近日，一篇題為《Geometry-free prediction of inertial lift forces in microfluidic devices using deep learning》的論文在arXiv預印本平臺釋出。該研究由Jesse Ward-Bond等人完成，提出了一種基於深度學習的新型方法，用於預測慣性微流控裝置中的粒子升力。
慣性微流控裝置（IMDs）為許多傳統的粒子或細胞操控任務提供了低成本、高通量的替代方案。然而，要對這些裝置進行模擬，必須能夠預測粒子在多種可能的通道幾何形狀下的遷移行為，進而預測粒子所受的升力。近年來，已有研究表明機器學習模型可以大幅加速這些數值模擬，但此前的方法需要對每種獨特的通道截面形狀（如矩形、三角形）單獨訓練模型，這實際上是將計算負擔從模擬階段轉移到了訓練階段。
在本研究中，團隊開發了一種全新的預測粒子升力的方法，該方法不包含任何顯式幾何引數。他們使用一組新設計的引數集訓練了一個神經網路模型，並展示了該模型在訓練集中的通道幾何形狀上的表現與現有模型相當，但更重要的是，它能夠更有效地泛化到從未見過的通道幾何形狀上。這一特性使得該模型具有更廣泛的適用性，無需針對每種新通道重新訓練。
研究團隊還展示了該升力模型可以輕鬆遷移到粒子追蹤模擬軟體中，併成功預測了多種通道設計下的粒子遷移模式，其結果與文獻報道一致。這一工作為微流控裝置的設計提供了一種通用且高效的模擬工具，有望顯著降低對大量模擬計算的需求，從而推動低成本、高通量粒子操控技術的發展。該論文同時涉及機器學習、材料科學和流體動力學等多個學科領域，展示了跨學科研究的潛力。