deneye ayarlayın ve kolorimetrik sensörlerin sentezini otomatikleştirmeye başlayın.
   NOT: Süreci otomatikleştirmek için kod, "Opentrons" açık kaynaklı yazılım paketine dayalı olarak geliştirilmiştir. Kolorimetrik sensörlerin sentezinin 3-6 saat sürmesi bekleniyor.
9. Kolorimetrik sensörleri 40 °C'de bir fırına yerleştirin ve 50 dakika ısıtın.
10. Kurutulmuş kolorimetrik sensörleri gaz odasına yerleştirin ve test ortamındaki aydınlatmanın homojenliğini ve test odasının hava sızdırmazlığını kontrol edin. Sorunsuz olduğu onaylandıktan sonra, analit gazının ( konsantrasyon c_a ile) ve nitrojenin (konsantrasyon c_n ile) akış hızlarını otomatik olarak kontrol etmek için Kütle Akış Kontrol Cihazlarını (MFC) kullanın ve gaz testi konfigürasyonunu gerçekleştirin. Toplam gaz akış hızının hacim/dk olarak S olduğunu ve hedef analit konsantrasyonunun c olduğunu varsayalım. analit gazı MFC ve nitrojen MFC için hacim/dak cinsinden akış hızları
    (1)
    (2)
11. Akma işlemi sırasında, kolorimetrik sensörlerin renk değişikliklerini kaydetmek için her 5 saniyede bir fotoğraf çekmek için gaz odasının üzerine bir kamera yerleştirin (Şekil 4).
    NOT: Akış testinin yaklaşık 2 saat içinde tamamlanması beklenmektedir.
12. Bilgisayarın yakalanan görüntüleri kronolojik sırayla yüklediğini, her görüntüdeki her bir kolorimetrik sensörden RGB renk değerlerini çıkardığını ve ardından hedef gaza maruz kalmadan önce ölçülen temel renge göre farklılıkları hesapladığını ve böylece akış süresi boyunca kolorimetrik sensörlerin bir renk değişimi rakamını çizdiğini unutmayın. ΔE renk farkını hesaplama formülü Eşitlik (1) olarak gösterilir:
    (3)
13. Hedef gazda önemli renk değişiklikleri gösteren kolorimetrik sensörler olup olmadığını ve renk değişim değerlerinin hedef gaz konsantrasyonundaki artışla birlikte artıp artmadığını gözlemleyin. Eğer öyleyse, hedef gazı tespit etmek için kimyasal kolorimetrik sensörlerin kullanılmasının fizibilitesi doğrulanır.
14. Deney öncesi sonuçlara dayanarak, değişkenlerin kaynak çözümlerinin üst ve alt sınırlarını ayarlayın ve önemli bir etkiye sahip olmayan kaynak çözümlerini kaldırın.

2. Tasarla-Yap-Test Et-Öğren (DBTL) yinelemeli optimizasyon sürecini yürütmek için robotik bir deneysel platform kullanın

