… а также глубокого обучения на основе облачных вычислений и акустического моделирования. Для выращивания тканей органов из клеток в лаборатории исследователям нужен неинвазивный способ удержания клеток в одном месте. Одним из перспективных подходов является акустическое структурирование, которое предполагает использование акустической энергии для позиционирования и удержания клеток в желаемом положении по мере их развития в ткани.

Применяя акустические волны к микрожидкостным устройствам, исследователи превратили ячейки микронного масштаба в простые паттерны, такие как прямые и решетки.

Автор оригинала: Samuel J. Raymond. Мы с коллегами разработали комбинированный подход к глубокому обучению и численному моделированию, который позволяет расположить клетки в гораздо более сложные схемы нашей собственной архитектуры. Мы сэкономили недели усилий, проделав весь рабочий процесс в MATLAB и используя параллельные вычисления для ускорения таких ключевых этапов, как генерация обучающего набора данных с нашего тренажёра и обучение нейронной сети глубокого обучения.

Акустическое моделирование с помощью микроканалов

В микрожидкостном устройстве частицы жидкости и переносимые жидкостью частицы или клетки управляются в микроканалах субмиллиметрового размера, которые могут быть выполнены в различных формах. Для создания акустических паттернов внутри этих микроканалов с помощью встречно-штыревого преобразователя (IDT) генерируется поверхностная акустическая волна (ПАВ), направленная к стенке канала (рис. 1а). В жидкости внутри канала акустические волны создают минимальное и максимальное давление, которое выравнивается с давлением стенки канала (рис. 1b). Поэтому форму стенок канала можно настроить таким образом, чтобы она давала определённые акустические поля в канале [1] (рис. 1с). Акустические поля распределяют частицы внутри жидкости по паттернам, которые соответствуют местам, где силы от этих акустических волн минимизированы (рис. 1d).

Рисунок 1 — Акустическое структурирование в микроканалах

Хотя можно вычислить акустическое поле, которое будет возникать в результате определённой формы канала, обратное невозможно: проектирование формы канала для создания желаемой области — нетривиальная задача для чего угодно, но только не для простых паттернов, похожих на сетку. Поскольку пространство решений фактически не ограничено, аналитические подходы неприменимы.

Новый рабочий процесс использует большую коллекцию смоделированных результатов (рандомизированных форм) и глубокое обучение, чтобы преодолеть это ограничение. Мы с коллегами впервые решили прямую проблему, смоделировав поля давления из известных форм в MATLAB. Затем мы использовали результаты для обучения глубокой нейронной сети, чтобы решить обратную задачу: определение формы микроканала, необходимой для создания желаемого акустического поля.