×
杨海洲;欧俊林;王毅

用于支持GPU的微流体浓度梯度发生器设计的具有主动学习和不确定性量化的神经物理多保真模型。 （英语） Zbl 07804991号

计算。方法应用。机械。工程师。 417，A部分，文章ID 116434，16 p.（2023）.
摘要：微流体浓度梯度发生器（\（\mu\）CGG）是一种在微尺度上产生生物分子浓度梯度的重要生物医学设备。尽管如此，确定其操作参数值以生成复杂的、用户特定的、生物期望的CG并非易事。本文提出了一种神经物理多保真度模型（NP-MFM），通过一种新的基于不确定性和距离的主动学习过程，以与超高速计算速度下的高保真CFD模拟同等的精度预测CG。验证后的NP-MFM和遗传算法在GPU平台上实现，以搜索操作参数的最佳值，从而生成与用户描述的配置文件密切匹配的CG。结果表明，NP-MFM是一种快速准确预测CGs（0.019s/仿真）的可行多保真建模方法，可用于支持GPU的CGG设计优化和自动化。此外，该方法生成的设计CG与用户描述的CG非常匹配，平均偏差小于0.34。

MSC公司：

92-10 生物相关问题的数学建模或模拟
92C40型 生物化学、分子生物学
92B20型 生物研究、人工生命和相关主题中的神经网络

关键词：

神经网络;多保真度;主动学习;不确定性量化;GPU计算;微流体浓度梯度发生器
PDF格式BibTeX公司 XML格式引用
\textit{H.Yang}等人，计算。方法应用。机械。工程417，A部分，文章ID 116434，16 p.（2023；Zbl 07804991）
全文： 内政部

