Bu çalışma, ekstrüzyon tabanlı 3B biyobaskıda hidrojel mürekkep bileşimi ve baskı koşullarına göre ortaya çıkacak yapının görüntüsünü baskıdan önce üretmek ve uygun koşulları sayısal ortamda belirlemek amacıyla açıklanabilir bir üretken yapay zekâ çerçevesi geliştirmiştir. Araştırmacılar, alginat-fenol ve hiyalüronik asit-fenol temelli mürekkeplerle fiziksel baskı deneyleri yapmış; mürekkebin reolojik özelliklerini destek vektör regresyonuyla tahmin etmiş; altı koşul değişkenini kullanan β-koşullu değişimsel otoenkoderle basılı yapı görüntüleri üretmiş ve görüntüleri beş baskılanabilirlik ölçütüne göre değerlendiren çok görevli bir evrişimli sinir ağı kurmuştur. Bu bileşenler Bayesçi optimizasyonla birleştirilerek mürekkep bileşiminin yinelemeli biçimde güncellendiği bir in silico kapalı döngü oluşturulmuştur.

Bağımsız test kümesinde β-CVAE modelinin ortalama yeniden yapılandırma hatası 0,007, ortalama yapısal benzerlik değeri ise 0,839 olarak bildirilmiştir. Model; gözenek açıklığı, filament kalınlığı, kenar yuvarlaklığı, renk yoğunluğu ve yayılma gibi gerçek baskılarda görülen morfolojik özellikleri koşullara bağlı biçimde yeniden üretebilmiştir. Bayesçi optimizasyonla belirlenen koşullarda tamlık olasılığı incelenen ışık şiddetlerinde %90’ın üzerinde, Dice benzerlik katsayısı 0,8’in üzerinde ve Hausdorff uzaklığı 0,1’in altında kalmıştır. Aktarım öğrenmesi, önceden ızgara yapılarında eğitilen modelin 69–106 örnekten oluşan küçük veri kümeleriyle ginkgo yaprağı, içi boş beş köşeli yıldız ve insan burnu biçimlerine uyarlanabildiğini göstermiştir.

Sonuçlar, üretken modelin fiziksel deneylerin tamamının yerini aldığını göstermemektedir. Çalışmanın optimizasyon döngüsü gerçek zamanlı yazıcı kontrolü değil, model tarafından üretilen iki boyutlu görüntüler üzerinde yürütülen sayısal bir taramadır. Deneylerde canlı hücre kullanılmamış; hücre canlılığı, çoğalma, farklılaşma, doku işlevi ve uzun dönem biyolojik kararlılık değerlendirilmemiştir. Model ayrıca yalnızca belirli ALG-Ph/HA-Ph mürekkepleri, Ru/SPS çapraz bağlama sistemi, 450 nm ışık ve kullanılan yazıcı koşulları altında geliştirilmiştir.

Türkiye açısından değerlendirme: Çalışma; Türkiye’de biyomalzeme, doku mühendisliği, rejeneratif tıp ve eklemeli imalat alanlarında çalışan araştırma laboratuvarları için yeni biyomürekkep geliştirme sürecindeki deney sayısını azaltabilecek bir yöntem örneği sunmaktadır. Yerel uygulama için Türkiye’de erişilebilen polimerler, fotobaşlatıcılar, biyoyazıcılar ve ışık kaynaklarıyla yeni veri toplanması; modelin farklı cihazlar ve laboratuvarlar arasında dış doğrulanması; hücre içeren formülasyonlarda canlılık, çoğalma ve biyolojik işlev testlerinin yapılması gerekir. Klinik veya endüstriyel kullanım düşünülürse steril üretim, biyouyumluluk, kalite kontrol, etik süreçler ve ilgili düzenleyici gereklilikler ayrıca değerlendirilmelidir. Bu çalışmadan insan dokusunun güvenli biçimde üretilebildiği, modelin Türk laboratuvarlarında aynı doğrulukla çalışacağı veya fiziksel doğrulama olmadan uygun biyomürekkep reçetesi verebileceği sonucu çıkarılamaz.

Araştırmanın çözmeye çalıştığı problem nedir?

Ekstrüzyon tabanlı 3B biyobaskıda bilgisayar destekli tasarımın baskı sonrasında aynı biçimde korunması, mürekkebin yalnızca kimyasal bileşimine bağlı değildir. Mürekkebin viskozitesi, kesme altında incelme davranışı, elastik ve viskoz bileşenleri, çapraz bağlayıcı miktarı, ışık şiddeti, nozul özellikleri ve hareket hızı birlikte biriktirme morfolojisini belirler.

