近日，一篇题为《Geometry-free prediction of inertial lift forces in microfluidic devices using deep learning》的论文在arXiv预印本平台发布。该研究由Jesse Ward-Bond等人完成，提出了一种基于深度学习的新型方法，用于预测惯性微流控装置中的粒子升力。
惯性微流控装置（IMDs）为许多传统的粒子或细胞操控任务提供了低成本、高通量的替代方案。然而，要对这些装置进行模拟，必须能够预测粒子在多种可能的通道几何形状下的迁移行为，进而预测粒子所受的升力。近年来，已有研究表明机器学习模型可以大幅加速这些数值模拟，但此前的方法需要对每种独特的通道截面形状（如矩形、三角形）单独训练模型，这实际上是将计算负担从模拟阶段转移到了训练阶段。
在本研究中，团队开发了一种全新的预测粒子升力的方法，该方法不包含任何显式几何参数。他们使用一组新设计的参数集训练了一个神经网络模型，并展示了该模型在训练集中的通道几何形状上的表现与现有模型相当，但更重要的是，它能够更有效地泛化到从未见过的通道几何形状上。这一特性使得该模型具有更广泛的适用性，无需针对每种新通道重新训练。
研究团队还展示了该升力模型可以轻松迁移到粒子追踪仿真软件中，并成功预测了多种通道设计下的粒子迁移模式，其结果与文献报道一致。这一工作为微流控装置的设计提供了一种通用且高效的模拟工具，有望显著降低对大量仿真计算的需求，从而推动低成本、高通量粒子操控技术的发展。该论文同时涉及机器学习、材料科学和流体动力学等多个学科领域，展示了跨学科研究的潜力。