Nothing Special   »   [go: up one dir, main page]

CN114970349A - 基于卷积神经网络的随机变宽度微流控芯片自动设计方法 - Google Patents

基于卷积神经网络的随机变宽度微流控芯片自动设计方法 Download PDF

Info

Publication number
CN114970349A
CN114970349A CN202210600114.4A CN202210600114A CN114970349A CN 114970349 A CN114970349 A CN 114970349A CN 202210600114 A CN202210600114 A CN 202210600114A CN 114970349 A CN114970349 A CN 114970349A
Authority
CN
China
Prior art keywords
outlet
model
microfluidic chip
width
concentration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210600114.4A
Other languages
English (en)
Other versions
CN114970349B (zh
Inventor
俞建峰
俞俊楠
范先友
程洋
化春健
蒋毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN202210600114.4A priority Critical patent/CN114970349B/zh
Publication of CN114970349A publication Critical patent/CN114970349A/zh
Application granted granted Critical
Publication of CN114970349B publication Critical patent/CN114970349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/18—Chip packaging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于卷积神经网络的随机变宽度微流控芯片自动设计方法，属于微流控自动设计技术领域。所述方法提供了一种随机变宽度微流控芯片的设计方案，通过变宽度微流道的设计，达到了改善出口浓度与出口流速分布的目的；同时提供了一种KD‑MiniVGGNet卷积神经网络模型，实现了对随机变宽度微流控芯片的出口浓度与出口流速的高准确率预测。通过KD‑MiniVGGNet模型与随机变宽度微流控芯片的结合，实现了高效、准确设计微流控芯片的目的，并且可以推广到其他更多有着特定需求的微流控芯片设计中。