Çok akışkan bir hidrojel yüzeye yayılarak filamentlerin kalınlaşmasına ve gözeneklerin kapanmasına yol açabilir. Aşırı katı veya hızlı çapraz bağlanan bir sistem ise kesintili ekstrüzyon, düzensiz çizgiler ya da yetersiz filament birleşmesi oluşturabilir. Uygun baskı penceresinin geleneksel olarak çok sayıda formülasyon hazırlanarak ve her biri fiziksel olarak basılarak aranması zaman, malzeme ve iş gücü gerektirir.

Önceki sınıflandırma ve regresyon modelleri bir baskının başarılı olup olmayacağını veya belirli bir sayısal ölçütü tahmin edebilir. Ancak bu modeller çoğunlukla sonucu bir sınıf veya sayı olarak verir; baskıdan çıkması beklenen şekli doğrudan göstermez. Araştırmacılar bu nedenle “Bu koşullarda basılı yapı nasıl görünür?” sorusunu da yanıtlayabilen koşullu bir görüntü üretim modeli geliştirmiştir.

Çalışma neden gerçek bir deneysel araştırmadır?

Model yalnızca mevcut yayınlardan derlenen sonuçlarla eğitilmemiştir. Araştırmacılar ALG-Ph ve HA-Ph mürekkepleri hazırlamış, reometreyle malzeme özelliklerini ölçmüş, tek katmanlı ızgaraları fiziksel bir biyoyazıcıyla basmış ve baskıların görüntülerini toplamıştır. Fiziksel deneylerde mürekkep bileşimi ile 450 nm ışık şiddeti değiştirilmiş, basılı yapıların alanı ve geometrik özellikleri kaydedilmiştir.

Çalışmanın 4. sayfasındaki şema, fiziksel baskı ile yapay zekâ modelinin bağlantısını göstermektedir. Mürekkep reolojisi, fenolik grup miktarı ve ışık şiddeti koşul vektörüne aktarılmakta; fiziksel yapı görüntüsü kodlayıcıya verilmekte; model bu bilgileri gizil uzayda temsil ederek yeni baskı görüntüleri üretmektedir.

Görünür ışıkla çapraz bağlanan hidrojel sistemi nasıl çalışmaktadır?

Mürekkep sistemi fenol gruplarıyla işlevselleştirilmiş alginat ve hiyalüronik asitten oluşmaktadır. Formülasyona 2,0 mM tris(2,2'-bipiridil)rutenyum(II) kompleksi ve 2,0 mM sodyum persülfat eklenmiştir.

450 nm görünür ışık rutenyum kompleksini uyarır. Uyarılmış kompleks persülfatın etkinleşmesini tetikler ve fenol gruplarından fenoksi radikalleri oluşmasına katkıda bulunur. Radikallerin eşleşmesi polimer zincirleri arasında kovalent bağlar oluşturur. Böylece ekstrüzyonla çıkan mürekkep ışık altında hızla jel hâline gelir.

Işık şiddeti düşük olduğunda çapraz bağlanma yetersiz kalabilir ve hidrojel yüzeye daha fazla yayılabilir. Şiddet yükseldiğinde daha sert ve biçimini koruyan filamentler oluşabilir. Bununla birlikte çalışma, ışık şiddetinin etkisinin mürekkebin reolojisi ve fenolik grup içeriğiyle birlikte değerlendirilmesi gerektiğini göstermektedir.

Hangi reolojik özellikler modellenmiştir?

Kesme hızına bağlı görünür viskozite, Cross Power Law kullanılarak modellenmiştir:

\[ \eta(\dot{\gamma}) = \eta_{\infty}+ \frac{\eta_0-\eta_{\infty}} {1+(m\dot{\gamma})^n} \]

Bu eşitlikte:

• η₀: Sıfıra yakın kesme hızındaki görünür viskoziteyi,
• η_∞: Çok yüksek kesme hızındaki viskoziteyi,
• m: Kesme altında incelme davranışına geçişle ilişkili zaman sabitini,
• n: Kesme altında incelmenin derecesini,
• γ̇: Kesme hızını

temsil etmektedir. Çalışmada η_∞ değeri 10⁻³ Pa·s olarak sabitlenmiştir.

