Машинное обучение начинается с функции биочипа и работает в обратном направлении, чтобы спроектировать его форму
Компьютерное моделирование является бесценным инструментом в исследованиях и проектировании. Эти математические модели, используемые для предсказания поведения физических систем, могут предсказать путь урагана, выявить неэффективность транспортной сети, воспроизвести рождение галактики и многое другое. Настройка переменных — например, скорости ветра или температуры океана в случае ураганов — дает разные результаты, что позволяет исследователям увидеть несколько потенциальных сценариев.
Но сила некоторых симуляций в прогнозировании результата также является их слабостью, говорит доктор. Сэм Рэймонд, постдокторант Стэнфордского университета. Многие типы моделирования работают только в одном направлении. Программа запускается в один момент времени и использует законы физики и определенные параметры, определяемые пользователем, чтобы закончить в другой момент времени. Моделирование выполняется снова и снова, и результат постепенно меняется каждый раз по мере уточнения параметров. Они дают тысячи — даже десятки тысяч — несколько разных ответов на один и тот же вопрос, поскольку эти переменные изменяются перед каждым запуском. Но для многих типов проблем это не работает в обратном направлении.
«Вы можете задать вопрос и получить ответ», — говорит Рэймонд. «Но знание ответа не всегда говорит о том, что это был за вопрос».
До сих пор, т.е. Когда он был доктором философии. кандидат в Массачусетском технологическом институте (MIT), Рэймонд и его коллеги объединили данные компьютерного моделирования с нейронной сетью глубокого обучения, чтобы сделать то, что ни одна технология не может сделать в одиночку: использовать ответ, чтобы найти вопрос — или, если думать об этом по-другому. , используйте окончательный вариант для создания чертежа. Его метод, опубликованный в Scientific Reports, был протестирован на биочипах, которые упорядочивают клетки для различных применений, включая скрининг лекарств и тканевую инженерию. Мало того, что исследование вывело дизайн этих биочипов, называемых акустофлюидными устройствами, на новый уровень, подход команды физически информированное машинное обучение может быть использован для разработки других биомедицинских устройств и оптимизации областей инженерии, где форма и функция тесно связаны. , что дает дизайнерам возможность работать в обратном направлении от решения. Это сэкономит исследователям время на разработку и даже поможет им производить биочипы, о которых раньше никто не мог и мечтать.
Создание волн
Биочипы, разработанные Рэймондом и его коллегами, представляют собой миниатюрные лаборатории, встроенные в кремний или стекло. Те, что предназначены для культивирования органов или тканей, содержат большую центральную полость, где клетки располагаются в определенном порядке, чтобы способствовать правильному росту. Но живые клетки нежны, и перемещать их сложно. Методы манипулирования, заимствованные из исследований неживых частиц, такие как использование тепла, магнетизма или электростатических сил, часто наносят вред клеткам.
«Акустика — это один из немногих способов сделать это, не рискуя повредить биологические материалы», — говорит Рэймонд.
Исследователи используют ультразвуковой преобразователь, чтобы превратить полость в микроскопический волновой бассейн. Вибрации различных частот концентрируют клетки в областях с высоким давлением и уносят их в области с низким давлением. Форма границы протравленной полости определяет характер полей звуковых волн высокого и низкого давления и, в конечном счете, расположение ячеек.
Однако не очевидно, какое поле давления будет создавать граничная форма полости. Чтобы выяснить это, ученые могли запустить эти традиционные прямые симуляции — переходя от вопроса к ответу — и создать различные полости, чтобы посмотреть, какое поле давления они создают. Но по мере усложнения конфигурации — искомой ячейки и, следовательно, поля давления — задача усложняется. И прямое моделирование не может идти в обратном направлении. «Нет уравнения, которое начинается с поля давления звуковой волны и говорит нам, какой должна быть форма полости», — говорит Рэймонд.
Он сравнивает это с выпечкой торта. Если бы кто-то изготовил самый вкусный в мире шоколадный торт, а затем сказал: «Вот торт, а теперь скажите мне, как его приготовить», — как бы он это сделал? Вот тут-то и появляется Рэймонд и его метод машинного обучения, основанный на физике. «Мы научились переходить от испеченного пирога к рецепту, — говорит он.