Description

基于卷积神经网络的随机变宽度微流控芯片自动设计方法
技术领域
本发明涉及基于卷积神经网络的随机变宽度微流控芯片自动设计方法，属于微流控芯片自动设计技术领域。
背景技术
微流控芯片又被称作芯片实验室，它可以把生化实验中的样品制备、混合、反应、分离及检测等步骤设计组合在一块芯片上。微流控芯片作为一种新兴技术在各个领域都显示出巨大的潜力，比如生物工程、化学分析和医学诊断等。在所有微流控芯片装置中，样品制备或两种不同流体的混合是实现各种先进功能之前的基本处理，如液滴生成、细胞分选、细胞培养、基因/蛋白质分析、用于药物发现和毒性研究的芯片上器官。
因此，基于微流控芯片的“主动”或“被动”微混合器已广泛应用于不同物料的混合。主动式微混合器能够借助外界能量，如电驱动、磁力驱动、声波扰动等作用，诱发微流体进行混沌混合，以实现高效混合的目的。被动式微混合器主要改变流道的内部结构和形状，使微流体在流动的过程中产生扭曲、拉伸、压缩和折叠等变形，通过分子的扩散作用和混沌对流作用促进混合。
但是，尽管微流控技术的应用范围在不断扩大，自20世纪70年代以来，微流控芯片的设计过程相对保持不变。具体是在计算机上设计一个具有特定结构的微流控芯片，然后制造和验证芯片的性能。如果芯片性能不符合预期，研究人员就重新设计芯片结构，制造并进一步验证芯片的性能。这种不断重复设计的过程可能需要数月甚至数年才能生产出所需性能的微流控芯片。重复的设计和实验过程迟滞了新型微流控芯片的快速发展，给制造微流控芯片的研究人员带来了重大障碍，从而导致了目前的设计方法只探索了微流控芯片设计中的一小部分，有一些更加优秀的微流控芯片由于设计效率的低下难以被发现。
由于个体间的药物反应、生理状态和遗传特征都存在着显著的差异，个性化医疗在治疗特定个体方面展现了巨大的潜力。3D打印作为一种在个性化医疗中极具前途的制药工具，需要提前获得特定浓度的溶液作为打印原材料，当需要溶液作为细胞分选、药物筛选、液滴生成等研究的载体时，要求溶液同时具有特定的浓度与流速。目前主要采用人工移液、移液机器人等方法来获得特定浓度的溶液。然而，人工移液效率低且难以满足精度，移液机器人价格昂贵且不方便携带，并且以上两种方式都无法获得特定流速的溶液。
微流控芯片由于拥有着混合效率高、样品消耗量少，能够为后续操作提供特定浓度与流速等特点，在化学、生物、医学等领域都得到了广泛的应用。因此，研究人员提出了数字微流控芯片与微阀微流控芯片来生成具有特定浓度与流速的溶液。但是，所设计的微流控芯片并不能保证可以满足目标需求，因此在投入使用之前需要进行大量的验证性实验，导致了微流控芯片设计效率的降低。
为了减少微流控芯片设计过程中需要的大量验证性实验工作，研究人员提出了一种随机微流控芯片的设计方法。首先通过有限元分析方法对随机生成的微流控芯片进行预模拟，然后将随机微流控芯片的几何结构与模拟结果存储到数据库之中，当出现特定的浓度或者流速需求时，可以通过查询数据库查询匹配到相应的设计方法。然而，仿真模拟过程需要耗费大量的时间，限制了数据库的规模，影响了微流控芯片的设计精度。当数据库中的浓度和流速不能满足用户的需求时，需要花费更多的时间去建立新的数据库，降低了微流控芯片的设计效率。
为了进一步的提高微流控芯片设计的效率与精度，2021年杭州电子科技大学王俊超等科研人员提出了一种基于卷积神经网络(Convolutional Neural Network，CNN)算法的随机等宽度微流控芯片流体行为预测方法。采用预模拟得到的随机等宽度微流控芯片数据库训练 CNN模型，并预测更多随机等宽度微流控芯片的流体行为。然而，该研究结果得到的等宽度流道的微流控芯片有两个方面的不足：第一，其采用的是随机等宽度微流道结构，导致其数据库中出口浓度-出口流速覆盖范围较为狭窄，出口流速的范围主要集中在2～10mm/s，并且在所有设计中有91％以上出口浓度位于20％～80％之间；第二，其使用的CNN结构仅有两层卷积层，导致卷积神经网络的非线性变化与特征表达能力不足，造成平均预测准确率仅为88％。因此，针对上述问题，我们首次提出一种新型的深度卷积神经网络模型和变宽度微流道结构的微流控芯片，使得设计的微流控芯片具有更为宽广的出口浓度与出口流速其设计效率也更为快速，设计准确度也显著提高。
发明内容
为了解决目前的微流控芯片自动设计方法存在的出口浓度以及出口流速覆盖范围较窄、设计效率及设计准确率低等问题，本发明提供了一种基于新型卷积神经网络的随机变宽度微流控芯片的自动设计方法，所述方法包括：
步骤1：生成不重复的随机变宽度微流控芯片设计方案，并将其存储在数据库中；
步骤2：对所述步骤1中生成的随机变宽度微流控芯片进行预模拟，得到随机变宽度微流控芯片的出口浓度以及出口流速，同样存储在数据库中；
步骤3：将所述步骤1与步骤2中得到的随机变宽度微流控芯片的几何结构、出口浓度和出口流速构建成随机变宽度微流控芯片数据集，并将数据集按比例分割成训练集与测试集；
步骤4：构建卷积神经网络模型；
步骤5：采用所述步骤3中得到的训练集训练所述步骤4中得到的卷积神经网络模型，直至所述卷积神经网络模型收敛，并在测试集上卷积神经网络模型性能；
步骤6：随机生成多个变宽度微流控芯片的设计方案，并采用所述步骤5中训练完成的卷积神经网络模型预测其出口浓度与出口流速，同样将设计方案、出口浓度以及出口流速存储在数据库中，最终得到一个包含足够数量的随机变宽度微流控芯片设计方案的数据库；
步骤7：根据所需的出口浓度或出口流速要求在数据库中查询即可得到对应的变宽度微流控芯片候选设计方案。
可选的，所述卷积神经网络模型为KD-MiniVGGNet模型，所述KD-MiniVGGNet模型是在MiniVGGNet模型的基础上基于卷积核分解原理得到的，通道数限制在32或64，包括：12个卷积层Conv1-Conv12和两个全连接层；