Malzemenin elastik ve viskoz davranışı ise kayıp tanjantıyla ifade edilmiştir:

\[ \tan(\delta)=\frac{G''}{G'} \]

Burada G′ depolama modülü, G″ kayıp modülüdür. Daha düşük tan(δ), elastik bileşenin göreli olarak güçlendiğini; daha yüksek değer ise viskoz davranışın arttığını gösterir.

Destek vektör regresyonu ne için kullanılmıştır?

Her yeni mürekkep bileşimi için tam reoloji deneyinin yapılması yerine ALG-Ph ve HA-Ph yüzdelerinden η₀, m, n ve tan(δ) değerlerini tahmin eden dört ayrı destek vektör regresyonu modeli kurulmuştur. Her reolojik çıktı için 45 veri noktası kullanılmış ve radyal tabanlı fonksiyon çekirdeği seçilmiştir.

Modellerin düzenlileştirme, çekirdek ve epsilon parametreleri 10 katlı çapraz doğrulamayla belirlenmiştir. Bu modeller yalnızca deneysel olarak örneklenen ALG-Ph %0–5 ve HA-Ph %0–3 bileşim aralığında interpolasyon amacıyla kullanılmıştır; aralık dışına yönelik ekstrapolasyon yapılmamıştır.

Reoloji yüzeylerinin gösterildiği 5. sayfada η₀ ve m değerlerinin polimer derişimiyle yükseldiği görülmektedir. η₀ yaklaşık 2,6×10⁻² ile 1,2×10³ Pa·s, m ise 3,1×10⁻⁴ ile 6,0 saniye arasında değişmiştir. Kesme altında incelme indeksi 0,62–0,69 aralığında kalmıştır.

Değişkenler arasında hangi ilişkiler bulunmuştur?

766 örnek üzerinden hesaplanan Pearson korelasyon matrisinde η₀ ile m arasında çok güçlü pozitif ilişki bulunmuştur:

\[ r=0{,}99 \]

Kesme altında incelme indeksi n ile ALG-Ph miktarı arasında güçlü pozitif ilişki vardır:

\[ r=0{,}85 \]

n ile HA-Ph miktarı arasındaki ilişki ise zayıf ve negatiftir:

\[ r=-0{,}10 \]

Basılı ızgara alanı A_grid; η₀, m, n, fenolik grup miktarı ve polimer derişimleriyle orta düzeyde negatif ilişkiler göstermiştir. Bu durum daha viskoz ve daha güçlü çapraz bağlanan mürekkeplerin yüzeye daha az yayılmasıyla uyumludur. Işık şiddeti ile alan arasındaki ilişki zayıf kalmıştır:

\[ r=-0{,}16 \]

Bu korelasyonlar nedensellik kanıtı değildir. Mürekkep bileşimi aynı anda birden fazla reolojik ve kimyasal özelliği değiştirdiği için etkiler birbirinden tamamen bağımsız değildir.

β-koşullu değişimsel otoenkoder nasıl çalışmaktadır?

β-CVAE iki temel ağdan oluşur. Kodlayıcı, gerçek baskı görüntüsünü ve koşul vektörünü düşük boyutlu olasılıksal bir gösterime dönüştürür. Kod çözücü ise bu gizil gösterimle koşul vektörünü kullanarak baskı görüntüsünü yeniden üretir veya yeni bir görüntü oluşturur.

Kodlayıcı her örnek için ortalama μ ve standart sapma σ vektörleri üretir. Gizil değişken yeniden parametreleştirme yöntemiyle örneklenir:

\[ z=\mu+\sigma\odot\varepsilon \]

\[ \varepsilon\sim\mathcal{N}(0,I) \]

Bu işlem, rastgele örnekleme bulunmasına rağmen gradyanların ağ boyunca aktarılabilmesini sağlar.