参考文献：

[1] 铱，D。；Geba，D.A。；Toner，M.，通用微流体梯度发生器。分析。化学。，3472-3477 (2006)
[2] Hua，D。；熊，R。；Braeckmans，K。；Scheid，B。；黄，C。；索瓦吉，F。；De Smedt，S.C.，《材料科学中的浓度梯度：设计方法和生物医学应用》。高级功能。马特。(2021)
[3] 徐，J。；Lavan，D.A.，《设计人工细胞以利用生物离子浓度梯度》。自然纳米技术。，666-670 (2008)
[4] 垫片，T.S。；杨，S.-M。；Kim，S.-H.，通过化学梯度介导生长动态设计微观结构。自然社区。，1-7 (2015)
[5] Stapornwongkul，K.S。；de Gennes，M。；Cocconi，L。；Salbreux，G。；Vincent，J.-P.，通过工程化GFP梯度进行体内模式化和生长控制。《科学》（1979），321-327（2020）
[6] 股票，J。；Kazmar，T。；施卢姆，F。；Hannezo，E。；Pauli，A.，自我生成的幼儿梯度引导中胚层细胞迁移。科学。高级，第2488页（2022年）
[7] Yang，C.G。；Wu，Y.F。；Xu，Z.R。；Wang，J.H.，一种用于细胞凋亡检测的高密度通道径向微流体浓度梯度发生器。实验室芯片，3305-3312（2011）
[8] Toh，A.G.G。；Wang，Z.P。；杨，C。；Nguyen，N.T.，生物应用工程微流体浓度梯度发生器。微流体纳米流体，1-18（2014）
[9] Shourabi，A.Y。；Kashannejad，N。；Saidi，M.S.，用于机械刺激和药物输送的集成微流体浓度梯度发生器。科学杂志：高级主管。设备，280-290（2021）
[10] 里斯马尼亚，M。；塞迪，M.S。；Kashannejad，N.，一种微流体浓度梯度发生器，用于在毫米大小的样品上同时输送两种试剂。流动化学杂志。，615-625 (2020)
[11] Sonnen，K.F。；Merten，C.A.，《微流体学作为发育生物学中一种新兴的精密工具》。Dev.Cell，293-311（2019）
[12] 雅达夫，S。；Tawade，P。；巴沙尔，K。；Rakshe，医学硕士。；Pundlik，Y。；甘地，P.S。；Majumder，A.，用于药物测试应用的可扩展大面积网格结构微流体梯度发生器。生物微流体，64103（2022）
[13] 里夫斯，P。；Isaksson，M。；拉托尔，G.S。；奥尔德林·柯克，P。；默勒，OK。；Barzaghi，G。；Lee，J。；Egerod，K.L。；Rausch，D.M。；Parmar，M.，通过微流体WNT梯度中人类胚胎干细胞的分化来模拟神经管的发育。自然生物技术。，1265-1273 (2020)
[14] Khoo，B.L。；格伦西，G。；Lim，Y.B。；李，S.C。；Han，J。；Lim，C.T.，使用CTC微流体培养设备从液体活检中扩增患者来源的循环肿瘤细胞。国家协议。，34-58 (2018)
[15] 周，Y。；Wang，Y。；Mukherjee，T。；Lin，Q.，在多流层流中通过部分扩散混合生成复杂浓度分布。实验室芯片，1439-1448（2009）
[16] Yang，H。；Hong，S.H。；Zhg，R。；Wang，Y.，基于代理的自适应采样微流体浓度梯度发生器设计优化。RSC高级，13799-13814（2020）
[17] 丹尼尔·弗里德里希（Daniel Friedrich）；拜托了，科林·P。；Melvin，Tracy，适用于线性和指数浓度范围的新型微流体浓度梯度发生器的设计。化学。《工程杂志》，296-303（2012）
[18] 纪伟。；Ho，T.-Y。；Wang，J。；Yao，H.，利用人工神经网络产生浓度梯度的微流体设计。IEEE Trans。计算-辅助设计。集成。电路系统。，2544-2557 (2019)
[19] Hong，S.H。；Yang，H。；Wang，Y.，利用深度学习和基于物理的组件模型进行微流体浓度梯度发生器的逆向设计。微流体纳米流体学（2020）
[20] 芬克·G。；Mitteramskogler，T。；Hintermüller，硕士。；雅各布，B。；Wille，R.，《微流体梯度发生器的自动设计》。IEEE接入，28155-28164（2022）
[21] Hong，S.H。；舒，J.-I。；欧，J。；Wang，Y.，GPU支持浓度梯度发生器的微流体设计自动化。工程计算。，1-16 (2022)
[22] 费尔南德斯·戈蒂诺，M.G。；帕克，C。；Kim，N.-H。；Haftka，R.T.，《多保真度模型评论》（2016），ArXiv预印ArXiv:1609.07196
[23] 波洛切克，M。；Wang，J。；弗雷泽，P.I.，《多信息源优化》，4289-4299
[24] 佩赫斯托弗，B。；Willcox，K。；Gunzburger，M.，《不确定性传播、推理和优化中的多重性方法综述》。SIAM版本，550-591（2018）·Zbl 1458.65003号
[25] Yang，H。；Hong，S.H。；Wang，Y.，基于预期改进减少的序列多保真度代理优化方法。结构。多磁盘。优化。，1-17 (2022)
[26] Yang，H。；Hong，S.H。；王，G。；Wang，Y.，支持GPU的微流体浓度梯度设计的多精度降阶模型。工程计算。，1-19 (2022)
[27] Yang，H。；Wang，Y.，一种具有计算意识的稀疏多保真代理优化方法。工程计算。，1-17 (2022)
[28] 刘，H。；Ong，Y.S。；沈，X。；Cai，J.，《当高斯过程遇到大数据时：可扩展GP的回顾》。IEEE传输。神经网络。学习。系统。，4405-4423 (2020)