其中，Conv1采用3×3卷积核，Conv10采用3×3卷积核，Conv2与Conv3、Conv 4与Conv5、Conv 6与Conv7、Conv 8与Conv 9、Conv11与Conv12均为叠加卷积层，所述叠加卷积层通过将一个通道数恒定的卷积层分解为两个具有2×2卷积核的卷积层实现，用于实现对模型的深化，增加模型的非线性变化和特征表达能力。
可选的，所述步骤5的训练过程包括：
步骤51：用矩阵代表所述随机变宽度微流控芯片的几何结构、出口浓度和出口流速，将所述随机变宽度微流控芯片的几何结构、出口浓度和出口流速构建成训练数据集；
步骤52：基于所述KD-MiniVGGNet模型建立用于预测出口浓度的ConcentrationNET模型与用于预测出口流速的VelocityNET模型，所述ConcentrationNET模型和VelocityNET模型的输入均为几何结构矩阵，所述ConcentrationNET模型的输出为[CoutletA,CoutletB]，所述 VelocityNET模型的输出为[VoutletA,VoutletB,VoutletC]；
其中，CoutletA、CoutletB分别为微流控芯片的出口A和出口B的出口浓度，VoutletA、VoutletB、 VoutletC为微流控芯片的出口A、出口B和出口C的出口流速；
步骤53：为所述VelocityNET模型和ConcentrationNET模型划分训练集和测试集：将所述数据集按比例随机分割为训练集和测试集，取随机种子random_state＝C，其中C是固定常数；
步骤54：定义训练过程中的性能表征，包括所述VelocityNET模型和ConcentrationNET 模型的损失函数与准确率函数；
步骤55：利用所述步骤53中获得的训练集，分别训练步骤52中所定义的ConcentrationNET模型与VelocityNET模型，直至模型收敛，然后在测试集上进行测试模型性能；在训练过程中采用步骤54中定义的损失函数以及准确率函数评价模型的性能。
可选的，所述微流控芯片的出口C的出口浓度为：
Figure BDA0003665592660000041
可选的，所述ConcentrationNET模型与VelocityNET模型中采用均方误差作为损失函数，包括：
Figure BDA0003665592660000042
Figure BDA0003665592660000043
其中，n代表测试集或训练集中芯片的总数，k代表测试集或训练集中某个芯片的序号，ΔCoutletA,k和ΔCoutletB,k分别代表出口A和出口B中出口浓度预测值和出口浓度目标值之间的差值，ΔVoutletA,k、ΔVoutletB,k和ΔVoutletC,k分别代表出口A、出口B和出口C中出口流速预测值和出口流速目标值之间的差值。
可选的，所述ConcentrationNET模型与VelocityNET模型的准确率函数分别为：
Figure BDA0003665592660000044
Figure BDA0003665592660000045
其中，CoutletA,k、CoutletB,k和CoutletC,k分别代表出口A、出口B和出口C中的出口浓度目标值，VoutletA,k、VoutletB,k和VoutletC,k分别代表出口A、出口B和出口C中的出口流速目标值。
可选的，所述ConcentrationNET模型与VelocityNET模型采用ReLU函数作为激活函数。
可选的，所述步骤51采用9×9矩阵表示随机变宽度微流控芯片的几何结构，采用1×3 矩阵分别表示出口浓度与出口流速。
可选的，所述步骤2通过有限元分析方法完成随机变宽度微流控芯片的流体行为预模拟。
可选的，所述ConcentrationNET模型与VelocityNET模型的结构相同。
本发明有益效果是：
(1)本发明的随机变宽度微流控芯片设计方法能够提供更丰富、更优秀的微流控芯片设计方案。通过在微流控芯片的设计中增加宽度变化的微流道，达到了改善微流控芯片出口浓度与出口流速分布的目的。相较于现有技术中的随机等宽度微流控芯片设计方法，本发明的随机变宽度微流控芯片能够满足更多样化的出口浓度和出口流速要求，有效地扩展了微流控芯片自动设计方案的覆盖面。
(2)本发明提供的KD-MiniVGGNet模型能够有效的提高微流控芯片设计的准确性。通过卷积核分解操作，在限制模型参数数量与模型计算量的同时，提高了模型的非线性变化能力以及特征表达能力，达到了提高微流控芯片芯片设计准确性的目的，并基于KD-MiniVGGNet模型分别构建了预测出口浓度的ConcentrationNET模型和预测出口流速的VelocityNET模型。
(3)本发明的随机变宽度微流控芯片设计方法能够有效的提高微流控芯片的设计效率以及多样性。通过训练后的ConcentrationNET模型和VelocityNET模型预测随机变宽度微流控芯片的出口浓度和出口速度并将结果存储在数据库中，提高了随机变宽度微流控芯片的多样性，达到有效拓展随机变宽度微流控芯片的目的。用户可以根据实际的出口浓度和出口流速需求，从数据库中选择所需的微流控芯片设计方案，也可以使用训练好的模型来预测芯片的流体行为。
本发明的基于卷积神经网络的随机变宽度微流控芯片自动化设计方法，可以显著提高设计效率，保证设计精度，并且可以推广到更多其他有特定要求的微流控芯片的设计。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的基于卷积神经网络的随机变宽度微流控芯片的自动设计方法流程图。
图2为一个随机变宽度微流控芯片的设计结构，其中(a)为结构图，(b)为(a)的几何结构表达矩阵示意图。
图3是本发明的设计方法与现有设计方法的数据对比图，其中，(a)为随机等宽度微流控芯片出口浓度与出口流速分布图，(b)为随机变宽度微流控芯片出口浓度与出口流速分布图。