Modelin kayıp fonksiyonu iki bileşenden oluşmaktadır:

\[ \mathcal{L}_{\beta\text{-CVAE}}= -\mathbb{E}_{q_\phi(z|x,c)} [\log p_\theta(x|z,c)] +\beta D_{KL} \left(q_\phi(z|x,c)\parallel p(z)\right) \]

İlk bileşen, gerçek görüntüyle yeniden oluşturulan görüntü arasındaki farkı azaltır. Çalışmada bu bölüm ortalama karesel hatayla yaklaşık olarak hesaplanmıştır:

\[ \mathbb{E} \left[\lVert x-x'\rVert_2^2\right] \]

İkinci bileşen, kodlayıcının ürettiği dağılımın standart normal önsel dağılıma yaklaşmasını sağlar:

\[ D_{KL}= \frac{1}{2} \sum_{j=1}^{d} \left( \mu_j^2+\sigma_j^2-1-\log\sigma_j^2 \right) \]

β katsayısı yeniden yapılandırma doğruluğu ile gizil uzayın düzenliliği arasındaki dengeyi belirler. Çok düşük β, iyi görüntü kopyaları üretse de karmaşık ve yorumlanması güç bir gizil uzay oluşturabilir. Çok yüksek β ise gizil değişkenleri düzenlerken görüntü ayrıntılarını kaybettirebilir.

Koşul vektöründe hangi bilgiler bulunmaktadır?

Model altı değişkenle koşullandırılmıştır:

1. Sıfır kesme hızındaki viskozite, η₀,
2. Zaman sabiti, m,
3. Kesme altında incelme indeksi, n,
4. Kayıp tanjantı, tan(δ),
5. Işınlama şiddeti, E_e,
6. Fenolik grup içeriği, D_Ph.

η₀ ve m için logaritmik dönüşüm, D_Ph için sıfır değerleri koruyabilen log1p dönüşümü uygulanmıştır. Bütün koşul değişkenleri yalnızca eğitim kümesinden hesaplanan ortalama ve standart sapmayla standartlaştırılmıştır.

Model mimarisi nasıldır?

Girişler 128×128 piksel RGB görüntülerdir. Kodlayıcı, çekirdek boyutu 4 ve adım değeri 2 olan dört iki boyutlu evrişim katmanıyla görüntüyü 8×8 özellik haritalarına küçültmüştür. Katmanlarda toplu normalleştirme ve ReLU etkinleştirmesi kullanılmıştır.

Altı boyutlu koşul vektörü tam bağlı bir katmandan geçirilerek görüntü özellikleriyle birleştirilmiştir. Modelin gizil uzayı 32 boyutludur. Kod çözücü, dört çift doğrusal büyütme ve 3×3 evrişim aşamasıyla görüntüyü yeniden 128×128 piksele çıkarmış, son katmanda sigmoid etkinleştirmesi kullanmıştır.

Veriler herhangi bir ön işleme yapılmadan önce %75 eğitim, %15 doğrulama ve %10 test olarak ayrılmıştır. Yatay yansıtma ile 0°, 90°, 180° ve 270° döndürmeler yalnızca eğitim kümesine uygulanmıştır. Adam optimizatörü, 10⁻³ öğrenme oranı, 64 yığın büyüklüğü ve 15 dönem erken durdurma sabrı kullanılmıştır.

Neden β=5 seçilmiştir?

Araştırmacılar farklı β değerlerinde her gizil boyutun KL ayrışımına katkısını incelemiştir. β=5 altında dokuzuncu etkin boyuttan sonra kalan boyutların KL değeri 0,5’in altına belirgin biçimde düşmüştür. Bu durum, 32 boyutlu uzayın yaklaşık dokuz boyutunun görüntüye ilişkin belirgin bilgi taşıdığını düşündürmüştür.

Bilinen temel üretici etkenler tam olarak tanımlanmadığından standart ayrıştırma puanları hesaplanmamıştır. Bu nedenle “gizil uzay tamamen ayrıştırılmıştır” sonucu çıkarılmamaktadır. Boyut başına KL değeri ve görsel geçişler, yorumlanabilirlik için vekil göstergeler olarak kullanılmıştır.

Görüntü yeniden yapılandırma başarımı nasıldır?

Bağımsız test kümesi 77 görüntüden oluşmuştur. Ortalama yeniden yapılandırma hatası:

\[ \mathrm{MSE}=0{,}007 \]

Ortalama yapısal benzerlik:

\[ \mathrm{SSIM}=0{,}839 \]

olarak bildirilmiştir.

7. sayfadaki gerçek–üretilmiş görüntülerde model; ALG-Ph, HA-Ph ve bileşik mürekkeplerin filament kalınlığı, gözenek açıklığı ve kenar yapısındaki genel farklılıkları korumuştur. Üretilmiş görüntüler gerçek görüntülerin birebir kopyaları değildir; küçük düzensizlikler ve ayrıntılar yumuşatılmıştır.

Koşullar değiştirildiğinde model nasıl tepki vermiştir?

