当你知道答案时,深度学习可以确定问题
机器学习从生物芯片的功能开始,然后逆向设计它的形状
计算机模拟在研究和设计中是无价的工具。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,揭示运输网络的低效,复制星系的诞生等等。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。
但斯坦福大学(Stanford University)博士后学者山姆·雷蒙德(Sam Raymond)博士说,一些模拟在预测结果方面的优势也是它们的弱点。许多类型的模拟只在一个方向上工作。程序在一个时间点开始,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。模拟一遍又一遍地运行,随着参数的细化,每次的结果都会发生增量变化。对于同一个问题,它们会产生成千上万个稍有不同的答案,因为这些变量在每次运行前都会改变。但是,对于很多类型的问题,它在相反的方向上是行不通的。
“你可以提出一个问题并得到答案,”雷蒙德说。“但知道答案并不总是能告诉你问题是什么。”
直到现在,的确如此。在麻省理工学院(MIT)攻读博士学位时,雷蒙德和他的同事们将计算机模拟数据与深度学习神经网络结合起来,完成了两种技术都无法单独完成的任务:使用答案来找到问题——或者换一种说法,使用最终设计来创建蓝图。他的技术发表在科学报告这项研究是在生物芯片上进行的,这些芯片可以安排细胞进行各种应用,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控设备的生物芯片的设计推向了新的水平,而且该团队的“物理知情机器学习”方法可用于设计其他生物医学设备,并优化形式和功能密切相关的工程领域,使设计人员能够从解决方案向后推。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。
波澜
雷蒙德和他的同事开发的生物芯片是内置在硅或玻璃中的微型实验室。那些用来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。但活细胞很脆弱,移动它们很棘手。从非生命粒子的研究中借来的操作技术,如使用热、磁力或静电力,往往会伤害细胞。
“声学是为数不多的几种不损害生物材料的方法之一,”雷蒙德说。
研究人员使用超声波换能器将腔体变成微观波池。不同频率的振动将细胞集中在高压区域,并在低压区域将它们扫走。蚀刻腔的边界形状决定了高、低压声波场的模式,并最终决定了单元的排列。
“正向模拟不能反向。没有从声波压力场开始的方程可以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
然而,腔体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,科学家们可以运行这些传统的正向模拟——从问题到答案——并创建不同的空腔,看看它们产生了什么样的压力场。但是,随着配置的复杂性——期望的单元和压力场的复杂性——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,没有一个从声波压力场出发的方程能告诉我们腔体的形状。
他把这比作烤蛋糕。他说,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。他说:“我们学会了如何从烤蛋糕到制作食谱。”
回收数据
这个方法是雷蒙德在麻省理工学院攻读博士学位的第二年形成的。在远离澳大利亚的家中,雷蒙德找到了一位生物医学工程师大卫•柯林斯当时是一名博士后研究员,和雷蒙德一样,曾在维多利亚克莱顿的莫纳什大学学习。两人开始出去玩,一起喝啤酒,讨论他们的研究。雷蒙德的专业是数值模拟,他当时正在研究固体和液体的相互作用。Collins当时正在做微流控器件的博士后工作,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,他正在努力优化这项研究。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Sam向我展示的一些机器学习工作所震撼,如果应用得当,它可以以最小的计算成本复制现实世界的物理,”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,它不关心物理定律。它会找到关系,即使它必须无中生有地创造关系。”
山姆·雷蒙德博士,斯坦福大学博士后学者
他们同意合作。Raymond使用MATLAB®创建模拟,基于先前的研究柯林斯和新加坡科技与设计大学的合作者,生成了数万个潜在的腔体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,该网络将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散注意力。
雷蒙德说,一旦系统建立起来,大多数模拟结果都是“随机的”,在正常情况下会被抛弃。但是深度学习神经网络利用它们来统计出空腔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。“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,即使它必须凭空创造关系,”他说。
回到问题
雷蒙德说,他还记得他第一次运行这个系统的那个晚上。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形状,然后问它空腔边界应该是什么样子。答案来了,然后作为一个完整性检查,雷蒙德把结果放回模拟器,在那里,它向前运行,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具有独特的应用。”
David Collins是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。为了确保这不是某种奇怪的侥幸,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测试。他给人工智能输入了其他声波场,得到了更多正确答案。
但雷蒙德说,他们的成功既是福也是祸,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,并深入到这个基于物理学的机器学习的新领域。
柯林斯说:“我对我们能够完成的事情感到兴奋,这是我们第一次展示我们可以使用机器学习来调整设备几何形状来定义声场。”“我们还认为,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具有独特的应用。”
为了进一步了解这个项目,阅读技术文章.
更多关于MIT项目的文章:
- 新算法提高机器人感知能力-专题报道
- 麻省理工学院的机器人可以在半天内3D打印一栋建筑——博客
- 《星际迷航》——灵感固态飞机——博客
- 有了t射线,你可以透过封面阅读一本书——博客
- 这个机器人通过读心来学习——博客
- 用图像处理自动控制细胞神经科学实验-技术条款
- 通过分析激光干涉仪数据确认首次探测到引力波-技术条款