... serta pembelajaran mendalam berdasarkan komputasi awan dan pemodelan akustik
Untuk menumbuhkan jaringan organ dari sel di laboratorium, peneliti membutuhkan cara non-invasif dengan menjaga sel di satu tempat. Salah satu pendekatan yang menjanjikan adalah penataan akustik, yang melibatkan penggunaan energi akustik untuk memposisikan dan menahan sel pada posisi yang diinginkan saat mereka berkembang di jaringan. Dengan menerapkan gelombang akustik pada perangkat mikrofluida, para peneliti mengubah sel skala mikron menjadi pola sederhana seperti garis lurus dan kisi-kisi.
Rekan saya dan saya telah mengembangkan pendekatan gabungan untuk pembelajaran mendalam dan pemodelan numerik yang memungkinkan kami untuk mengatur sel ke dalam sirkuit yang jauh lebih kompleks dari arsitektur kami sendiri. Kami menghemat waktu berminggu-minggu dengan melakukan seluruh alur kerja di MATLAB dan menggunakan komputasi paralel untuk mempercepat langkah-langkah utama seperti membuat set data pelatihan dari simulator kami dan melatih jaringan saraf pembelajaran yang dalam.
Pemodelan akustik dengan microchannels
Dalam perangkat mikrofluida, partikel fluida dan partikel atau sel yang terbawa fluida didorong dalam saluran mikro berukuran sub-milimeter yang dapat dikonfigurasi dalam berbagai bentuk. Untuk membuat pola akustik dalam saluran mikro ini, transduser interdigital (IDT) menghasilkan gelombang akustik permukaan (SAW) yang diarahkan ke dinding saluran (Gbr. 1a). Pada cairan di dalam saluran, gelombang akustik menciptakan tekanan minimum dan maksimum, yang sama dengan tekanan dinding saluran (Gbr. 1b). Oleh karena itu, bentuk dinding saluran dapat diatur sedemikian rupa sehingga akan memberikan medan akustik tertentu pada saluran [1] (Gbr. 1c). Bidang akustik mendistribusikan partikel di dalam fluida dalam pola yang sesuai dengan lokasi di mana gaya dari gelombang akustik ini diminimalkan (Gambar 1d).
Gambar 1 - Penataan akustik dalam
saluran mikro Meskipun dimungkinkan untuk menghitung bidang akustik yang akan dihasilkan dari bentuk saluran tertentu, hal sebaliknya tidak mungkin dilakukan: merancang bentuk saluran untuk membuat area yang diinginkan bukanlah tugas yang mudah untuk apa pun, tetapi tidak untuk pola sederhana seperti kisi. Karena ruang solusi hampir tidak terbatas, pendekatan analitis tidak dapat diterapkan.
Alur kerja baru menggunakan banyak kumpulan hasil simulasi (formulir acak) dan pembelajaran mendalam untuk mengatasi batasan ini. Rekan saya dan saya memecahkan masalah langsung untuk pertama kalinya dengan mensimulasikan bidang tekanan dari bentuk yang dikenal di MATLAB. Kami kemudian menggunakan hasilnya untuk melatih jaringan neural dalam untuk memecahkan masalah kebalikannya: menentukan bentuk saluran mikro yang diperlukan untuk membuat bidang akustik yang diinginkan.
Memecahkan Masalah Langsung: Pemodelan Bidang Tekanan
Dalam pekerjaan sebelumnya, tim kami mengembangkan mesin simulasi di MATLAB yang memecahkan masalah penentuan daerah tekanan untuk geometri saluran tertentu menggunakan prinsip Huygens-Fresnel, yang mengasumsikan bahwa setiap titik pada gelombang bidang adalah sumber titik gelombang bola (Gbr. 2).
Gambar 2 - Bidang tekanan akustik yang dibuat untuk geometri saluran tertentu
Mesin simulasi mengandalkan berbagai operasi matriks. Karena operasi ini dilakukan di MATLAB, setiap simulasi membutuhkan waktu sepersekian detik, dan kami perlu memodelkan puluhan ribu bentuk unik dan daerah tekanan 2Dnya yang sesuai. Kami mempercepat proses ini dengan menjalankan simulasi secara paralel pada workstation multi-core menggunakan Parallel Computing Toolbox.
Setelah kami memiliki data yang kami butuhkan, data tersebut digunakan untuk melatih jaringan pembelajaran dalam untuk menyimpulkan bentuk saluran dari area tekanan tertentu, yang pada dasarnya membalik urutan input dan output.
Latih jaringan saraf pembelajaran yang dalam untuk memecahkan masalah terbalik
Pertama, untuk mempercepat proses pelatihan, ditentukan nilai threshold pada area tekanan yang disimulasikan. Hasilnya, matriks boolean dua dimensi 151 x 151 dibuat, yang kami ubah ("diratakan") menjadi vektor satu dimensi, yang selanjutnya akan menjadi input untuk jaringan pembelajaran dalam. Untuk meminimalkan jumlah neuron keluaran, kami menggunakan representasi koefisien Fourier, yang menangkap kontur bentuk saluran (Gbr. 3).