1. Tasarım: Çok amaçlı fonksiyonları ayarlayın ve kolorimetrik sensör formülasyonları oluşturun.
   1. Kolorimetrik sensörlerin birden fazla liyakat rakamı için ağırlıklı değerlendirme puanını hesaplamak için çok amaçlı bir fonksiyon ayarlayın (Şekil 5).
      NOT: Ağırlıklı değerlendirme puanının detayı referans^1'de yer almaktadır.
   2. DBTL optimizasyonu ilk turda yer alıyorsa, rastgele 96 ilk kolorimetrik sensör formülasyonu oluşturun ve bu optimizasyon görevi için bir kampanya kimliği oluşturun.
   3. DBTL ikinci veya sonraki turlardaysa, farklı edinme işlevleri (Üst Güven Sınırı, İyileştirme Olasılığı ve Beklenen İyileştirme gibi) kullanarak 96 kolorimetrik sensör formülasyonunun bir sonraki partisini tasarlayın. Ek olarak, her turda edinme işlevinin hiperparametrelerine ince ayar yapın. Genel olarak, κ UCB için hiper parametre olarak, 5'i aşmayan bir değere sahiptir ve optimizasyon yinelemeleri arttıkça kademeli olarak 0'a yakın bir seviyeye düşen EI ve POI için hiperparametre görevi görür. Aşağıdaki üç denklem (4), (5) ve (6) sırasıyla UCB, EI ve POI için toplama fonksiyonlarını göstermektedir:
      (4)
      (5)
      (6)
      Burada μ(x) ortalamadır; σ(x) varyanstır; κ, yineleme turu ve bozunma hızı tarafından kontrol edilen, keşif ve sömürüyü dengeleyen parametrelerdir; f(x) ağırlıklı değerlendirme puanıdır; f_currentMax, mevcut en yüksek ağırlıklı değerlendirme puanıdır.
   4. İlk olmayan her turda kolorimetrik sensör formülasyonları oluşturduktan sonra, bu kolorimetrik sensör formülasyonlarının yüksek beklentiler veya yüksek belirsizlik gösterip göstermediğini gözlemleyin. Değilse, adım 2.1.3'teki işlemi tekrarlayın. Öyleyse, derleme adımını gerçekleştirin.
2. Yapı: Kolorimetrik sensörleri otomatik olarak sentezleyin. Adım 1.7-1.10'daki ayrıntılara bakın.
3. Test: Kolorimetrik sensörlerin otomatik testinin devam etmesine izin verin. Adım 1.11-1.13'teki ayrıntılara bakın.
4. Öğrenin: Uygun Vekil model
   1. Kolorimetrik sensör formülasyon değişkenlerini ve bunların ağırlıklı değerlendirme puanlarını sırasıyla vekil modelin girdisi ve çıktısı olarak kullanın.
   2. Vekil modele uyması için k(x_i, x_j) için ortalama fonksiyonu ve kovaryans fonksiyonu (çekirdek) k(x_i, x_j) ile bir Gauss süreci regresyonu kullanın.
      NOT: Şekil 6 , bir ve iki boyutlu değişkenler için vekil modeli göstermektedir. Geliştirilen Gauss süreç uydurma algoritmasında, çekirdek fonksiyonunun genelliğini sağlamak için bir beyaz gürültü çekirdeği ile birleştirilmiş bir anizotropik Matérn çekirdeği (aşağıdaki iki denkleme bakınız, Eşitlik (7) ve Eşitlik (8)) seçilmiştir.
      (7)
      (8)
5. Optimizasyon sonlandırma kriterleri: Yineleme sayısı önceden ayarlanmış bir değere ulaştığında veya oluşturulan kolorimetrik sensörlerin ağırlıklı puanlarında önemli bir gelişme olmadığında DBTL optimizasyonunun durduğunu unutmayın.

3. Optimum kolorimetrik sensör dizisinin oluşturulması ve karakterizasyonu

1. Hedef gazın altı konsantrasyon aralığı için, küresel olarak en uygun veya yarı en uygun altı kolorimetrik sensör formülasyonunu keşfetmek için n DBTL optimizasyon kampanyası gerçekleştirin. Her konsantrasyon aralığında, optimize edilmiş kolorimetrik sensör formülasyonu, hedef gaz testinde en yüksek ağırlıklı değerlendirme puanını sergiler.
2. Optimize edilmiş altı kolorimetrik sensör formülasyonundan oluşan yaklaşık kolorimetrik sensör dizilerini oluşturmak için sıvı işleyiciyi kullanın. Adım 1.7-1.10, sıvı işleyiciyi kullanarak belirli işlemi detaylandırır.
3. Raf ömrü testi:
   1. 14 kolorimetrik sensör dizisi oluşturun ve bunları iki gruba ayırın. Bir grubu 25 °C'de açık durumda, diğerini ise vakumda saklayın.
   2. İki depolama koşulunun kolorimetrik sensör dizisinin performansı üzerindeki etkisini değerlendirmek için tutarlı test koşullarını koruyun ve 7 günlük bir süre boyunca günlük yanıt testleri gerçekleştirin, böylece her iki depolama stratejisinde de raf ömrünü çıkarın.

