最近、arXivに投稿された論文「Geometry-free prediction of inertial lift forces in microfluidic devices using deep learning」において、Jesse Ward-Bond氏らは、慣性マイクロ流体デバイス（IMD）内の粒子揚力を予測するための新しい深層学習手法を提案した。
慣性マイクロ流体デバイスは、従来の粒子や細胞操作タスクに対して低コストで高スループットな代替技術を提供するが、それらのシミュレーションには、様々なチャネル形状における粒子の移動、すなわち粒子揚力を予測する必要がある。最近の研究では、機械学習モデルを用いることで数値シミュレーションを大幅に高速化できることが示されているが、それには矩形や三角形などのチャネル断面形状ごとに個別のモデルを訓練する必要があり、シミュレーションの負荷を訓練段階に移すだけだった。
本研究では、明示的な幾何学的パラメータを一切含まない新しいアプローチを開発した。新しいパラメータセットを用いてニューラルネットワークモデルを訓練し、訓練セット内のチャネル形状では既存モデルと同等の性能を示しつつ、未見のチャネル形状に対してははるかに優れた汎化能力を発揮することを実証した。
さらに、開発された揚力モデルは粒子追跡シミュレーションソフトウェアに容易に転用でき、様々なチャネル設計において文献と一致する粒子移動パターンを予測可能である。この成果は、マイクロ流体デバイスの設計・最適化を加速し、従来の数値シミュレーションへの依存を低減し、低コスト・高スループットな粒子操作技術の発展に貢献すると期待される。本論文は機械学習、材料科学、流体力学の分野にまたがる内容である。