当你知道答案时,深度学习可以确定问题
机器学习始于一个生物芯片的功能和工作落后的设计形式
计算机模拟在研究和设计提供了无价的工具。用来预测物理系统的行为,这些数学模型可以预测飓风的轨迹,揭示了低效的运输网络,复制一个星系的诞生,以及更多。调整变量的例子中,风速或海洋温度hurricanes-produces不同的结果的情况下,使研究人员能够看到多个潜在的场景。
但是一些模拟预测结果的强度也是自己的弱点,山姆雷蒙德博士说,斯坦福大学博士后学者。许多类型的模拟只在一个方向工作。这个项目在一个时间点开始,使用物理定律和某些最终在另一个用户定义的参数。一遍又一遍,结果变化的模拟运行,逐渐的每个时间参数改进。他们生产thousands-even数万乃至数千稍微不同的回答同样的问题,因为这些变量是每次运行前修改。但是,对于许多类型的问题,它不走了相反的方向。
“你可以问一个问题,得到一个答案,”雷蒙德说。“但并不总是知道答案告诉你问题是什么。”
直到现在,。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测试,安排细胞对于各种各样的应用程序,包括药物筛选和组织工程。这项研究不仅推动这些生物芯片的设计,称为acoustofluidic设备,到一个新的水平,团队的“physics-informed机器学习”的方法可以用来设计其他生物医学设备和优化领域的工程形式和功能密切相关,给设计师的工作能力落后的解决方案。这将节省研究人员开发时间和甚至帮助他们生产从未想象过的生物芯片。
波澜
雷蒙德和他的同事们开发了小型的生物芯片实验室建在硅或玻璃。那些专为培养器官或组织包含一个大型中央腔,细胞排列在一个特定的形成,鼓励适当的增长。但活细胞是精致和移动周围是很棘手的。操纵技术借鉴研究非生物粒子,比如使用热量,磁性,或者静电力,经常伤害细胞。
“声学是为数不多的几个方法,你可以做到这一点没有冒着损害生物材料,”雷蒙德说。
研究人员使用一个超声换能器将腔变成微观波池。振动从一个细胞集中在高压领域和扫描的频率范围在低压领域。蚀刻腔的边界形状决定了高的模式——和低压声波领域,最终细胞的排列。
“正向模拟不能反向。没有方程从声波压力场回告诉我们腔的形状应该是。”
萨姆博士雷蒙德,斯坦福大学博士后学者
并不明显,什么样的压力场腔的边界形状会产生。为了找到答案,科学家们可以从问题回答——向前运行这些传统simulations-going创建不同的腔压力场他们创造什么。但随着复杂性的配置所需的细胞,因此压力field-increases,任务变得更加困难。正向模拟不能反向。没有方程从声波压力场回告诉我们腔的形状应该是,雷蒙德说。
他把它比作烤一个蛋糕。如果有人产生世界上最美味的巧克力蛋糕,然后说:“这是蛋糕,现在告诉我如何让它,”他说,将一个怎么做?这是他physics-informed雷蒙德和机器学习方法。“我们学会了如何去烤蛋糕的配方,”他说。
回收数据
方法在一起在第二年雷蒙德的麻省理工学院的博士学位研究。在澳大利亚离家很长一段路,雷蒙德生物医学工程师大卫•柯林斯博士后研究员,谁像雷蒙德,研究了在克莱顿的莫纳什大学,维多利亚。这两个开始闲逛,会议啤酒和讨论他们的研究。雷蒙德,他的背景是在数值模拟,是研究固体和液体之间的相互作用。柯林斯在做博士后,工作在微流控设备,研究生物芯片腔边界形状如何产生复杂的声波压力字段。他对雷蒙德说,他是在优化研究的一种方法。雷蒙德·柯林斯显示他将模拟与机器学习相结合的观点。
“我被风吹走了一些机器学习山姆显示我的工作,在那里,如果运用得当,它可以复制真实的物理与计算花费的最低,”柯林斯说,他现在是一位讲师大学的生物医学工程部门的墨尔本,澳大利亚。
”的好处,或可怕的事情,关于深入学习是它不在乎物理定律。它将发现的关系,即使它必须创建它们从稀薄的空气中。”
萨姆博士雷蒙德,斯坦福大学博士后学者
他们同意合作伙伴。雷蒙德使用MATLAB®创建模拟,基于先前的研究从新加坡理工大学柯林斯和合作者和设计,生成成千上万的潜在腔边界形状及其产生的声波场。他还利用MATLAB建立的深度学习神经网络学习的模拟合成数据。能够编写所有在同一语言在同一平台,包括底层的工作流程,把两个在一起,而无需在不同程序之间切换,使他关注的问题没有分心的兼容性问题,他说。
系统建成后,大多数的模拟生成是“只是随机的结果,”雷蒙德说,在正常情况下会被赶下台。但深度学习神经网络用于图,据统计,最好的关系是什么之间的空腔边界形状和声波fields-even如果没有可以联系两个方程。”的好处,或可怕的事情,关于深入学习是它不在乎物理定律。它将发现的关系,即使它必须创建它们从稀薄的空气中,”他说。
工作问题
雷蒙德说,他记得他第一次运行该系统。麻省理工学院的他独自一人在办公室。他深入学习算法声波场的形状,然后问它腔边界应该是什么样子。答案,然后检查,雷蒙德将结果回模拟器,它向前跑,看看边界形状预测事实上会创建所需的声波压力场。令他吃惊的是,模拟的结果显示正确答案。
“这个独特的方法在物理学的交叉和设计具有独特的应用于组织工程,生物医学设备,和优化设计一般。”
大卫·柯林斯讲师墨尔本大学生物医学工程系,澳大利亚
雷蒙德的笑话,“我很确定它是错误的。“他跑一遍,得到了同样的回答。可以肯定的是,这不是某些奇怪的侥幸,雷蒙德和他的团队创造了许多不同的设计,建造和测试在实验室里,他喂AI这些声波字段和得到更多的正确的答案。
但是他们的成功是一个祝福和诅咒,雷蒙德说,因为他们最终与许多新的问题。研究人员现在看到底层的工作流来评估为什么这个概念验证工作。最终,他们会尝试创建更复杂的声波场形状和深入拓展的新领域physics-informed机器学习。
“我很兴奋我们能完成,这是第一个证明我们可以使用机器学习来调整设备几何定义一个声场,”柯林斯说。“我们也认为,这种独特的方法在物理学的交叉和设计独特的应用于组织工程,生物医学设备,和优化设计一般。”
更多地了解这个项目,读的技术文章。
更多关于麻省理工学院项目:
- 新算法提高了机器人的感知——专题报道
- 麻省理工学院的机器人可以半天3 d打印的建筑——博客
- 《星际迷航》为固态的飞机——博客
- T-Rays,你可以通过封面读一本书——博客
- 这个机器人学会通过阅读你的头脑——博客
- 自动控制与图像处理细胞神经科学实验技术文章
- 确认通过分析激光干涉引力波的首次检测数据技术文章