计算机模拟是研究和设计的宝贵工具。这些数学模型用于预测物理系统的行为，可以预测飓风的路径，揭示交通网络的低效，复制一个星系的诞生，等等。调整变量——例如飓风中的风速或海洋温度——会产生不同的结果，使研究人员能够看到多种潜在的情况。
但一些预测结果的模拟的优势也是它们的弱点，说萨姆博士雷蒙德他是斯坦福大学的博士后。许多类型的模拟只能在一个方向上工作。程序在某个时间点开始，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，随着参数的不断优化，每次结果都在不断变化。由于这些变量在每次运行前都有所改变，因此它们对同一个问题产生了成千上万个略有不同的答案。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，然后得到一个答案，”Raymond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，形状通道(白色)内的一微米颗粒(绿色)。图片来源:山姆·雷蒙德。
到目前为止，就是这样。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。他的技术发表于科学报告这项研究是在生物芯片上进行的，生物芯片可以安排细胞用于多种用途，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体设备的生物芯片的设计推向了一个新的水平，该团队的“基于物理的机器学习”方法还可以用于设计其他生物医学设备，优化形状和功能密切相关的工程领域，给予设计人员从解决方案逆向工作的能力。这将节省研究人员的开发时间，甚至可以帮助他们生产出以前从未想象过的生物芯片。
波澜
雷蒙德和他的同事开发的生物芯片是建在硅或玻璃上的微型实验室。那些被设计用来培养器官或组织的细胞含有一个大的中央腔，在那里细胞以特定的形式排列以促进正常生长。但是活细胞是脆弱的，移动它们是很棘手的。从对非生物粒子的研究中借来的操作技术，例如使用热、磁力或静电力，往往会伤害细胞。
雷蒙德说:“声学是少数几种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的波池。一系列频率的振动将细胞集中在高压区域，并将它们扫到低压区域。蚀刻腔的边界形状决定了高、低压声波场的格局，并最终决定了细胞的排列。
“正向模拟无法反向进行。没有一个从声波压力场开始的方程可以告诉我们腔体的形状。”
山姆·雷蒙德博士，斯坦福大学博士后
用神经网络设计的单元定位装置训练仿真数据。图片来源:山姆·雷蒙德。
然而，一个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，科学家们可以运行这些传统的正向模拟——从问题到答案——并创造不同的空腔，看看它们创造了什么样的压力场。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。正向模拟无法反向进行。雷蒙德说，没有一个从声波压力场开始的方程可以告诉我们腔体的形状。
他把这比作烤蛋糕。如果有人做出了世界上最美味的巧克力蛋糕，然后说:“这就是这块蛋糕，现在告诉我怎么做吧。”他会怎么做呢?这就是雷蒙德和他基于物理的机器学习方法发挥作用的地方。“我们学会了如何从烤蛋糕到制作食谱，”他说。
回收数据
这种方法是雷蒙德在麻省理工学院攻读博士学位的第二年发明的。在离家很远的澳大利亚，雷蒙德找到了一位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(Monash University)学习。两人开始出去玩，一起喝啤酒，讨论他们的研究。Raymond的背景是数值模拟，他研究的是固体和液体的相互作用。柯林斯当时正在从事微流控装置的博士后研究，研究生物芯片腔体边界形状如何产生复杂的声波压力场。他告诉雷蒙德他在想办法优化研究。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。
“我被山姆向我展示的一些机器学习工作震撼了，如果应用得当，它可以以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。
“关于深度学习的好处或坏处是，它并不关心物理定律。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
他们同意合作。雷蒙德使用MATLAB®创造模拟，基于先前的研究来自柯林斯和新加坡科技设计大学的合作者，以产生成千上万的潜在腔边界形状及其产生的声波场。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，包括将两者联系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来确定腔体形状和产生的声波场之间的关系。图片来源:山姆·雷蒙德。
Raymond说，一旦系统建成，产生的大多数模拟都是“随机的结果”，在正常情况下会被排除在外。但是深度学习神经网络用它们来统计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。“关于深度学习的好处或坏处是，它并不关心物理定律。它会找到关系，即使必须凭空创造关系。”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一个声波场的形状，然后问它腔的边界应该是什么样的。答案出来了，然后雷蒙德把结果放回模拟器，在模拟器上运行，看看预测的边界形状是否真的会产生预期的声波压力场。令他惊讶的是，模拟器的结果显示出了正确的答案。
“这种物理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。为了确定这不是什么奇怪的意外，雷蒙德和他的团队创造了许多不同的设计，他们已经建立并在实验室测试。他将这些声波场输入人工智能，得到了更多正确的答案。
但是他们的成功是福也是祸，雷蒙德说，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底层的工作流程，以评估为什么这个概念的证明工作得这么好。最终，他们将尝试创造更复杂的声波场形状，并进一步深入这个基于物理的机器学习新领域。
“我对我们能够完成的事情感到很兴奋，这是我们可以使用机器学习调整设备几何形状来定义声场的第一次演示，”Collins说。“我们还认为，这种在物理和设计的交叉点上的独特方法，在组织工程、生物医学设备和一般优化设计方面有独特的应用。”
左:模拟的形状的腔显示压力最小的位置将形成时，声波传播从左到右。右图:当波被应用时，1μm的绿色荧光粒子在通道内的预测位置排列。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MIT项目的文章:
- 新算法改进了机器人感知——专题报道
- 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射线，你可以从封面看一本书——博客
- 这个机器人通过读心来学习——博客
- 图像处理的细胞神经科学实验自动控制技术文章
- 通过分析激光干涉仪数据，确认第一次探测引力波技术文章