图4为本发明实施例二的KD-MiniVGGNet模型的结构图。
图5为本发明实施例二的VelocityNET模型的训练过程与性能表现图。
图6为本发明实施例二的ConcentrationNET模型的训练过程与性能表现图。
图7为本发明中随机生成变宽度微流控芯片的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
首先对本发明涉及的基本理论知识介绍如下：
一、微流控芯片设计方案、随机生成微流控芯片方案的方法
本发明中的微流控芯片设计方案如图2(a)所示：
是一种直线型网格微流控芯片，其网格大小为n×n，微流道宽度a、b、c、d，微流道出现的概率P，不同宽度微流道出现的概率P1，入口个数为I，出口数量为O。微流控芯片设计方案具体是指由以上结构参数构建的随机变宽度微流控芯片的几何模型。
本发明中所述的随机生成变宽度微流控芯片的流程如图7所示，具体步骤如下：
步骤一：首先通过COMSOL Multiphysics生成一个的微流控芯片的几何模型，其结构参数如上述的微流控芯片设计方案中所述。在COMSOL Multiphysics中设置迭代步数、入口浓度、入口流速和网格大小等参数后，完成模拟并将文件另存为MATLAB文件；
步骤二：改写步骤一中得到的MATLAB文件，得到用于生成随机变宽度微流控芯片的 MATLAB程序。通过程序随机改变微流道的宽度，得到一定数量的随机变宽度微流控芯片的几何模型，并存储在数据库中；
步骤三：利用步骤二中得到的MATLAB程序，通过COMSOL Multiphysics withMATLAB将所述步骤二中得到的几何模型逐一导入到COMSOL中并完成模拟，得到随机变宽度微流控芯片的出口速度以及出口流速，同样存储在数据库中。
二、微流控芯片预模拟
本发明中的微流控芯片预模拟是指采用COMSOL Multiphysics对生成的随机变宽度微流控芯片的几何模型进行模拟，得到所述随机变宽度微流控芯片的出口浓度以及出口流速。由于随机变宽度微流控芯片的模拟完成在神经网络模型的训练之前，主要作用是建立神经网络模型训练所需要的数据集，所以将其称为微流控芯片预模拟。
三、有限元分析方法
本发明中的有限元分析是指利用数学近似的方法对真实物理系统进行模拟，利用简单而又相互作用的元素，就可以用有限数量的未知量去逼近无限未知量的真实系统，它将求解域看成是由许多称为有限元的小互连子域组成，对每一单元假定一个合适的近似解，然后推导求解这个域的总满足条件，从而得到问题的解。在本发明中具体指利用COMSOLMultiphysics求解随机变宽度微流控芯片的出口浓度以及出口流速。
四、MiniVGGNet模型
MiniVGGNet模型如表1所示，采用的是类似传统VGGNet的卷积层叠加结构。共有四层卷积层和两层全连接层组成，模型参数量为35万，模型计算复杂度为670万，在卷积层中只使用3×3卷积核，采用ReLU作为激活函数。
实施例一：
本实施例提供一种基于卷积神经网络的随机变宽度微流控芯片的自动设计方法，所述方法包括：
步骤1：生成不重复的随机变宽度微流控芯片设计方案，并将其存储在数据库中；
步骤2：对所述步骤1中生成的随机变宽度微流控芯片进行预模拟，得到随机变宽度微流控芯片的出口浓度以及出口流速，同样存储在数据库中；
步骤3：将所述步骤1与步骤2中得到的随机变宽度微流控芯片的几何结构、出口浓度和出口流速构建成随机变宽度微流控芯片数据集，并将数据集按比例分割成训练集与测试集；
步骤4：构建卷积神经网络模型；
步骤5：采用所述步骤3中得到的训练集训练所述步骤4中得到的卷积神经模型，直至所述卷积神经网络模型收敛；
步骤6：随机生成多个变宽度微流控芯片的设计方案，并采用所述步骤5中训练完成的卷积神经网络模型预测其出口浓度与出口流速，同样将设计方案和预测结果存储在数据库中，最终得到一个包含足够数量的随机变宽度微流控芯片设计方案的数据库；
步骤7：根据所需的出口浓度或出口流速要求在数据库中查询即可得到对应的变宽度微流控芯片候选设计方案。
实施例二：
本实施例提供一种基于卷积神经网络的随机变宽度微流控芯片的自动设计方法，参见图 1，所述方法包括以下步骤：
步骤1：随机生成10232种不同的变宽度微流控芯片设计方案，并将其存储在数据库中。
本实施例的随机变宽度微流控芯片为一种直线型网格微流控芯片，其网格大小为n×n，网格节点数量n＝5，微流道宽度a＝0.3mm、b＝0.4mm、c＝0.5mm、d＝0.6mm，微流道出现的概率P＝80％，不同宽度微流道出现的概率P1＝25％，入口个数为2，出口个数为3。
步骤2：通过有限元分析方法对步骤1中生成的随机变宽度微流控芯片进行预模拟，得到所述随机变宽度微流控芯片的出口浓度以及出口流速，同样存储在数据库中。
步骤3：采用矩阵分别代表随机变宽度微流控芯片的几何结构、出口浓度和出口流速，构建随机变宽度微流控芯片数据集，并将数据集按一定比例分割成训练集与测试集。
步骤4：构建KD-MiniVGGNet卷积神经网络模型。
本实施例中的KD-MiniVGGNet模型，主要结构如表1所示：
表1MiniVGGNet模型和KD-MiniVGGNet模型的主要结构
Figure BDA0003665592660000081
*当输出为出口流速时模型有三个输出通道，当输出为出口浓度时模型有三个输出通道。
如表1所示，本实施例中设计的KD-MiniVGGNet模型分解了MiniVGGNet模型中大部分的3×3卷积核。KD-MiniVGGNet模型的主要特征如下：首先，为了有效地限制模型的参数和计算复杂度，将模型中的通道数限制在32或者64。其次，将一个通道数恒定的卷积层分解为两个具有2×2卷积核的叠加卷积层，实现对模型的深化，增加模型的非线性变化和特征表达能力。最后，由于在模型构建时减少了通道的数量，为了保证模型的性能，在阶段1 中连续使用了8个叠加的卷积层Conv2-Conv9，阶段2连续使用Conv11和Conv12，以上卷积层均采用2×2卷积核。在Conv1和Conv10中维持使用3×3的卷积核来确保卷积核分解操作的有效性。
