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,逆向设计它的形状
计算机模拟是研究和设计中无价的工具。这些数学模型被用来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,在飓风的情况下,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起作用。程序从一个时间点开始,并使用物理定律和某些用户定义的参数结束到另一个时间点。模拟一遍又一遍地运行,随着参数的不断细化,每次的结果都在逐步改变。由于这些变量在每次运行前都要修改,因此对同一个问题,它们会产生成千上万个稍有不同的答案。但是,对于许多类型的问题,它在相反的方向上是行不通的。
“你可以问一个问题,然后得到一个答案,”雷蒙德说。“但知道一个答案并不总是能告诉你问题是什么。”
直到现在,都是这样。当雷蒙德在麻省理工学院攻读博士学位时,他和他的同事们将计算机模拟数据与深度学习神经网络相结合,完成了两种技术都无法单独完成的任务:使用答案来寻找问题——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在生物芯片上进行了测试,这些芯片将细胞进行了多种应用,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体器件的生物芯片的设计推向了新的水平,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器件,并优化外形和功能密切相关的工程领域,使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。那些被设计用来培养器官或组织的细胞包含一个大的中央腔,在那里细胞以特定的形式排列,以促进适当的生长。但活细胞是脆弱的,移动它们是棘手的。从非生命粒子的研究中借用的操作技术,如使用热、磁力或静电力,通常会伤害细胞。
雷蒙说:“在不损害生物材料的情况下,声学是为数不多的方法之一。”
研究人员使用超声波换能器将腔体变成一个微观波池。来自一定频率的振动将细胞集中在高压区,并将它们扫到低压区。蚀刻腔的边界形状决定了高压和低压声波场的模式,并最终决定了单元的排列。
“正向模拟不能反向。没有一个从声波压力场出发的方程能告诉我们空腔应该是什么形状。”
山姆·雷蒙德博士,斯坦福大学博士后学者
然而,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,科学家们可以运行这些传统的正向模拟——从一个问题到另一个问题——并创建不同的空腔,看看它们产生了什么压力场。但是,随着结构的复杂性——期望的电池和压力场的复杂性——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空腔应该是什么形状。
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,“这是蛋糕,现在告诉我怎么做,”他说,他会怎么做?这就是雷蒙德和他的基于物理学的机器学习方法的用武之地。他说:“我们学会了如何从烘焙蛋糕到制作食谱。”
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发明的。在远离澳大利亚的家很远的地方,雷蒙德找到了一位生物医学工程师大卫•柯林斯然后是一位博士后研究员,和雷蒙德一样,曾在维多利亚克莱顿的莫纳什大学学习。两人开始一起出去玩,一起喝啤酒,讨论他们的研究。雷蒙德的专业是数值模拟,他研究的是固体和液体的相互作用。Collins的博士后研究方向是微流体器件,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。
“我被山姆向我展示的一些机器学习工作所震撼,如果应用得当,它可以用最小的计算成本复制现实世界的物理,”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,或者说可怕之处在于,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。”
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Collins和新加坡科技与设计大学的合作者们的研究成果,产生了数以万计的潜在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相同的语言编写所有内容,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。
雷蒙德说,一旦系统建成,大多数生成的模拟“只是随机结果”,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上找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。“深度学习的好处,或者说可怕之处在于,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。”
回到问题上来
雷蒙德说他还记得第一次运行系统的那个晚上。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。答案出来了,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。”他又做了一次,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。他给人工智能输入这些其他的声波场,得到了更多的正确答案。
但雷蒙德说,他们的成功是福也是祸,因为他们最终产生了许多新问题。研究人员现在正在研究底层工作流,以评估为什么这种概念证明工作得如此好。最终,他们将尝试创建更复杂的声波场形状,并深入这个基于物理的机器学习的新领域。
Collins说:“我对我们能够完成的一切感到兴奋,这是第一次展示我们可以使用机器学习来调整设备的几何形状来定义一个声场。”“我们还认为,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独特的应用。”
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,你可以透过封面阅读一本书——博客
- 这个机器人通过读心术来学习——博客
- 用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引力波技术文章