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

本发明专利技术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

【技术实现步骤摘要】
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


[0001]本专利技术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


技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]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。
[0007]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
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。
[0019]可选的，所述步骤5的训练过程包括：
[0020]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；
[0021]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[C
outletA
,C
outletB
]，所述 VelocityNET模型的输出为[V
outletA
,V
outletB
,V
outletC
]；
[0022]其中，C
outletA
、C
outletB
分别为微流控芯片的出口A和出口B的出口浓度，V
outletA
、V
outletB
、 V
outletC
为微流控芯片的出口A、出口B和出口C的出口流速；
[0023]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；
[0024]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；
[0025]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。
[0026]可选的，所述微流控芯片的出口C的出口浓度为：
[0027][0028]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：
[0029][0030][0031]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，ΔC
outletA,k
和ΔC
outletB,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，ΔV
outletA,k
、ΔV
outletB,k
和ΔV
outletC,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。
[0032]可选的，所述ConcentrationNET模型与VelocityNET模型的准确率函数分别为：
[0033][0034][0035]其中，C
outletA,k
、C
outletB,k
和C
outletC,k
分别代表出口A、出口B和出口C中的出口浓度目标值，V
outletA,k
、V
outletB,k
和V
outletC,k
分别代表出口A、出口B和出口C中的出口流速目标值。
[0036]可选的，所述ConcentrationNET模型与VelocityNET模型采用ReLU函数作为激活函数。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：俞建峰，俞俊楠，范先友，程洋，化春健，蒋毅，
申请(专利权)人：江南大学，
类型：发明
国别省市：