本实施例中所述的KD-MiniVGGNet模型结构如图4所示。该模型中的Conv1采用3×3 卷积核，Conv10采用3×3卷积核，Conv2与Conv3为一组采用2×2卷积核的叠加卷积层。同样的，Conv 4与Conv5、Conv 4与Conv5、Conv 6与Conv7、Conv 8与Conv 9、Conv11 与Conv12均为叠加卷积层。模型由12个卷积层以及两个全连接层组成，均采用ReLU激活函数，共有14个权重层。
本实施例中所述的KD-MiniVGGNet的模型复杂度如表2所示，可见该模型参数量与模型计算复杂度均明显小于MiniVGGNet。同时在本发明所述的随机变宽度微流控芯片数据集中，该模型相较于MiniVGGNet模型在出口浓度预测上准确率提高3.96％，在出口流速预测上准确率提高4.43％。说明通过增加模型的深度，提高了模型的非线性表达能力与特征表达能力。
表2KD-MiniVGGNet模型复杂度
Figure BDA0003665592660000091
步骤5：采用步骤3中得到的训练集训练步骤4中得到的KD-MiniVGGNet模型，直至KD-MiniVGGNet模型收敛，训练过程包括：
步骤51：为了简化模型的训练过程，在训练之前用9×9矩阵代表随机变宽度微流控芯片的几何结构。同样的，得到的出口浓度模拟结果与出口流速结果也分别采用1×3矩阵表示。最后将随机变宽度微流控芯片的几何结构、出口浓度和出口流速构建成训练数据集。
步骤52：基于KD-MiniVGGNet模型建立用于预测出口浓度的ConcentrationNET模型与用于预测出口流速的VelocityNET模型，以上两个模型的输入均为9×9的几何结构矩阵，而输出略有不同。ConcentrationNET模型的输出为[CoutletA,CoutletB]，VelocityNET的输出为 [VoutletA,VoutletB,VoutletC]；考虑到出口C的出口浓度远小于出口A和出口B的出口浓度，模型难以适应同时预测三个出口的出口浓度，所以在本发明中，出口C的出口浓度为：
Figure BDA0003665592660000092
其中，CoutletA、CoutletB和CoutletA分别为出口A、出口B和出口C的出口浓度，VoutletA、VoutletB、VoutletC为出口A、出口B和出口C的出口流速。
步骤53：使用train_test_split函数将随机变宽度微流控芯片数据集按3:1的比例随机分割为训练集和测试集。为了确保每次训练集和测试集数据相同，取随机种子random_state＝ C，其中C是常数。训练集中有7674个芯片，测试集中有2558个芯片。在VelocityNET模型和ConcentrationNET模型中都使用该方法划分训练集和测试集。
步骤54：定义训练过程中的性能表征，在本发明中所述的ConcentrationNET模型与 VelocityNET模型中采用均方误差(MSE)代表损失：
Figure BDA0003665592660000093
Figure BDA0003665592660000094
其中，n代表测试集或训练集中芯片的总数，k代表测试集或训练集中某个芯片的序号，ΔCoutletA,k和ΔCoutletB,k分别代表出口A和出口B中出口浓度预测值和出口浓度目标值之间的差值，ΔVoutletA,k、ΔVoutletB,k和ΔVoutletC,k分别代表出口A、出口B和出口C中出口流速预测值和出口流速目标值之间的差值。
本实施例中所述的ConcentrationNET模型与VelocityNET模型的准确率分别为：
Figure BDA0003665592660000101
Figure BDA0003665592660000102
其中，CoutletA,k、CoutletB,k和CoutletC,k分别代表出口A、出口B和出口C中的出口浓度目标值，VoutletA,k、VoutletB,k和VoutletC,k分别代表出口A、出口B和出口C中的出口流速目标值。
步骤55：利用所述步骤53中获得的训练集，包括出口浓度数据与出口流速数据，分别训练步骤52中所定义的ConcentrationNET模型与VelocityNET模型，直至模型收敛，然后在测试集上进行测试模型性能。在训练过程中采用步骤54中定义的损失函数以及准确率函数评价模型的性能，并采用ReLU函数作为激活函数。
步骤6：随机生成40800种不同的变宽度微流控芯片的设计方案，并采用步骤5中训练完成的卷积神经网络模型预测其出口浓度与出口流速，同样将设计方案、出口浓度以及出口流速存储在数据库中，最终得到一个包含51032种不同随机变宽度微流控芯片设计方案的数据库。
步骤7：根据所需的出口浓度或出口流速要求在数据库中查询即可得到对应的变宽度微流控芯片候选设计。
为了进一步说明本发明的有益效果，对实施例二记载的一种基于卷积神经网络的随机变宽度微流控芯片的自动设计方法进行实验，实验的过程和结果如下：
第一，为了便于说明随机变宽度微流控芯片与随机等宽度微流控芯片方案之间的差异，提供了两种方案的对比实验，其中随机变宽度微流控芯片中，网格节点数量n＝5，微流道宽度a＝0.3mm、b＝0.4mm、c＝0.5mm、d＝0.6mm，微流道出现的概率P＝80％，不同宽度微流道出现的概率P1＝25％，入口个数为2，出口个数为3；随机等宽度微流控芯片拥有宽度相等的微流道，其芯片几何结构属性为：网格节点数量n＝5，微流道宽度d＝0.6mm，微流道出现的概率P＝80％，不同宽度微流道出现的概率P1＝25％，入口个数为2，出口个数为3。