Gambar 3 - Perkiraan deret Fourier segitiga sama sisi yang diputar 20 derajat dengan koefisien (dari kiri ke kanan) 20, 3, 10, dan 20
Kami membangun jaringan asli menggunakan aplikasi Deep Network Designer dan secara terprogram meningkatkannya untuk menyeimbangkan akurasi, keserbagunaan, dan kecepatan pembelajaran ( gambar 4). Kami melatih jaringan menggunakan pemecah estimasi torsi adaptif (pengoptimal ADAM) pada GPU NVIDIA Titan RTX.
Gambar 4 - Jaringan neural yang terhubung sepenuhnya dengan empat lapisan tersembunyi
Memeriksa hasil
Untuk memvalidasi jaringan yang terlatih, kami menggunakannya untuk mendapatkan geometri saluran dari bidang tekanan tertentu, dan kemudian menggunakan geometri tersebut sebagai masukan ke mesin simulasi untuk merekonstruksi bidang tekanan. Kami kemudian membandingkan bidang tekanan asli dan yang dibuat. Tekanan minimum dan maksimum dalam dua medan berdekatan satu sama lain (Gbr. 5).
Gambar 5 - Alur kerja validasi jaringan pembelajaran mendalam
Kemudian kami menjalankan serangkaian tes nyata. Untuk menunjukkan area di mana kami ingin mengumpulkan partikel, kami melukis gambar khusus menggunakan Microsoft Paint. Mereka berisi banyak gambar tunggal dan multiline berbeda yang akan sulit diperoleh tanpa metode kami. Jaringan yang terlatih kemudian digunakan untuk menentukan geometri saluran yang diperlukan untuk membuat area yang ditentukan ini. Akhirnya, dengan bantuan mitra kami, kami telah memproduksi berbagai perangkat mikrofluida berdasarkan geometri yang dimaksudkan. Masing-masing perangkat ini kemudian diinjeksi dengan 1 ฮผm partikel polistiren yang tersuspensi dalam cairan ke dalam saluran yang terbentuk, dan surfaktan diinduksi pada perangkat. Hasilnya menunjukkan agregasi partikel di sepanjang wilayah yang ditunjukkan dalam gambar khusus kami (Gbr. 6).
Gambar 6 - Bawah: Area yang digambar dalam Microsoft Paint (ungu) ditumpangkan pada bidang akustik simulasi yang diperlukan untuk agregasi partikel di area ini; atas: hasilnya adalah sampel partikel polistiren tersuspensi dalam perangkat mikrofluida yang diproduksi
Pergi ke cloud
Untuk mengantisipasi tahap selanjutnya dari proyek ini, kami memperbarui jaringan pembelajaran mendalam kami untuk menggunakan gambar bidang akustik sebagai masukan dan menghasilkan gambar bentuk saluran sebagai keluaran, daripada menggunakan vektor squished dan koefisien Fourier. Harapannya adalah perubahan ini akan memungkinkan kita menggunakan bentuk saluran yang tidak mudah ditentukan dengan rangkaian Fourier dan dapat berubah seiring waktu. Namun, pelatihan akan membutuhkan kumpulan data yang jauh lebih besar, arsitektur jaringan yang lebih kompleks, dan sumber daya komputasi yang jauh lebih banyak. Hasilnya, kami mentransfer jaringan dan data pelatihannya ke cloud.
Untungnya, MathWorks Cloud Center menyediakan platform yang nyaman untuk berputar dan keluar dari instans cloud HPC dengan cepat. Salah satu aspek yang lebih membosankan dalam melakukan penelitian ilmiah di cloud adalah interoperabilitas, yang melibatkan pemindahan algoritme dan data antara cloud dan mesin lokal kami. MATLAB Parallel Server mengabstraksi aspek yang lebih kompleks dari komputasi awan dengan memungkinkan kita untuk berjalan secara lokal atau di awan dengan beberapa klik menu sederhana. Kemudahan penggunaan ini memungkinkan kita untuk fokus pada masalah ilmiah daripada alat yang dibutuhkan untuk menyelesaikannya.
Menggunakan MATLAB dengan instans Amazon Web Services yang didukung GPU NVIDIA, kami berencana untuk melatih jaringan yang diperbarui pada data yang disimpan di bucket Amazon S3. Kami kemudian dapat menggunakan jaringan terlatih pada workstation lokal untuk menarik kesimpulan (yang tidak memerlukan komputasi performa tinggi) dan bereksperimen dengan pola dan bidang akustik yang berbeda. Pekerjaan ini akan memberi kami data mentah untuk proyek pembelajaran mesin lainnya menggunakan fisika.
Jika Anda ingin mempelajari lebih lanjut tentang mesin dan pembelajaran mendalam - kunjungi kami untuk kursus yang sesuai, itu tidak akan mudah, tetapi mengasyikkan. Dan kode promo HABR akan membantu Anda dalam upaya Anda untuk mempelajari hal - hal baru dengan menambahkan diskon 10% pada spanduk.
- Kursus Machine Learning
- Kursus Lanjutan "Machine Learning Pro + Deep Learning"
- Data Science
- Data Analyst