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。调整变量，例如，在例如，飓风会产生不同的结果，使研究人员能够看到多种可能的情况。
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。
“你可以问一个问题并得到答案，”雷蒙德说，“但知道答案并不总是告诉你问题是什么。”
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。
直到现在，的确如此。当他是一个博士生在麻省理工学院(MIT),雷蒙德和他的同事们结合计算机仿真数据和深度学习神经网络单独做技术都无法做的事情:找一个问题或使用一个答案,想另一种方法,使用最后一个设计来创建一个蓝图。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。
兴风作浪
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:“声学是为数不多的可以在不损害生物材料的情况下做到这一点的方法之一。”
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。
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，现在告诉我怎么做吧，”他说，你会怎么做？这就是雷蒙德和他的物理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。
“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MATLAB®创建模拟，基于先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。
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
雷蒙德说他还记得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。他向深度学习算法输入一个声波场形状，然后问它空腔边界应该是什么样子。答案出来了，为了检验结果是否正确，雷蒙德把结果放回了模拟器，在模拟器上运行，看看预测的边界形状是否真的会产生想要的声波压力场。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:“我很确定这是错误的。”他又运行了一次，得到了同样的答案。为了确保这不是某种奇怪的意外，雷蒙德和他的团队创造了许多不同的设计，他们已经在实验室里完成并测试了。他给人工智能输入其他声波场，得到了更多的正确答案。
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。
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：对成型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：施加声波时，绿色荧光1μm粒子在通道内的预测位置对齐。图片来源：Sam Raymond。
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：
- 这个机器人通过读心术来学习-博客
- 利用图像处理实现细胞神经科学实验的自动控制-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