[29] X孟。；Karniadakis，G.E.，从多保真数据中学习的复合神经网络：在函数逼近和PDE逆问题中的应用。J.计算。物理。(2020) ·Zbl 1454.76006号
[30] 张，X。；谢凤。；季涛（Ji，T.）。；朱，Z。；Zheng，Y.，气动外形优化的多精度深度神经网络替代模型。计算。方法应用。机械。工程（2021）·兹比尔1506.74324
[31] Wu，D。；奇纳兹，M。；Vespignani，A。；马，Y.-A。；Yu，R.，多因子层次神经过程（2022年），ArXiv预打印ArXiv:2206.04872
[32] 库斯托夫斯基，B。；Gaffney，J.A。；布兰斯，B.K。；安德森·G·J。；阿尼鲁德，R。；布雷默，P.-T。；Thiagarajan，J.J。；Kruse，M.K.G。；Nora，R.C.，《使用传递学习抑制多模态数据中的模拟偏差》。机器。学习。科学。技术。，15035 (2022)
[33] Partin，L.公司。；Rushdi，A.A。；Schiavazzi，D.E.，计算流体动力学卷积编码器/解码器组装网络中的多保真数据融合，1-18
[34] 库马尔，P。；Gupta，A.，《分类、回归和聚类的主动学习查询策略：一项调查》。J.计算。科学。科技，913-945（2020）
[35] 任，P。；Xiao，Y。；Chang，X。；黄，P.-Y。；李，Z。；古普塔，B.B。；陈，X。；Wang，X.，深度主动学习调查。ACM计算。调查。，1-40 (2021)
[36] Settles，B.，《主动学习文献调查》（2009年）
[37] 刘，H。；Ong，Y.S。；Cai，J.，支持基于仿真的复杂工程设计的全局元建模自适应采样调查。结构。多磁盘。优化。，393-416 (2018)
[38] 姚，Y。；Dong，Q。；布罗泽纳，A。；罗，J。；Miao，J。；Chi，M。；王，C。；Kevrekidis，I.G。；任志杰。；Greeley，J.，《高能纳米颗粒：合成-结构-性能关系和数据驱动的发现》。《科学》（1979），eabn3103（2022）
[39] 钟，M。；Tran，K。；最小，Y。；王，C。；王，Z。；丁，C.-T。；De Luna，P。；于，Z。；Rasouli，A.S。；Brodersen，P.，使用主动机器学习加速CO2电催化剂的发现。《自然》，178-183（2020）
[40] 阿提亚，P.M。；格罗弗，A。；Jin，N。；塞弗森，K.A。；马尔科夫，T.M。；Liao，Y.-H。；Chen，M.H。；Cheong，B。；帕金斯，北。；Yang，Z.，利用机器学习对电池快速充电协议进行闭环优化。《自然》，397-402（2020）
[41] 克劳斯，A。；辛格，A。；Guestrin，C.，《高斯过程中的近最优传感器布置：理论、高效算法和实证研究》。J.马赫。学习。研究（2008）·Zbl 1225.68192号
[42] 梅塔，R。；水，C。；Nicconuruk，B。；Arbel，T.，医学图像分类中主动学习的信息增益采样，135-145
[43] Wang，H。；Jin，Y。；Doherty，J.，基于委员会的主动学习，用于昂贵问题的代理辅助粒子群优化。IEEE传输。赛博。，2664-2677 (2017)
[44] 李，S。；Kirby，R.M。；Zhe，S.，高维输出的深度多保真主动学习（2020），ArXiv预打印ArXiv:2012.00901
[45] Owoyele，O。；帕尔·P。；维达尔·托雷拉（Vidal Torreira），A.，一种自动机器学习遗传算法框架，具有主动学习功能，用于设计优化。J.能源资源。Technol公司。(2021)
[46] Cheng，K。；Lu，Z.，全局逼近的主动学习贝叶斯支持向量回归模型。信息科学。（纽约），549-563（2021）·Zbl 1475.68265号
[47] 西迪克，N。；Paheding，S。；埃尔金，C.P。；Devabhaktuni，V.，U-net及其变体用于医学图像分割：理论和应用综述。IEEE接入，82031-82057（2021）
[48] Wang，Y。；Mukherjee，T。；Lin，Q.，微流体浓度梯度发生器的系统建模。J.微型机械。微型。，2128-2137 (2006)
[49] Hüllermier，E。；Waegeman，W.，《机器学习中的任意和认知不确定性：概念和方法简介》。机器。学习。，457-506 (2021) ·Zbl 07432810号
[50] 肯德尔，A。；Gal，Y.，我们在计算机视觉的贝叶斯深度学习中需要哪些不确定性？
[51] Lakshminarayanan，B。；Pritzel，A。；Blundell，C.，使用深度集合进行简单且可扩展的预测不确定性估计
[52] Gal，Y。；Ghahramani，Z.，作为贝叶斯近似的辍学：在深度学习中表示模型不确定性，1050-1059
[53] Ganaie，医学硕士。；Hu，M.，合奏深度学习：综述（2021），ArXiv预印本ArXiv:2104.02395
[54] 熊，B。；刘，Y。；Xu，Y。；邓，L。；陈，C.-W。；Wang，J.-N。；彭，R。；赖，Y。；刘，Y。；Wang，M.，用工程噪声打破光学亚表面中偏振复用的限制。《科学》（1979），294-299（2023）
[55] 斯奎尔斯，M。；陶，X。；Elangovan，S。；Gururajan，R。；周，X。；Acharya，U.R.，基于遗传算法的新型医疗调度系统。专家系统。申请。(2022)
[56] 伊佐，D。；鲁辛斯基，M。；Biscani，F.，广义岛屿模型，151-169
[57] 欧，J。；Hong，S.H。；齐尔，P。；Wang，Y.，基于GPU的全局路径规划，使用带有近角点初始化的遗传算法。J.智力。机器人。系统。，1-17 (2022)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。