Diğer değişkenler sabit tutularak tek bir koşul değişkeni değiştirildiğinde görüntüler ani ve düzensiz sıçramalar yerine kademeli morfolojik geçişler göstermiştir.

• Işık şiddeti ve fenolik içerik yükseldiğinde kapalı gözenekli, yayılmış yapılardan daha açık gözenekli ve ince filamentli yapılara geçiş görülmüştür.
• η₀, m ve n değerleri filament kalınlığı ile gözenek düzenini değiştirmiştir.
• tan(δ) azaldığında daha elastik, tasarıma yakın ve daha az yayılmış çizgiler üretilmiştir.

Bu davranışlar modelin yalnızca görüntüleri ezberlemediğini, koşullarla morfoloji arasında veri içindeki düzenlilikleri öğrendiğini desteklemektedir. Ancak fiziksel nedensellik, yalnızca üretken modelin görsellerine dayanarak kanıtlanamaz.

Gizil uzay neden açıklanabilir kabul edilmiştir?

Gerçek görüntülerin kodlayıcıdan elde edilen gizil ortalama vektörleri UMAP ile iki boyuta indirgenmiştir. Işık şiddeti, viskozite, fenolik içerik ve yapı alanı gibi değişkenlerin manifold üzerinde kademeli dağılımlar oluşturduğu görülmüştür.

Seçilen gizil boyutlarda −3σ ile +3σ arasında yapılan geçişler farklı görsel özellikleri etkilemiştir:

• z8: Gözeneklerin dolması veya kıvrılması,
• z23: Yatay ve dikey filament kalınlığı,
• z24: Piksel yoğunluğu ve toplam yapı alanı.

9. sayfadaki görsellerde bu değişimler gerçek baskılarda gözlenen morfolojik çeşitlilikle benzer yönler göstermiştir. Bununla birlikte tek bir gizil boyutun yalnızca tek bir fiziksel değişkeni temsil ettiği kanıtlanmamıştır. Araştırmacılar da bazı gizil boyutların belirli baskı parametrelerine doğrudan bağlanmasının güç olduğunu belirtmektedir.

Üretken çeşitlilik ne anlama gelmektedir?

Aynı koşul vektörüyle farklı gizil örnekler seçildiğinde model gözenek biçimi, filament kalınlığı ve yapı alanında küçük farklılıklar üretmiştir. Örnekleme sıcaklığı T şu dağılımla uygulanmıştır:

\[ z\sim\mathcal{N}(0,T^2I) \]

Çalışmada temel üretim değeri T=0,7’dir. Daha yüksek sıcaklık daha değişken ve düzensiz, daha düşük sıcaklık ise daha kararlı ve birbirine benzeyen görüntüler üretir.

Bu çeşitlilik fiziksel baskı tekrarlarının deneysel dağılımı değildir. Aynı koşullarda yeterli sayıda gerçek baskı tekrarı yapılmadığından modelin ürettiği varyasyonun gerçek üretim belirsizliğini nicel olarak temsil ettiği söylenemez.

Sayısal kapalı döngü nasıl çalışmaktadır?

10. sayfadaki akış dört temel modeli birleştirmektedir:

1. SVR: Önerilen ALG-Ph ve HA-Ph bileşiminden reolojik özellikleri tahmin eder.
2. β-CVAE: Bileşim, reoloji, ışık ve fenolik içerik altında 30 olası baskı görüntüsü üretir.
3. Çok görevli CNN: Görüntüleri beş baskılanabilirlik ölçütüne göre değerlendirir.
4. Bayesçi optimizasyon: Toplam kaybı azaltacak yeni mürekkep bileşimini seçer ve döngüyü tekrarlar.

Bu süreç yazıcıya fiziksel bir düzeltme komutu göndermemektedir. “Kapalı döngü”, model çıktısının yine model tabanlı değerlendirmeye girmesi ve değerlendirmenin sonraki koşul önerisini değiştirmesi anlamındadır.

Hangi baskılanabilirlik ölçütleri kullanılmıştır?

CNN beş çıktı üretmiştir:

• Filament tamlığı: Izgara çizgilerinin kesintisiz olup olmadığı,
• Ortalama filament genişliği,
• Yapı alanı,
• Dice benzerlik katsayısı,
• Ortalama Hausdorff uzaklığı.