图3为随机等宽度微流控芯片与随机变宽度微流控芯片的出口浓度与出口流速分布图，样本数量为2000。
随机等宽度微流控芯片数据库中出口A、出口B、出口C的出口流速范围分别为1.3～ 14.9mm/s、1.7～12.5mm/s以及1.2～14.9mm/s；随机变宽度微流控芯片数据库可以将三个出口的出口流速范围扩展到0.1～18.7mm/s、0.2～16.8mm/s、0.1～18.8mm/s。
当将出口流速范围限定在5～10mm/s时，随机等宽度微流控芯片数据库中出口A、出口B、出口C分别有20％、8％、20％的出口流速不在限定范围内，当在随机变宽度微流控芯片数据库中查询时，在三个出口中分别有46％、37％、40％的出口流速不在限定范围内。
随机等宽度微流控芯片数据库中出口A溶质浓度范围分别为50～100％、0～100％和0～ 50％；随机变宽度微流控芯片库出口溶质浓度变化不明显，分别为47％～100％、0％～100％和0％～51％，这与出口分布有关。
如图2(a)所示，出口A靠近一个高浓度的入口A，所以总可以获得高浓度的输出。出口C的情况正好相反，因为靠近低浓度入口B，所以总能得到低浓度的输出。出口B位于入口A和入口B之间，总能够提供最广泛的浓度输出。
但是，在随机等宽度微流控芯片数据库中，出口浓度分布十分不平衡，98％的A出口溶质浓度大于90％，90％的B出口溶质浓度在20％～80％之间，98％的C出口溶质浓度小于 10％。在随机变宽度微流控芯片数据库中，上述比例分别降低到89％、74％和87％。
随机变宽度微流控芯片通过在设计中增加宽度变化的微流道，达到了改善了出口浓度与出口流速分布的目的，从而可以提供更广泛、更优秀的候选设计。
第二，验证VelocityNET模型的预测准确率：
如图5所示，输出定为3个通道，输出特征为芯片的三个出口流速，batch_size大小取 32，learning_rate设为0.0005，采用Adam优化器方法训练模型。在经过200个训练轮次后，如图5(a)与图5(b)所示，VelocityNET在训练集上的预测准确率为97.50％，损失为3.07×10-8；测试集上预测准确率为92.23％，损失为3.60×10-7。
图5(c)显示了测试集中所有芯片的出口流速预测结果与出口流速目标值的绝对误差，其中出口A、出口B、出口C中分别有91.24％、94.64％、90.70％的出口流速的绝对误差小于1 mm/s；当出口流速的绝对误差来到2mm/s时，分别有98.83％、99.61％、98.79％的出口流速满足误差要求；当绝对误差为3mm/s时，这个比例分别达到了99.73％、99.89％、99.72％。
图5(d)为流速测试集中预测出口流速与目标出口流速对比，从图中可以看出在测试集中只有极少数的出口误差大于2mm/s。说明本发明采用的VelocityNET模型预测的出口流速结果与目标结果具有高度的一致性。
第三，验证ConcentrationNET模型的预测准确率：
如图6所示，输出定为2个通道，输出为出口A与出口B的出口浓度，出口C的出口浓度采用质量守恒定理计算。batch_size大小取32，learning_rate设为0.001，采用Adam优化器方法训练模型。在经过200个训练轮次后，如图6(a)与图6(b)所示，ConcentrationNET 模型在训练集预测准确率为95.92％，损失为4.66×10-4；测试集上预测准确率为93.64％，损失为1.99×10-3。
图6(c)显示了测试集中所有变宽度微流控芯片出口浓度预测结果与目标出口浓度的绝对误差，其中出口A、出口B、出口C中分别有98.82、68.10％、57.15％的出口浓度绝对误差小于5％；当出口浓度的绝对误差来到10％时，分别有98.48％、91.75％、80.77％的出口浓度满足误差要求；当绝对误差为15％时，这个比例分别达到了99.61％、97.53％、90.09％。
图6(d)为出口浓度测试集中模型预测的出口浓度与目标出口浓度对比。ConcentrationNET模型的预测表现要略低于VelocityNET模型的预测表现，但是仍然处于较高的水平。
综上所述，本发明的随机变宽度微流控芯片的设计方案，通过在微流控芯片的设计中增加宽度变化的微流道，达到了改善微流控芯片出口浓度与出口流速分布的目的，相较于随机等宽度微流控芯片，随机变宽度微流控芯片能够满足更多样化的出口浓度和出口流速要求。
此外，本发明提供的基于KD-MiniVGGNet模型的ConcentrationNET模型和VelocityNET 模型，通过采用卷积核分解操作，在限制模型参数数量与模型计算量的同时，有效地提高了模型的非线性变化能力以及特征表达能力，达到了提高预测准确率的目的。
本发明提高了随机变宽度微流控芯片的设计效率与多样性，达到有效拓展随机变宽度微流控芯片的目的。用户可以从数据库中选择所需的微流控芯片设计，也可以使用训练好的模型来预测芯片的流体行为，本发明可以显著提高设计效率，保证设计精度，并且可以推广到更多其他有特定要求的微流控芯片的设计。
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的随机变宽度微流控芯片的自动设计方法，其特征在于，所述方法包括：
步骤1：生成不重复的随机变宽度微流控芯片设计方案，并将其存储在数据库中；
步骤2：对所述步骤1中生成的随机变宽度微流控芯片进行预模拟，得到随机变宽度微流控芯片的出口浓度以及出口流速，同样存储在数据库中；
步骤3：将所述步骤1与步骤2中得到的随机变宽度微流控芯片的几何结构、出口浓度和出口流速构建成随机变宽度微流控芯片数据集，并将数据集按比例分割成训练集与测试集；
步骤4：构建卷积神经网络模型；