4. Kolorimetrik sensör dizisinin kalibrasyonu

1. Kolorimetrik sensör dizisi yapısı için adım 3.1-3.2'deki ayrıntılara bakın.
2. Veri örneklemesi:
   1. Hedef gazın her konsantrasyon aralığı için eşit aralıklarla, toplamda en az 20 farklı konsantrasyon olmak üzere 5-10 konsantrasyon değeri seçin.
   2. Kolorimetrik sensör dizisini, artan veya azalan sırada konsantrasyon değerine göre hedef gaza maruz bırakın ve kolorimetrik sensör dizisinin yanıt değerlerini kaydedin.
      NOT: Her CO₂ konsantrasyonu için beş ila 10 CO₂ / N₂ döngüsü gerekliydi.
3. Algılama veri kaydı: 5 veya 10 dakika boyunca çeşitli konsantrasyonlarda hedef gaza maruz bıraktıktan sonra, kalibrasyon modeline girmek için kolorimetrik sensör dizisinden n kolorimetrik sensörün R, G ve B kanal değerlerini özellik olarak çıkarın. Öznitelik vektörü 3 × n boyut içerir.
4. Veri kümesi bölme: Hedef gazın konsantrasyon sayısına bağlı olarak, farklı konsantrasyonlardaki yanıt verilerini 7:1.5:1.5 oranında eğitim setine, doğrulama setine ve test setine bölün.
5. Model eğitimi: İlk olarak, kalibrasyon için dört makine öğrenimi regresyon modeli oluşturmak için scikit-learn ve torch gibi Python paketlerini kullanın: Ridge, Random Forest, Xgboost ve Deep Neural Network. Ardından, kayıp fonksiyonu olarak kök ortalama kare hatasını ayarlayın. Son olarak, veri kümesini yükleyin ve kalibrasyon modelini eğitmeye başlayın.
6. Model seçimi: Doğrulama kümesini kullanarak dört makine öğrenimi regresyon modelinin performansını doğrulayın ve son kalibrasyon modeli olarak en küçük ortalama karekök hatasına sahip modeli seçin.
7. Model testi: Kolorimetrik sensör dizisinin performansını ve hedef gazın kantitatif analizi için kalibrasyon modelini değerlendiren son kalibrasyon modeli üzerinde bir performans testi gerçekleştirmek için test setini kullanın.

Bu deney düzeneğinin tipik bir örneği "Geniş Aralıklı Yüksek Hassasiyetli Kolorimetrik CO₂ Sensör Dizisi"^dir12. İlk olarak, deney, Bayes çok amaçlı optimizasyonundan sonra sabit bir CO₂ konsantrasyonunda zaman içinde ΔE'deki değişime dayalı bir grafik oluşturur (Şekil 7A). Zayıf tepki süresi, ΔE ve tersine çevrilebilirliğine bağlı olarak, gereksiz 1 (yavaş tepki süresi), gereksiz 2 (y...

Bu makale, kolorimetrik gaz sensörlerini daha hızlı ve doğru bir şekilde geliştirebilecek deneysel bir tasarım önermektedir. Bu deneysel süreç, nem, CO₂ ve amonyak ^1,4,5 gibi çeşitli gazlar için kolorimetrik sensörler geliştirmek için kullanılabilir. Bu platformun yöntemi sayesinde, enterferans yapan gazların varlığı, nem ve diğer farklı deneysel senaryolar gö...

Yazarların beyan edebilecekleri herhangi bir çıkar çatışması yoktur.

Bu çalışma, Zhejiang Eyaleti Doğa Bilimleri Vakfı (LQ24F040006) ve Shenzhen İleri Teknoloji Üniversitesi'nin başlangıç fonu tarafından desteklenmektedir.