Dice benzerlik katsayısı, basılı yapı maskesiyle referans tasarımın örtüşmesini ölçer:

\[ \mathrm{DSC}(X,Y)= \frac{2|X\cap Y|} {|X|+|Y|} \]

Değer 1’e yaklaştıkça iki maskenin örtüşmesi artar.

Hausdorff uzaklığı iki sınır kümesi arasındaki en büyük en yakın-nokta farkını ölçer:

\[ HD(A,B)= \max\{h(A,B),h(B,A)\} \]

Daha düşük HD, gözenek ve filament sınırlarının referans geometriye daha yakın olduğunu gösterir.

CNN hangi verilerle eğitilmiştir?

Çok görevli CNN, β-CVAE tarafından oluşturulan 8.475 gri tonlamalı görüntüyle eğitilmiştir. Veri %70 eğitim, %20 doğrulama ve %10 test olarak ayrılmıştır. Eğitim görüntülerine dört yönlü döndürme uygulanmıştır.

Ortak gövde üç evrişim katmanından oluşmuştur. Ardından iki çıkış başlığı kullanılmıştır:

• Alan, filament genişliği, HD ve DSC için regresyon başlığı,
• Tamlık olasılığı için sigmoid sınıflandırma başlığı.

Bu noktada önemli bir sınır bulunmaktadır: CNN’nin eğitim örnekleri fiziksel görüntüler değil, üretken modelin oluşturduğu görüntülerdir. Bu nedenle β-CVAE’nin sistematik hataları CNN değerlendirmesine de aktarılabilir.

Bayesçi optimizasyonun amaç fonksiyonu nedir?

Optimizasyon kaybı şu bileşenlerden oluşturulmuştur:

\[ f(x)= w_{DSC}(1-DSC)+ w_{HD}HD+ w_C(1-p_c)+ w_AL_A+ w_WL_W \]

Burada p_c tamlık olasılığıdır. L_A ve L_W, yapı alanı ile filament genişliği kabul edilen aralıkların dışında olduğunda büyüyen karesel cezalardır.

Kabul aralıkları:

• Yapı alanı: 40–65 mm²,
• Filament genişliği: 0,3–0,5 mm.

Tamlık olasılığı 0,5’in altına düştüğünde ek olarak 50 birim ceza uygulanmıştır. Ağırlıklar DSC ve HD için 1,0; tamlık için 5,0; alan ve genişlik için 1,0 olarak belirlenmiştir.

Işık şiddeti %0–100 arasında 10 puanlık artışlarla değerlendirilmiştir. Her ışık düzeyinde 20 başlangıç örneği ve toplam 200 Bayesçi optimizasyon yinelemesi kullanılmıştır.

Sayısal optimizasyon hangi koşulları bulmuştur?

Optimum bileşimler ışık düzeyine bağlı olarak çoğunlukla şu aralıklarda kümelenmiştir:

• ALG-Ph: %3,0–5,0 (w/v),
• HA-Ph: %1,0–3,0 (w/v).

İncelenen ışık şiddetlerinde:

• Tamlık olasılığı %90’ın üzerinde,
• Yapı alanı yaklaşık 60–70 mm²,
• Filament genişliği yaklaşık 0,4–0,5 mm,
• DSC 0,8’in üzerinde,
• HD 0,1’in altında

kalmıştır.

Bu değerler fiziksel olarak basılı optimum örneklerin ölçümleri değil, model tarafından oluşturulan görüntülerden CNN’nin tahmin ettiği sonuçlardır. Optimum reçetelerin gerçek baskılarla sistematik biçimde doğrulandığı ayrı bir deney serisi sunulmamıştır.

Aktarım öğrenmesi hangi yeni biçimlerde sınanmıştır?

Izgara yapılarında eğitilen β-CVAE ağırlıkları üç yeni geometri için başlangıç noktası olarak kullanılmıştır:

Modeller 50 dönem boyunca 10⁻³ öğrenme oranı ve 16 yığın büyüklüğüyle ince ayarlanmıştır. Üretilen görüntüler ginkgo yaprağının genel sınırını, yıldızın köşelerini ve burun biçiminin iki taraflı simetrisini yaklaşık olarak korumuştur.

Bu sonuç, ızgaralarda öğrenilen bütün özelliklerin yeni geometrilere kusursuz aktarıldığını göstermez. Özellikle burun görüntüleri yalnızca iki boyutlu üst görünüş morfolojisini temsil etmekte; gerçek üç boyutlu burun yüzeyinin hacimsel geometrisini modellememektedir.

