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。
但是斯坦福大学的博士后学者Sam Raymond博士说，一些模拟预测结果的优势也是它们的弱点。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，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。”
当声波穿过该区域的表面时，形状通道内的一微米颗粒(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Biochips上进行测试，该生物芯片安排各种应用，包括药物筛选和组织工程。Not only did the research push the design of these biochips, called acoustofluidic devices, to new levels, the team’s “physics-informed machine learning” approach could be used to design other biomedical devices and optimize areas of engineering where form and function are closely related, giving designers the ability to work backward from the solution. That would save researchers development time and even help them produce biochips that have never been imagined before.
制作波浪
雷蒙德和他的同事开发的生物芯片是用硅或玻璃制成的微型实验室。那些为培养器官或组织而设计的细胞含有一个大的中心腔，在那里细胞以特定的形式排列，以促进正常生长。但是活细胞很脆弱，移动它们很棘手。从对无生命粒子的研究中借鉴的操作技术，如利用热、磁力或静电力，往往会伤害细胞。
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来告诉我们腔的形状应该是什么。”
山姆·雷蒙德博士，斯坦福大学博士后学者
用模拟数据训练的神经网络设计细胞定位装置。图片来源:山姆·雷蒙德。
但是，这并不明显，腔的边界形状会产生什么样的压力场。要了解出来，科学家可以运行这些传统的向前模拟 - 从问题开始回答 - 并创造不同的腔，以查看他们创造的压力字段。但是作为所需细胞的配置的复杂性，因此压力场增加，任务变得更加困难。而且，前进模拟无法反向。Raymond说，没有从声波压力场开始的等式开始，告诉我们腔的形状应该是什么。
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•柯林斯和雷蒙德一样，他也曾在维多利亚克莱顿的莫纳什大学学习。两个人开始一起出去玩，一起喝啤酒，讨论他们的研究。雷蒙德的背景是数值模拟，他研究的是固体和液体的相互作用。柯林斯在做博士后研究，研究微流体设备，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。
“山姆向我展示的一些机器学习工作令我震惊，如果应用得当，它可以用最少的计算费用复制真实世界的物理，”柯林斯说，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，它不关心物理定律。它会找到关系，即使必须凭空创造。”
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，基于先前的研究来自新加坡技术和设计大学的柯林斯和合作者，产生数万个潜在的腔边界形状及其所产生的声波场。他还使用MATLAB创建从模拟的合成数据中学习的深度学习神经网络。能够在同一平台上以相同的语言编写一切，包括将两者绑在一起的底层工作流程，而无需在不同的程序之间切换，使他能够关注问题而不会被兼容性问题分散注意力。
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。图片来源:山姆·雷蒙德。
一旦系统建立起来，大多数模拟结果都是“随机的结果”，雷蒙德说，在正常情况下会被丢弃。但深度学习神经网络利用它们从统计学上找出空腔边界形状和声波场之间的最佳关系——即使没有方程能够将两者联系起来。“深度学习的好处或可怕之处在于，它不关心物理定律。它会找到关系，即使必须凭空创造。”他说。
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。
“这种结合了物理学和设计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的讲师
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，他们的成功既是祝福和诅咒，因为他们最终得到了许多新问题。研究人员现在正在寻找潜在的工作流程来评估为什么这个概念证明很好地工作。最终，他们会尝试创建更复杂的声波字段形状，并推动进入这个物理知情机器学习的新领域。
柯林斯说:“我对我们能够完成的事情感到很兴奋，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形状来定义声场。”“我们还认为，这种将物理学和设计结合起来的独特方法在组织工程、生物医学设备和优化设计方面具有独特的应用。”
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。
要了解更多关于这个项目的信息，阅读技术文章.
更多关于麻省理工学院项目的文章：
- 新算法改善了机器人感知- 精选故事
- 麻省理工学院的机器人可以在半天内3D打印一座建筑——博客
- 《星际迷航》为固态的飞机——博客
- 有了T-Rays，你可以通过封面来阅读一本书——博客
- 这个机器人通过读心术来学习——博客
- 通过图像处理自动控制细胞神经科学实验- 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
