计算机模拟是研究和设计中非常宝贵的工具。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，揭示运输网络的低效性，复制星系的诞生等等。在飓风情况下，调整变量（例如风速或海洋温度）会产生不同的结果，使研究人员能够看到多种潜在情景。
但斯坦福大学博士后学者萨姆·雷蒙德博士说，一些模拟预测结果的优势也是他们的弱点。许多类型的模拟只在一个方向上工作。程序从一个时间点开始，并使用物理定律和某些用户定义的参数在另一个时间点结束。模拟一次又一次地运行，随着参数的细化，每次结果都会逐渐变化。对于同一个问题，它们会产生数千个甚至数万个稍有不同的答案，因为这些变量在每次运行之前都会改变。但是，对于许多类型的问题，它不会朝相反的方向工作。
“你可以问一个问题，然后得到答案，”雷蒙德说。“但知道答案并不总能告诉你问题是什么。”
当声波穿过该区域表面时，成型通道（白色）内的一个微米颗粒（绿色）。图片来源：山姆·雷蒙德。
到现在为止，就是这样。当他还是博士的时候。作为麻省理工学院（MIT）的候选者，雷蒙德和他的同事将计算机模拟数据与深度学习神经网络相结合，来完成这两种技术都无法单独完成的任务：用答案来发现问题，或者用另一种方式，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，该芯片可将细胞用于各种应用，包括药物筛选和组织工程。该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“以物理学为基础的机器学习”该方法可用于设计其他生物医学设备，并优化形状和功能密切相关的工程领域，使设计师能够从解决方案中逆向工作。这将节省研究人员的开发时间，甚至帮助他们生产出以前从未想象过的生物芯片。
兴风作浪
雷蒙德和他的同事开发的生物芯片是硅或玻璃制成的微型实验室。那些设计用于培养器官或组织的细胞有一个大的中央腔，在那里细胞以特定的形式排列，以促进适当的生长。但活细胞是脆弱的，移动它们很棘手。从对非生命粒子的研究中借用的操纵技术，如使用热力、磁力或静电，通常会伤害细胞。
雷蒙德说：“声学是在不损害生物材料的情况下做到这一点的少数方法之一。”。
研究人员使用超声波换能器将腔体变成一个微观波池。来自一系列频率的振动将细胞集中在高压区域，并在低压区域将其扫走。蚀刻腔的边界形状决定了高压和低压声场的模式，并最终决定了单元的排列。
“正向模拟不能反向进行。没有从声波压力场开始的方程可以告诉我们空腔的形状。”
山姆·雷蒙德博士，斯坦福大学博士后学者
用模拟数据训练神经网络设计细胞定位装置。图片来源：山姆·雷蒙德。
不过，空腔的边界形状会产生什么样的压力场并不明显。为了找到答案，科学家们可以从一个问题到另一个问题进行传统的正向模拟，并创建不同的腔体，以了解它们产生了什么样的压力场。但是，随着所需单元结构的复杂性以及压力场的复杂性的增加，这项任务变得更加困难。而且，正向模拟不能反向进行。雷蒙德说：“没有从声波压力场开始的方程可以告诉我们空腔的形状。”。
他把它比作烤蛋糕。如果有人制作了世界上最美味的巧克力蛋糕，然后说：“这是蛋糕，现在告诉我怎么做，”他说，人们会怎么做？这就是雷蒙德和他的物理知识机器学习方法的用武之地。“我们学会了如何从烤蛋糕到食谱，”他说。
回收数据
在雷蒙德博士的第二年，这种方法结合在一起。在麻省理工学院学习。雷蒙德从澳大利亚老家远道而来，寻找生物医学工程师大卫·柯林斯，后来，一位博士后研究员，像雷蒙德一样，在维多利亚州克莱顿的莫纳什大学学习。两人开始闲逛，一起喝啤酒，讨论他们的研究。雷蒙德的背景是数值模拟，他正在研究固体和液体的相互作用。柯林斯正在从事微流控设备的博士后工作，研究生物芯片腔边界形状如何产生复杂的声波压力场。他告诉雷蒙德，他正在努力寻找一种优化研究的方法。雷蒙德向柯林斯展示了他将模拟与机器学习相结合的想法。
“我被山姆所展示的一些机器学习工作吹走了，如果应用得当，它可以用最少的计算费用来复制真实世界的物理学，”Collins说，他现在是澳大利亚墨尔本大学生物医学工程系的讲师。
“深度学习的好处或可怕之处在于，它不在乎物理定律。它会找到关系，即使它必须凭空创造它们。”
山姆·雷蒙德博士，斯坦福大学博士后学者
他们同意合作。雷蒙德使用了MATLAB®创建模拟的步骤，基于前期研究来自新加坡技术与设计大学的科林斯和合作者，产生了数万个潜在的腔边界形状及其产生的声波场。他还用MATLAB创建了一个能从模拟的合成数据中学习的深度学习神经网络。他说，在同一平台上使用相同的语言，包括将两者联系在一起的底层工作流程，而不必在不同的程序之间切换，使他能够专注于问题，而不会因兼容性问题而分心。
深度学习神经网络利用模拟结果确定腔体形状与产生的声波场之间的关系。图片来源：山姆·雷蒙德。
雷蒙德说，一旦系统建成，生成的大多数模拟结果都是“随机结果”，在正常情况下会被丢弃。但是，深度学习神经网络使用它们从统计学上计算出腔体边界形状和声波场之间的最佳关系，即使没有方程可以将两者联系起来。他说：“深度学习的好处或可怕之处在于它不在乎物理定律。它会找到关系，即使它必须凭空创造它们。”。
回到问题上来
雷蒙德说他记得他第一次运行系统的那晚。他独自一人在麻省理工学院的办公室里。他给深度学习算法输入了一个声波场的形状，然后问它空腔边界应该是什么样子。答案出来了，然后雷蒙德将结果放回模拟器，在那里向前运行，看看预测的边界形状是否真的会产生所需的声波压力场。令他惊讶的是，模拟器的结果显示了正确的答案。
“这种物理学和设计交叉的独特方法在组织工程、生物医学设备和优化设计方面有着独特的应用。”
David Collins，澳大利亚墨尔本大学生物医学工程系讲师
雷蒙德开玩笑说，“我很确定这是错的。”他又运行了一遍，得到了同样的答案。为了确保这不是什么奇怪的侥幸，雷蒙德和他的团队创造了许多不同的设计，并在实验室中进行了构建和测试。他将这些其他声波场输入人工智能，得到了更多正确的答案。
但雷蒙德说，他们的成功是福也是祸，因为他们最终提出了许多新问题。研究人员现在正在研究基本的工作流程，以评估为什么这一概念验证如此有效。最终，他们将尝试创建更复杂的声场形状，并将这一物理信息的新领域推向更深d机器学习。
科林斯说：“我对我们能够完成的工作感到兴奋，这是第一次证明我们可以使用机器学习来调整设备的几何结构来定义声场。”。“我们还认为，这种物理学和设计交叉点的独特方法在组织工程、生物医学设备和优化设计方面有着独特的应用。”
左图：对成型空腔的模拟显示了当声波从左向右传播时，压力最小位置将如何形成。右图：应用波时，绿色荧光1μm粒子在通道内的预测位置对齐。图片来源：山姆·雷蒙德。
要了解有关此项目的更多信息，阅读技术文章.
更多关于麻省理工学院项目的文章：
- 这个机器人通过阅读你的大脑来学习-博客
- 细胞神经科学实验的图像处理自动控制-技术文章
- 通过分析激光干涉仪数据确认首次探测到引力波-技术文章