Çalışmanın desteklediği sonuçlar nelerdir?

• Mürekkep reolojisi, fenolik içerik ve ışık şiddetiyle koşullandırılmış bir β-CVAE, fiziksel baskılara görsel olarak benzeyen iki boyutlu morfoloji görüntüleri üretebilir.
• Modelin gizil uzayındaki bazı yönler gözenek doluluğu, filament genişliği ve yapı alanı gibi anlaşılır görsel özelliklerle ilişkilidir.
• SVR, örneklenen mürekkep bileşimi aralığında reolojik değişkenler için düzgün interpolasyon yüzeyleri sağlayabilir.
• Üretken model, CNN ve Bayesçi optimizasyon birleştirilerek mürekkep bileşimleri sayısal ortamda taranabilir.
• Önceden eğitilen model, küçük veri kümeleriyle yeni iki boyutlu tasarım geometrilerine uyarlanabilir.

Çalışma neyi kanıtlamamaktadır?

• Canlı hücre içeren dokuların başarıyla üretildiğini göstermemektedir.
• Modelin hücre canlılığını, farklılaşmasını, çoğalmasını veya doku işlevini tahmin ettiğini göstermemektedir.
• Önerilen reçetelerin fiziksel deney gerektirmeden güvenle kullanılabileceğini kanıtlamamaktadır.
• Kapalı döngünün yazıcıyı gerçek zamanlı olarak kontrol ettiğini göstermemektedir.
• İki boyutlu görüntü başarımının hacimsel üç boyutlu biçim doğruluğuna eşdeğer olduğunu göstermemektedir.
• Modelin farklı polimerlere, çapraz bağlayıcılara, yazıcılara, nozullara ve laboratuvarlara doğrudan genellenebildiğini kanıtlamamaktadır.
• Üretilen görüntüler arasındaki çeşitliliğin gerçek fiziksel baskı tekrarlanabilirliğini temsil ettiğini göstermemektedir.
• Klinik kullanım, organ üretimi veya hastaya özel canlı doku imalatı için hazır bir sistem sunmamaktadır.

Çalışmanın temel sınırlılıkları nelerdir?

Model iki boyutlu görüntüler üzerinde çalışmaktadır. Filamentin yüksekliği, katmanlar arası çökme, hacimsel deformasyon ve iç gözenek bağlantıları doğrudan modellenmemiştir. Araştırmacılar gelecekte voksel, nokta bulutu veya PointNet benzeri hacimsel temsillere geçilmesi gerektiğini belirtmektedir.

Veri tek bir görünür ışıkla çapraz bağlama sistemine ve sınırlı bir bileşim alanına dayanmaktadır. Kullanılan yazıcı, nozul, ışık kaynağı veya polimer değiştiğinde model yeniden eğitilmeden güvenilir sonuç vermeyebilir.

Kapalı döngü fiziksel baskı öncesinde yürütülmüştür. Kamera görüntüsüne göre katman sırasında düzeltme yapan bir sistem değildir. Gerçek kapalı döngü için yazıcıya bağlı kamera, katman bazlı izleme, çevrim içi hata tanıma ve anlık süreç düzeltme gerekmektedir.

CNN’nin değerlendirme veri seti üretken görüntülerden oluşmaktadır. Üretici ile değerlendiricinin aynı modelleme zincirinin parçaları olması, fiziksel gerçeklikten ortak bir yönde sapma ihtimalini doğurur. Bu nedenle önerilen optimum noktalar gerçek baskılarla ayrıca doğrulanmalıdır.

Çalışmanın Yöntemi ve Bulguları

Fiziksel malzemeler ve reoloji ölçümü

3B baskı koşulları

Görüntü ön işleme

Baskı görüntülerindeki arka plan ve istenmeyen parçalar Segment Anything Model 2 sürüm 2.1 ile ayrılmış, OpenCV 4.10.0 kullanılarak tekdüze beyaz arka plana yerleştirilmiştir. Eğitim, doğrulama ve test kümeleri görüntü işleme öncesinde ayrılarak veri sızıntısı azaltılmıştır.

SVR modellerinin en iyi hiperparametreleri

β-CVAE eğitim ayarları

Temel yeniden yapılandırma sonuçları

Çok görevli CNN ayarları

Bayesçi optimizasyon ayarları

Optimizasyon çıktılarının doğru yorumu

Model zinciri, belirli mürekkep aralıklarında görsel olarak uygun adayları fiziksel baskı yapılmadan önce sıralayabilecek bir tarama aracı sunmaktadır. Bunun en güçlü olası kullanımı, bütün kombinasyonları laboratuvarda denemek yerine düşük puanlı bölgeleri elemek ve fiziksel doğrulamayı daha dar bir bileşim alanına yönlendirmektir.

