当你知道答案时,深度学习可以确定问题

机器学习从Biochip的功能开始,并向后向后工作以设计其形式


计算机仿真在研究和设计中是宝贵的工具。用于预测物理系统的行为,这些数学模型可以预测飓风的路径,揭示了运输网络的低效率,复制了星系的诞生等等。调整变量 - 例如,飓风的风速或海洋温度 - 产生不同的结果,使研究人员能够看到多种潜在的场景。

但是,一些模拟预测结果的实力也是他们的弱点,说萨姆博士雷蒙德他是斯坦福大学的博士后学者。许多类型的模拟只能在一个方向上工作。程序从一个时间点开始,然后使用物理定律和某些用户定义的参数到另一个时间点结束。模拟一次又一次地运行,随着参数的不断完善,每次的结果都在逐渐变化。由于这些变量在每次运行前都会被修改,所以它们会对同一个问题产生成千上万个略微不同的答案。但是,对于许多类型的问题来说,相反的方向是行不通的。

“你可以问一个问题并得到一个答案,”雷蒙德说。“但知道一个答案并不总是告诉你这个问题是什么。”

当声波穿过该区域的表面时,成形通道(白色)内的一微米粒子(绿色)。图像信用:萨姆雷蒙德。

到目前为止,即。当他是博士时。马萨诸塞州理工学院(麻省理工学院),雷蒙德和他的同事们将计算机模拟数据与深度学习神经网络合并,既不能做什么技术可以单独做:使用答案找到一个问题 - 或者以换句话说,使用最终设计来创建蓝图。他的技术,发表在科学报告在生物芯片上进行了测试,这些芯片可以安排细胞用于各种用途,包括药物筛选和组织工程。这项研究不仅将这些被称为声流器件的生物芯片的设计推向了新的水平,该团队的“物理信息机器学习”方法还可以用于设计其他生物医学器件,并优化形状和功能密切相关的工程领域,让设计师能够从解决方案逆向工作。这将节省研究人员的开发时间,甚至有助于他们生产出以前从未想象过的生物芯片。

波澜

Raymond和他的同事发展的生物芯片是硅或玻璃中的小型化实验室。设计用于培养器官或组织的那些含有大的中央腔,其中细胞以特定的形成排列,以促进适当的生长。但活细胞很细腻,移动它们是棘手的。从非生物粒子的研究借来的操纵技术,例如使用热量,磁力或静电力,通常会损害细胞。

“声学是您可以在不冒着生物材料损坏的情况下做到这一点的几种方式之一,”Raymond说。

研究人员使用超声波换能器将空腔转换为微观波池。从一系列频率集中在高压区域中的细胞的振动并在低压区域中扫除它们。蚀刻腔的边界形状决定了高压声波场的图案,并最终是细胞的布置。

“向前模拟无法反向。没有从声波压力场开始的等式,告诉我们腔的形状应该是什么。“

斯坦福大学的博士后学者萨姆雷蒙德博士

通过用仿真数据训练的神经网络设计的单元定位装置。图像信用:萨姆雷蒙德。

然而,一个空腔的边界形状会产生什么样的压力场,这并不明显。为了找到答案,科学家们可以进行这些传统的正向模拟——从问题到答案——并创建不同的空腔,看看它们会产生什么样的压力场。但是,随着所需电池和压力场的配置复杂性的增加,这项任务就变得更加困难。正向模拟不能反向进行。雷蒙德说,没有一个方程可以从声波压力场开始,告诉我们腔的形状应该是什么。

他比较烤蛋糕。如果有人生产世界上最美味的巧克力蛋糕然后说:“这是蛋糕,现在告诉我如何做到,”他说,一个人会怎么样?这是雷蒙德和他的物理知情机器学习方法进来的地方。“我们学会了如何从烤的蛋糕到食谱中,”他说。

