计算机模拟研究和设计的宝贵工具。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，揭示交通网络的效率低下，复制一个星系的诞生，以及更多。的调整变量，例如，风速或海洋温度在的情况下，飓风，产生不同的结果，使研究人员能够看到多个潜在的情景。
但一些模拟预测的结果的优点也是其弱点，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，得到一个答案，”雷蒙德说。“但我们知道的答案并不总是告诉你问题是什么。”
当声波穿过区域的表面的成形通道（白色）内一微米粒子（绿色）。图片来源：山姆雷蒙德。
到目前为止，即。当他还是个博士与深学习神经网络在美国麻省理工学院（MIT），雷蒙德和他的同事们的候选结合计算机模拟数据做这两种技术都可以单独完成：使用一个答案找问题，或者想用另一种方式使用最后的设计创造的蓝图。他的技术，出版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
雷蒙德和他的同事们开发的生物芯片的小型化内置到硅或玻璃实验室。那些设计用于培养的器官或组织中含有大量中心腔，其中细胞被布置在一个特定地层，以鼓励正常生长。但是，活细胞非常脆弱，走动他们是棘手的。操作技术从非生物颗粒，如用热，磁，或静电力研究借来的，往往损害细胞。
“声学是为数不多的方式，你可以做到这一点，而不用担心损坏生物材料之一，”雷蒙德说。
研究人员利用超声波换能器打开腔成微小波浪池。从一个频率范围的振动集中在高压区域的细胞和在低压区域扫他们离开。蚀刻腔使然的边界形状的高和低压力的声波场的图案和电池的最终布置。
“正演模拟无法扭转犹豫。有没有公式，从声波压力场的背也开始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
细胞定位装置通过与模拟数据训练神经网络设计的。图片来源：山姆雷蒙德。
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。
他把它比作烤蛋糕。如果有人生产出了世界上最美味的巧克力蛋糕，然后说，“这里的蛋糕，现在告诉我该怎么做，”他说，如何将一个做到这一点？这是雷蒙德和他的物理学知情的机器学习方法的用武之地，“我们学会了如何从烤蛋糕的配方去，”他说。
回收数据
该方法在雷蒙德的博士第二年走到了一起在麻省理工学院的研究。从他的家在澳大利亚的一个很长的路，雷蒙德找了生物医学工程师大卫·柯林斯，随后的博士后研究员，谁喜欢林峰，曾在克莱顿，维多利亚莫纳什大学学习。这两个开始挂出，满足啤酒和讨论他们的研究。雷蒙德，其背景是在数值模拟，正在研究固体和液体之间的相互作用。柯林斯在做的微流体装置他的博士后工作，研究如何生物芯片腔边界的形状可能会产生复杂的声波压力场。他告诉雷蒙，他用一种方式来优化研究挣扎。雷蒙德显示柯林斯他的想法仿真机器学习相结合。
“我被一些机器学习的工作，山姆给我看，其中，如果应用得当，它可以复制真实世界的物理与以最小的计算费用的交口称赞，”柯林斯说，现在谁是生物医学讲师工程部在澳大利亚墨尔本大学。
“好的事情，或者可怕的事情，关于深度学习的是，它并不关心物理定律。它会找到的关系，即使有创建它们凭空“。
山姆·雷蒙德博士，斯坦福大学博士后学者
他们商定的合作伙伴。雷蒙德使用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。
深学习神经网络中使用的模拟结果，以确定腔体的形状和所得到的声音波场之间的关系。图片来源：山姆雷蒙德。
一旦系统建成，产生的大部分模拟的是“只是随机的结果，”雷蒙德说，在正常情况下会被抛出。但深学习神经网络用它们来弄清楚，统计学，什么是最好的可能的关系是腔边界形状和声波之间的领域，即使没有公式可以涉及两个。“好的事情，或者可怕的事情，关于深度学习的是，它并不关心物理定律。它会找到的关系，即使有创建它们凭空的，”他说。
工作回到问题
雷蒙德说，他还记得他第一次跑了系统的夜晚。他独自一人在他在麻省理工学院的办公室。他喂养的深度学习算法的声波场形状，然后问它的腔体的边界应该是什么样子。答案来了，然后作为一个全面的检查，雷蒙德把结果返回到模拟器，它被向前跑，看是否边界形状预测实际上会创建一个被期望的声波压力场。令他惊讶的是，从仿真结果表明，正确的答案。
“在物理和设计的交点这种独特的方法具有在组织工程生物医学装置的独特应用，以及优化的设计一般”。
澳大利亚墨尔本大学生物医学工程系讲师David Collins说
雷蒙德的笑话，“我敢肯定这是错的。”他又跑了，并得到了同样的答案。可以肯定，这是不是有些奇怪侥幸，雷蒙德和他的团队创造了许多不同的设计，他们已经建成并在实验室进行测试。他喂AI这些声波领域，得到了更多的正确的答案。
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。
“我很高兴我们能够做到，这是首次证明，我们可以使用机器学习来调整设备的几何形状来定义的声场，”科林斯说。“我们也认为，在物理学和设计的交叉这种独特的方法在组织工程生物医学设备的独特应用，以及优化的设计一般。”
左：成形腔的模拟表明当从声波传播从左到右的压力最小值位置将是如何形成的。右：在施加波时在通道内的预测位置的绿色荧光1μm的颗粒对齐。图片来源：山姆雷蒙德。
要了解更多关于这个项目，阅读技术文章。
麻省理工学院的项目更多文章：
- 改进机器人感知的新算法——专题报道
- 麻省理工学院的机器人可以3D打印在半建筑物中的天- 博客
- 星际迷航灵感的固态飞机- 博客
- 随着T-光芒，你可以读一本书通过封面- 博客
