制药制造行业长期以来一直面临监测干燥混合物特性的难题，这是生产药物和化合物的关键步骤。目前，通常使用两种非侵入性特征表征方法：一种是对样本进行成像并计数单个颗粒，另一种是研究人员使用散射光来估计颗粒大小分布（PSD）。前者耗时且导致浪费增加，使得后者成为更具吸引力的选择。
近年来，麻省理工学院的工程师和研究人员开发了一种基于物理和机器学习的散射光方法，已被证明能改善制药药丸和粉末的制造过程，提高效率和准确性，并减少产品的失败批次。一篇新的开放获取论文“从单个散斑图像非侵入性估计粉末大小分布”在期刊Light: Science & Application上发布，扩展了这一研究，介绍了一种更快速的方法。
“理解散射光的行为是光学中最重要的话题之一，”清华大学的博士后研究员张启航（Qihang Zhang PhD ’23）说。“通过在分析散射光方面取得进展，我们还为制药行业发明了一种有用的工具。找到痛点并通过研究基本规律来解决它，是研究团队最兴奋的事情。”
该论文提出了一种基于瞳孔工程的新PSD估计方法，减少了分析所需的帧数。“我们的基于学习的模型可以从单个快照散斑图像中估计粉末大小分布，从而将重建时间从15秒减少到仅0.25秒，”研究人员解释道。
“我们在这项工作中的主要贡献是通过算法和硬件的集体优化，将颗粒大小检测方法的速度提高了60倍，”张说。“这种高速探测器能够检测快速动态系统中的大小演变，为研究制药行业中的干燥、混合和配料等过程模型提供了平台。”
该技术通过收集来自粉末表面的后向散射光，提供了一种低成本、非侵入性的颗粒大小探测器。该紧凑且便携的原型与市场上大多数干燥系统兼容，只要有观察窗口。这种在线测量方法可能有助于控制制造过程，提高效率和产品质量。此外，以前缺乏在线监测阻碍了对制造过程动态模型的系统研究。这种探测器可以为颗粒大小演变的系列研究和建模提供一个新平台。
这项工作是物理学家和工程师之间成功合作的结果，源于麻省理工学院-武田计划。合作者来自麻省理工学院的三个部门：机械工程、化学工程和电气工程与计算机科学。麻省理工学院机械工程教授乔治·巴巴斯塔西斯（George Barbastathis）是该文章的资深作者。