步骤5：采用所述步骤3中得到的训练集训练所述步骤4中得到的卷积神经网络模型，直至所述卷积神经网络模型收敛；
步骤6：随机生成多个变宽度微流控芯片的设计方案，并采用所述步骤5中训练完成的卷积神经网络模型预测所述多个变宽度微流控芯片的出口浓度与出口流速，同样将设计方案和预测结果存储在数据库中，最终得到一个包含足够数量的随机变宽度微流控芯片设计方案的数据库；
步骤7：根据所需的出口浓度或出口流速要求在数据库中查询即可得到对应的变宽度微流控芯片候选设计方案。
2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型为KD-MiniVGGNet模型，所述KD-MiniVGGNet模型是在MiniVGGNet模型的基础上基于卷积核分解原理得到的，通道数限制在32或64，包括：12个卷积层Conv1-Conv12和两个全连接层；
其中，Conv1采用3×3卷积核，Conv10采用3×3卷积核，Conv2与Conv3、Conv4与Conv5、Conv6与Conv7、Conv8与Conv9、Conv11与Conv12均为叠加卷积层，所述叠加卷积层通过将一个通道数恒定的卷积层分解为两个具有2×2卷积核的卷积层实现，用于实现对模型的深化，增加模型的非线性变化和特征表达能力。
3.根据权利要求2所述的方法，其特征在于，所述步骤5的训练过程包括：
步骤51：用矩阵表示所述随机变宽度微流控芯片的几何结构、出口浓度和出口流速，将所述随机变宽度微流控芯片的几何结构、出口浓度和出口流速构建成训练数据集；
步骤52：基于所述KD-MiniVGGNet模型建立用于预测出口浓度的ConcentrationNET模型与用于预测出口流速的VelocityNET模型；
步骤53：为所述VelocityNET模型和ConcentrationNET模型划分训练集和测试集：将所述训练数据集按比例随机分割为训练集和测试集，取随机种子random_state＝C，其中C是常数；
步骤54：定义训练过程中的性能表征，包括所述VelocityNET模型和ConcentrationNET模型的损失函数与准确率函数；
步骤55：利用所述步骤53中获得的训练集，分别训练所述步骤52中定义的ConcentrationNET模型与VelocityNET模型，直至模型收敛，然后在测试集上进行测试模型性能；在训练过程中采用所述步骤54中定义的损失函数以及准确率函数评价模型的性能。
4.根据权利要求3所述的方法，其特征在于，所述ConcentrationNET模型和VelocityNET模型的输入均为几何结构矩阵，所述ConcentrationNET模型的输出为[CoutletA,CoutletB]，所述VelocityNET模型的输出为[VoutletA,VoutletB,VoutletC]；
所述微流控芯片的出口C的出口浓度为：
Figure FDA0003665592650000021
其中，CoutletA、CoutletB分别为微流控芯片的出口A和出口B的出口浓度，VoutletA、VoutletB、VoutletC为微流控芯片的出口A、出口B和出口C的出口流速。
5.根据权利要求4所述的方法，其特征在于，所述ConcentrationNET模型与VelocityNET模型中采用均方误差作为损失函数，包括：
Figure FDA0003665592650000022
Figure FDA0003665592650000023
其中，n代表测试集或训练集中芯片的总数，k代表测试集或训练集中某个芯片的序号，ΔCoutletA,k和ΔCoutletB,k分别代表出口A和出口B中出口浓度预测值和出口浓度目标值之间的差值，ΔVoutletA,k、ΔVoutletB,k和ΔVoutletC,k分别代表出口A、出口B和出口C中出口流速预测值和出口流速目标值之间的差值。
6.根据权利要求5所述的方法，其特征在于，所述ConcentrationNET模型与VelocityNET模型的准确率函数分别为：
Figure FDA0003665592650000031
Figure FDA0003665592650000032
其中，CoutletA,k、CoutletB,k和CoutletC,k分别代表出口A、出口B和出口C中的出口浓度目标值，VoutletA,k、VoutletB,k和VoutletC,k分别代表出口A、出口B和出口C中的出口流速目标值。
7.根据权利要求6所述的方法，其特征在于，所述ConcentrationNET模型与VelocityNET模型采用ReLU函数作为激活函数。
8.根据权利要求3所述的方法，其特征在于，所述步骤51采用9×9矩阵表示随机变宽度微流控芯片的几何结构，采用1×3矩阵表示出口浓度与出口流速。
9.根据权利要求1中所述的方法，其特征在于，所述步骤2通过有限元分析方法完成随机变宽度微流控芯片的流体行为预模拟。
10.根据权利要求3所述的方法，其特征在于，所述ConcentrationNET模型与VelocityNET模型的主体结构相同。
CN202210600114.4A 2022-05-27 2022-05-27 基于卷积神经网络的随机变宽度微流控芯片自动设计方法 Active CN114970349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210600114.4A CN114970349B (zh) 2022-05-27 2022-05-27 基于卷积神经网络的随机变宽度微流控芯片自动设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210600114.4A CN114970349B (zh) 2022-05-27 2022-05-27 基于卷积神经网络的随机变宽度微流控芯片自动设计方法