再循环数据

该方法在Raymond Ph.D的第二年来到了一起。麻省理工学院的研究。雷蒙德在澳大利亚的家中远离了很长的路,找到了生物医学工程师大卫柯林斯,然后是一名像Raymond喜欢Raymond的博士后研究员在维多利亚州克莱顿的蒙纳士大学学习。这两个人开始闲逛,啤酒会议并讨论他们的研究。雷蒙德,其背景是数值模拟,正在研究固体和液体的相互作用。柯林斯正在对微流体装置进行博士后工作,研究生物春腔边界形状如何产生复杂的声波压力场。他告诉Raymond,他正在努力解决优化研究的方法。Raymond展示了Collins他的想法,将模拟与机器学习相结合。

“我被一些机器学习工作吹走了Sam已经向我展示了我,如果适当应用,它可以用最少的计算费用复制真实世界物理,”柯林斯说,谁是生物医学的讲师澳大利亚墨尔本大学的工程系。

“很好的事情,或者是可怕的事情,关于深度学习是它不关心物理学。它会找到这种关系,即使它必须从薄空气中创建它们。“

斯坦福大学的博士后学者萨姆雷蒙德博士

他们同意合作伙伴。雷蒙德使用了matlab.®创建模拟,基于以前的研究来自柯林斯和新加坡科技与设计大学的合作者们的研究,以产生数以万计的潜在空腔边界形状和由此产生的声波场。他还使用MATLAB创建了深度学习神经网络,可以从模拟的合成数据中学习。他说,能够在同一个平台上用同一种语言编写所有内容,包括将两者结合在一起的底层工作流,而不必在不同的程序之间切换,这使他能够专注于问题,而不会被兼容性问题分心。

深度学习神经网络使用模拟结果来确定腔形状与所得声波场之间的关系。图像信用:萨姆雷蒙德。

一旦系统建成,大多数生成的模拟是“只是随机结果”,雷蒙德说,在正常情况下会被抛出。但是,深度学习神经网络使用它们来弄清楚,统计上,腔边界形状和声波场之间的最佳关系是什么 - 即使没有等式可以涉及两者。“很好的事情,或者是可怕的事情,关于深度学习是它不关心物理学。它会找到这种关系,即使它必须创造出薄的空气,“他说。

回到问题

Raymond说他记得他第一次跑到系统的夜晚。他独自一人在他的办公室的麻省理工学院。他喂养深度学习算法声波场形状,然后问腔边界应该是什么样的。答案来到了作为理智检查,Raymond将结果放回模拟器,在那里向前运行,以查看预测的边界形状是否实际上是创建所需的声波压力场。令他惊讶的是,模拟器的结果显示了正确的答案。

“物理和设计交叉口的这种独特的方法在组织工程,生物医学设备和优化的设计中具有独特的应用。”

澳大利亚墨尔本大学生物医学工程系讲师David Collins说

雷蒙德笑话,“我很确定这是错的。”他又来了,得到了相同的答案。为了确保这不是一些奇怪的侥幸,Raymond和他的团队创造了许多不同的设计,他们在实验室里建造和测试。他喂了一些这些声波字段并获得了更正确的答案。

但雷蒙德说,他们的成功既是祝福也是诅咒,因为他们最终产生了许多新的问题。研究人员现在正在研究潜在的工作流程,以评估为什么这种概念证明工作得如此之好。最终,他们将尝试创造更复杂的声波场形状,并进一步推进这个新的物理机器学习领域。

“我很兴奋我们能够实现什么,这是我们可以使用机器学习来调整设备几何来定义声场的第一个演示,”柯林斯说。“我们还认为物理和设计交叉口的这种独特的方法在组织工程,生物医学设备和通常优化设计中具有独特的应用。”

左:成形腔的模拟显示,当声波从左到右传播时,压力最小位置如何形成。右:当施加波时,绿色荧光1μm粒子在通道内的预测位置对齐。图像信用:萨姆雷蒙德。

面板的导航

Academia / AI.

人工智能揭开了古代文物的秘密

利用深度学习和图像处理来恢复和保存艺术品

面板的导航

机器人/自主系统

信任机器人导航新空格

新算法提高了机器人感知的鲁棒性

面板的导航

绿色技术/控制系统

清除数百万吨CO2港口每年的排放量

用氢气燃料电池通电商用车辆