Переработка данных
Этот метод был разработан во время второго года обучения Рэймонда в докторантуре. учится в Массачусетском технологическом институте. Далеко от своего дома в Австралии Рэймонд разыскал инженера-биомедика Дэвида Коллинза, в то время исследователя с докторской степенью, который, как и Рэймонд, учился в Университете Монаша в Клейтоне, штат Виктория. Они начали тусоваться, встречаться за пивом и обсуждать свои исследования. Раймонд, специализирующийся на численном моделировании, изучал взаимодействие твердых тел и жидкостей. Коллинз работал над докторской диссертацией по микрофлюидным устройствам, исследуя, как формы границ полости биочипа могут создавать сложные поля давления звуковых волн. Он сказал Рэймонду, что не может найти способ оптимизировать исследование. Рэймонд показал Коллинзу свою идею объединения симуляции с машинным обучением.
«Я был потрясен некоторыми работами по машинному обучению, которые показал мне Сэм, где, при правильном применении, они могут воспроизвести физику реального мира с минимальными вычислительными затратами», — говорит Коллинз, который сейчас преподает в Биомедицинском университете. Инженерный факультет Мельбурнского университета, Австралия.
Они согласились стать партнером. Раймонд использовал MATLAB® для моделирования, основанного на предыдущем исследовании Коллинза и его сотрудников из Сингапурского университета технологий и дизайна, для создания десятков тысяч потенциальных форм границ полости и результирующего звукового волнового поля. Он также использовал MATLAB для создания нейронной сети глубокого обучения, которая будет учиться на синтетических данных моделирования. По его словам, возможность писать все на одном языке на одной платформе, включая базовый рабочий процесс, который связывал их вместе, без необходимости переключаться между разными программами, позволила ему сосредоточиться на проблеме, не отвлекаясь на проблемы совместимости.
Как только система была построена, большинство сгенерированных симуляций были «просто случайными результатами», говорит Рэймонд, и в нормальных обстоятельствах были бы отброшены. Но нейронная сеть глубокого обучения использовала их, чтобы статистически выяснить, каковы наилучшие возможные отношения между формами границ полости и полями звуковых волн, даже если никакое уравнение не могло связать их. «Хорошая или страшная вещь в глубоком обучении заключается в том, что оно не заботится о законах физики. Он найдет отношения, даже если придется создавать их из воздуха», — говорит он.
Возвращаясь к вопросу
Рэймонд говорит, что помнит ту ночь, когда впервые запустил систему. Он был один в своем кабинете в Массачусетском технологическом институте. Он передал алгоритму глубокого обучения форму поля звуковой волны, а затем спросил, как должна выглядеть граница полости. Пришел ответ, и затем, в качестве проверки работоспособности, Рэймонд поместил результат обратно в симулятор, где он был запущен вперед, чтобы увидеть, действительно ли предсказанная форма границы создаст желаемое поле давления звуковой волны. К его удивлению, результат симулятора показал правильный ответ.
Рэймонд шутит: «Я был почти уверен, что это неправильно». Он запустил его снова и получил тот же ответ. Чтобы убедиться, что это не какая-то странная случайность, Рэймонд и его команда создали множество различных конструкций, которые они построили и протестировали в лаборатории. Он скормил ИИ эти другие поля звуковых волн и получил больше правильных ответов.
Но их успех был одновременно и благословением, и проклятием, говорит Рэймонд, потому что в итоге у них появилось много новых вопросов. Теперь исследователи изучают лежащий в основе рабочий процесс, чтобы понять, почему это доказательство концепции сработало так хорошо. В конце концов, они попытаются создать более сложные формы полей звуковых волн и углубятся в эту новую область машинного обучения, основанного на физике.
«Я в восторге от того, чего нам удалось достичь, поскольку это первая демонстрация того, что мы можем использовать машинное обучение для настройки геометрии устройства для определения акустического поля», — говорит Коллинз. «Мы также считаем, что этот уникальный подход на стыке физики и дизайна имеет уникальные применения в тканевой инженерии, биомедицинских устройствах и оптимизированном дизайне в целом».
Первоначально опубликовано на mathworks.com