Publications (2)

Publication Number Publication Date
CN114970349A true CN114970349A (zh) 2022-08-30
CN114970349B CN114970349B (zh) 2024-04-30

Family

ID=82957603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210600114.4A Active CN114970349B (zh) 2022-05-27 2022-05-27 基于卷积神经网络的随机变宽度微流控芯片自动设计方法

Country Status (1)

Country Link
CN (1) CN114970349B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN110210644A (zh) * 2019-04-17 2019-09-06 浙江大学 基于深度神经网络集成的交通流量预测方法
CN110502991A (zh) * 2019-07-18 2019-11-26 武汉理工大学 基于随机卷积神经网络结构的内燃机健康监测方法及系统
CN113171807A (zh) * 2021-03-17 2021-07-27 杭州电子科技大学 浓度梯度与细菌检测一体化的微流控芯片及其设计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018028255A1 (zh) * 2016-08-11 2018-02-15 深圳市未来媒体技术研究院 基于对抗网络的图像显著性检测方法
CN110210644A (zh) * 2019-04-17 2019-09-06 浙江大学 基于深度神经网络集成的交通流量预测方法
CN110502991A (zh) * 2019-07-18 2019-11-26 武汉理工大学 基于随机卷积神经网络结构的内燃机健康监测方法及系统
CN113171807A (zh) * 2021-03-17 2021-07-27 杭州电子科技大学 浓度梯度与细菌检测一体化的微流控芯片及其设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李海涛;王腾;王印庚;: "基于VGG-16卷积神经网络的海水养殖病害诊断", 计算机系统应用, no. 07, 15 July 2020 (2020-07-15) *

Also Published As

Publication number Publication date
CN114970349B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
Érdi et al. Mathematical models of chemical reactions: theory and applications of deterministic and stochastic models
Nicolis Introduction to nonlinear science
Hoover Time reversibility, computer simulation, and chaos
Salis et al. Accurate hybrid stochastic simulation of a system of coupled chemical or biochemical reactions
Torres et al. Pathway analysis and optimization in metabolic engineering
Tao What is good mathematics?
Miller et al. Aspects of digital evolution: Geometry and learning
Yoshimura et al. Optimization of passive grooved micromixers based on genetic algorithm and graph theory
Manca The metabolic algorithm for P systems: Principles and applications
Ji et al. Microfluidic design for concentration gradient generation using artificial neural network
Zhao et al. High throughput millifluidics mixer with double triangle baffle for improvement of mixing performance and reduction of flow resistance designed by grey relational analysis
Vanag Study of spatially extended dynamical systems using probabilistic cellular automata
CN114970349A (zh) 基于卷积神经网络的随机变宽度微流控芯片自动设计方法
Manca Fundamentals of metabolic P systems
Sloot et al. Modeling dynamic systems with cellular automata
Ward Asymptotic methods for reaction-diffusion systems: past and present
Agarwal et al. Numerical analysis of vortex T micromixer with diffuser plates and obstacles
Bianco et al. Psim: a simulator for biomolecular dynamics based on P systems
Cortes-Quiroz et al. An efficient passive planar micromixer with fin-shaped baffles in the tee channel for wide Reynolds number flow range
Chen et al. Multi-objective design automation for microfluidic capture chips
Nekouei et al. Modeling the structured porous network using stacked ensemble learning
Hu et al. Simulation of the generation of solution gradients in microfluidic systems using the lattice Boltzmann method
Zhang et al. Machine Learning-Driven Prediction of DLD Chip Throughput
Lachowicz Towards microscopic and nonlocal models of tumour invasion of tissue
Vikhansky et al. Conditional moment closure for chemical reactions in laminar chaotic flows

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant