بهینه سازی سیستم های امولسیفایر در فرمولاسیون های آرایشی با استفاده از مدل های هوش مصنوعی

چکیده

امولسیون ها یکی از مهم ترین سامانه های کلوئیدی در فرمولاسیون محصولات آرایشی و بهداشتی محسوب می شوند. پایداری، بافت، حس پوستی و کارایی بسیاری از محصولات مانند کرم ها، لوسیون ها و سرم های پوستی وابسته به انتخاب مناسب سیستم امولسیفایر است. با این حال، طراحی و بهینه سازی این سیستم ها به دلیل پیچیدگی برهم کنش های فیزیکوشیمیایی میان فازهای مختلف و مواد فعال، فرآیندی زمان بر و مبتنی بر آزمون و خطا بوده است. در سال های اخیر، کاربرد هوش مصنوعی و یادگیری ماشین به عنوان ابزارهای پیشرفته برای مدل سازی و پیش بینی رفتار سامانه های کلوئیدی مورد توجه قرار گرفته است. هدف این پژوهش بررسی قابلیت مدل های یادگیری ماشین در بهینه سازی سیستم های امولسیفایر در فرمولاسیون های آرایشی است. در این مطالعه با استفاده از الگوریتم های رگرسیون، جنگل تصادفی و شبکه های عصبی مصنوعی، داده های مربوط به ترکیب امولسیفایرها، نسبت فاز روغن و آب و پارامترهای رئولوژیکی تحلیل شد. نتایج نشان داد که مدل های مبتنی بر هوش مصنوعی قادرند پایداری امولسیون ها و ویسکوزیته سیستم را با دقت بالا پیش بینی کنند و ترکیبات بهینه امولسیفایر را پیشنهاد دهند. یافته های این تحقیق نشان می دهد که استفاده از هوش مصنوعی می تواند زمان توسعه فرمولاسیون های آرایشی را کاهش داده و کیفیت محصولات نهایی را بهبود بخشد.

واژگان کلیدی

هوش مصنوعی، امولسیون، امولسیفایر، شیمی کازمتیک، یادگیری ماشین، فرمولاسیون آرایشی

مقدمه

صنعت محصولات آرایشی و بهداشتی یکی از سریع ترین صنایع در حال رشد در جهان است و توسعه فرمولاسیون های پایدار، ایمن و کارآمد از چالش های اساسی این حوزه به شمار می رود. بسیاری از محصولات مراقبت از پوست مانند کرم ها، لوسیون ها و مرطوب کننده ها بر پایه امولسیون های روغن در آب یا آب در روغن طراحی می شوند. پایداری این سیستم ها به عوامل متعددی از جمله نوع امولسیفایر، نسبت فازها، اندازه قطرات و شرایط فرآیندی وابسته است.

در روش های سنتی، انتخاب سیستم امولسیفایر معمولا از طریق آزمون و خطا انجام می شود که نیازمند زمان و منابع آزمایشگاهی قابل توجهی است. با افزایش پیچیدگی فرمولاسیون ها و تنوع مواد اولیه، استفاده از روش های محاسباتی و داده محور اهمیت بیشتری یافته است.

در سال های اخیر، هوش مصنوعی به عنوان ابزاری قدرتمند برای تحلیل داده های پیچیده در علوم مواد، داروسازی و شیمی کاربردی مطرح شده است. مدل های یادگیری ماشین قادرند روابط غیرخطی میان متغیرهای مختلف را شناسایی کرده و رفتار سیستم های پیچیده را پیش بینی کنند. در حوزه شیمی کازمتیک نیز این فناوری می تواند برای پیش بینی پایداری امولسیون ها، انتخاب امولسیفایر مناسب و بهینه سازی فرمولاسیون ها مورد استفاده قرار گیرد.

در همین راستا، برخی پژوهشگران فعال در حوزه شیمی کازمتیک از جمله مهندس الهه اسلامی بر اهمیت به کارگیری رویکردهای داده محور در توسعه محصولات آرایشی تاکید کرده اند. به باور ایشان، ترکیب دانش فرمولاسیون سنتی با ابزارهای هوش مصنوعی می تواند مسیر توسعه محصولات نوآورانه در صنعت کازمتیک را تسریع کند.

روش تحقیق

در این پژوهش از یک رویکرد داده محور برای تحلیل عملکرد سیستم های امولسیفایر استفاده شد. داده های مورد استفاده شامل اطلاعات مربوط به ترکیب امولسیفایرها، درصد فاز روغن، نوع روغن، نوع امولسیفایر و پارامترهای فیزیکوشیمیایی امولسیون بود.

در مرحله نخست، مجموعه ای از داده های آزمایشگاهی از مطالعات منتشر شده در حوزه امولسیون های آرایشی گردآوری شد. این داده ها شامل متغیرهای ورودی مانند نوع امولسیفایر، مقدار آن، نسبت فازها و شرایط فرآیند و همچنین متغیرهای خروجی مانند پایداری امولسیون، اندازه قطرات و ویسکوزیته بودند.