Çalışma fiziksel deneyin kaldırılmasını değil, deneylerin daha bilinçli seçilmesini desteklemektedir. Üretken görüntü, CNN puanı veya Bayesçi optimum; tek başına gerçek baskının başarılı, hücre uyumlu veya biyolojik olarak işlevsel olduğunu göstermez.

Yeniden üretilebilirlik

Araştırmacılar çalışmayı destekleyen verilerin Zenodo’da, veri analizi ve makine öğrenmesi kodlarının ise GitHub’da açık olarak bulunduğunu bildirmiştir. Bu durum mimari, veri işleme ve optimizasyon adımlarının bağımsız olarak incelenmesini kolaylaştırmaktadır. Ancak başka bir laboratuvarın aynı sonuçları elde etmesi için kimyasal malzemeler, yazıcı kalibrasyonu, ışık geometrisi, görüntüleme düzeni ve reoloji ölçümlerinin de uyumlu olması gerekir.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Generative AI-guided in silico closed-loop optimisation of deposition morphology for 3D bioprinting applications

Yazarlar: Colin Zhang, Kelum Chamara Manoj Lakmal Elvitigala ve Shinji Sakai

Yazar sıralaması: Colin Zhang; Kelum Chamara Manoj Lakmal Elvitigala; Shinji Sakai

Eş katkı bilgisi: Çalışmada eşit katkı veya eş birinci yazarlık beyanı bulunmamaktadır.

Sorumlu yazar: Shinji Sakai

Kurum: Division of Chemical Engineering, Department of Materials Engineering Science, Graduate School of Engineering Science, The University of Osaka, Toyonaka, Japan

DOI:10.1080/17452759.2026.2671497

Dergi: Virtual and Physical Prototyping

Cilt ve sayı: 21(1)

Makale numarası: e2671497

Yayınevi: Informa UK Limited, Taylor & Francis Group adına

Gönderilme tarihi: 14 Mart 2026

Kabul tarihi: 5 Mayıs 2026

Yayın tarihi: 21 Mayıs 2026

Yayın yılı: 2026

Kaynak türü: Fiziksel hidrojel baskı deneylerini üretken yapay zekâ, görüntü değerlendirmesi ve sayısal optimizasyonla birleştiren deneysel araştırma makalesi

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmiş ve derginin yayımlanmış sürümü olarak yayımlanmıştır.

Açık erişim durumu: Creative Commons Attribution 4.0 lisansı altında açık erişimdir.

Resmî bağlantı:Taylor & Francis resmî makale sayfası

Finansman: Çalışma, Japan Science and Technology Agency tarafından yürütülen Adaptable and Seamless Technology Transfer Program through Target-driven R&D kapsamında JPMJTR234C numaralı destekle finanse edilmiştir.

Çıkar çatışması: Araştırmacılar potansiyel çıkar çatışması bildirmemiştir.

Veri ve kod: Çalışmada verilerin Zenodo’da, analiz ve makine öğrenmesi kodlarının GitHub’da açık olarak paylaşıldığı belirtilmektedir.

Bu Türkçe makale, 19 sayfalık özgün çalışmanın metni, denklemleri, tabloları, deney parametreleri ve görsellerinin tamamı incelenerek hazırlanmıştır. Bilimsel yöntem, veri büyüklükleri, model ayarları ve sonuçlar yalnızca araştırmada bildirilen bilgilere dayanmaktadır. Dış kaynaklar yalnızca yayın kimliği, yayımlanmış sürüm, dergi, yayınevi, DOI ve yayın tarihini doğrulamak amacıyla kullanılmıştır.

Çalışmanın “3B biyobaskı” kapsamı canlı hücre içermeyen hidrojel baskılarıyla sınırlıdır. Kullanılan formülasyonların daha önce bildirilen hücre uyumlu koşullara dayanması, bu deneylerde hücre canlılığının veya doku işlevinin doğrulandığı anlamına gelmemektedir. Benzer şekilde in silico kapalı döngü, yazıcıya gerçek zamanlı fiziksel geri besleme sağlayan bir kontrol sistemi değildir.