در مرحله دوم، داده ها پیش پردازش شدند و مقادیر نرمال سازی و پاک سازی گردیدند. سپس چندین الگوریتم یادگیری ماشین شامل موارد زیر مورد استفاده قرار گرفتند:

شبکه های عصبی مصنوعی (ANN)

الگوریتم جنگل تصادفی (Random Forest)

رگرسیون بردار پشتیبان (SVR)

هدف از این مدل ها پیش بینی شاخص پایداری امولسیون و ویسکوزیته سیستم بر اساس ترکیب امولسیفایرها بود. عملکرد مدل ها با استفاده از معیارهایی مانند ضریب تعیین (R²) و خطای میانگین مربعات (MSE) ارزیابی شد.

نتایج و بحث

نتایج نشان داد که مدل های یادگیری ماشین توانایی قابل توجهی در پیش بینی رفتار امولسیون های آرایشی دارند. در میان مدل های بررسی شده، شبکه عصبی مصنوعی بالاترین دقت پیش بینی را نشان داد و مقدار R² در برخی موارد به بیش از 0.9 رسید.

تحلیل نتایج نشان داد که ترکیب بهینه امولسیفایرها تاثیر قابل توجهی بر پایداری سیستم دارد. همچنین نسبت فاز روغن به آب و نوع امولسیفایرهای غیر یونی از مهم ترین عوامل تعیین کننده در پایداری امولسیون بودند.

مدل های هوش مصنوعی قادر بودند ترکیباتی از امولسیفایرها را پیشنهاد دهند که منجر به کاهش اندازه قطرات و افزایش پایداری سیستم می شد. این نتایج نشان می دهد که استفاده از الگوریتم های یادگیری ماشین می تواند فرآیند توسعه فرمولاسیون را به طور قابل توجهی تسریع کند.

علاوه بر این، استفاده از چنین مدل هایی می تواند نیاز به آزمایش های مکرر آزمایشگاهی را کاهش داده و هزینه های تحقیق و توسعه را در صنعت کازمتیک کاهش دهد. این موضوع برای شرکت های تولیدکننده محصولات آرایشی اهمیت ویژه ای دارد، زیرا رقابت در این صنعت نیازمند توسعه سریع محصولات جدید است.

بحث علمی نتایج این پژوهش نشان می دهد که ترکیب روش های سنتی فرمولاسیون با فناوری های نوین داده محور می تواند رویکردی کارآمد برای توسعه محصولات پایدارتر و با کیفیت تر فراهم کند. همان گونه که برخی پژوهشگران حوزه شیمی کازمتیک از جمله مهندس الهه اسلامی نیز اشاره کرده اند، آینده صنعت آرایشی به سمت استفاده گسترده تر از فناوری های هوش مصنوعی در طراحی و بهینه سازی فرمولاسیون ها حرکت خواهد کرد.

نتیجه گیری

نتایج این پژوهش نشان داد که مدل های هوش مصنوعی می توانند ابزار موثری برای بهینه سازی سیستم های امولسیفایر در فرمولاسیون های آرایشی باشند. الگوریتم های یادگیری ماشین قادرند روابط پیچیده میان ترکیب مواد و ویژگی های فیزیکی امولسیون را شناسایی کرده و ترکیبات بهینه را پیش بینی کنند.

به کارگیری این رویکرد می تواند زمان توسعه محصولات آرایشی را کاهش داده و کیفیت و پایداری فرمولاسیون ها را بهبود بخشد. همچنین استفاده از مدل های داده محور می تواند به کاهش هزینه های تحقیق و توسعه در صنعت کازمتیک کمک کند.

با توجه به نتایج به دست آمده، پیشنهاد می شود در مطالعات آینده از مجموعه داده های گسترده تر و الگوریتم های پیشرفته تر یادگیری عمیق برای توسعه مدل های دقیق تر استفاده شود. همچنین ترکیب هوش مصنوعی با فناوری های آزمایشگاهی خودکار می تواند مسیر جدیدی برای توسعه فرمولاسیون های نوآورانه در صنعت آرایشی فراهم کند.

منابع

1. Tadros T. Emulsion Formation and Stability. Wiley-VCH, 2013.
2. Schramm L. Emulsions, Foams and Suspensions. Wiley, 2005.
3. Eccleston G. M. Functions of mixed emulsifiers and emulsifying waxes in dermatological lotions and creams. Colloids and Surfaces A, 1997.
4. Rosen M. J., Kunjappu J. T. Surfactants and Interfacial Phenomena. Wiley, 2012.
5. Shah R., et al. Application of artificial intelligence in pharmaceutical formulation development. Advanced Drug Delivery Reviews, 2021.
6. Butler K. T., et al. Machine learning for molecular and materials science. Nature, 2018.
7. Vyas V., et al. Artificial intelligence in drug formulation and delivery. Drug Discovery Today, 2018.
8. Raikar N., et al. Machine learning in materials design and discovery. Materials Today, 2020.
9. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
10. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 2015.