... ainsi que l'apprentissage profond basé sur le cloud computing et la modélisation acoustique
Pour faire pousser des tissus organiques à partir de cellules en laboratoire, les chercheurs ont besoin d'un moyen non invasif de conserver les cellules au même endroit. Une approche prometteuse est la structuration acoustique, qui implique l'utilisation d'énergie acoustique pour positionner et maintenir les cellules dans une position souhaitée au fur et à mesure qu'elles se développent dans les tissus. En appliquant des ondes acoustiques à des dispositifs microfluidiques, les chercheurs ont transformé des cellules à l'échelle du micron en modèles simples tels que des lignes droites et des réseaux.
Mes collègues et moi avons développé une approche combinée de l'apprentissage profond et de la modélisation numérique qui nous permet d'organiser les cellules dans des circuits beaucoup plus complexes de notre propre architecture. Nous avons économisé des semaines d'efforts en effectuant tout le flux de travail dans MATLAB et en utilisant le calcul parallèle pour accélérer les étapes clés telles que la génération de l'ensemble de données d'entraînement à partir de notre simulateur et la formation du réseau neuronal d'apprentissage en profondeur.
Modélisation acoustique avec des microcanaux
Dans un dispositif microfluidique, des particules de fluide et des particules ou cellules véhiculées par un fluide sont entraînées dans des microcanaux de taille inférieure au millimètre, qui peuvent être formés sous diverses formes. Pour créer des motifs acoustiques dans ces microcanaux, un transducteur interdigité (IDT) génère une onde acoustique de surface (SAW) dirigée vers la paroi du canal (figure 1a). Dans le liquide à l'intérieur du canal, les ondes acoustiques créent une pression minimale et maximale, qui est égale à la pression de la paroi du canal (Fig. 1b). Par conséquent, la forme des parois du canal peut être ajustée de manière à donner certains champs acoustiques dans le canal [1] (Fig. 1c). Les champs acoustiques distribuent les particules dans le fluide selon des motifs qui correspondent aux emplacements où les forces de ces ondes acoustiques sont minimisées (figure 1d).
Figure 1 - Structuration acoustique en microcanaux
S'il est possible de calculer le champ acoustique qui résultera d'une forme de canal spécifique, l'inverse n'est pas possible: concevoir la forme du canal pour créer la zone souhaitée n'est pas une tâche triviale pour quoi que ce soit, mais pas pour des motifs simples comme une grille. Puisque l'espace de solution est pratiquement illimité, les approches analytiques sont inapplicables.
Le nouveau flux de travail utilise une grande collection de résultats simulés (formulaires aléatoires) et un apprentissage en profondeur pour surmonter cette limitation. Mes collègues et moi avons résolu un problème direct pour la première fois en simulant des champs de pression à partir de formes connues dans MATLAB. Nous avons ensuite utilisé les résultats pour former un réseau neuronal profond pour résoudre le problème inverse: déterminer la forme du microcanal nécessaire pour créer le champ acoustique souhaité.
Résolution du problème direct: modélisation des champs de pression
Dans des travaux antérieurs, notre équipe a développé un moteur de simulation dans MATLAB qui résout le problème de la détermination de la région de pression pour une géométrie de canal donnée en utilisant le principe de Huygens-Fresnel, qui suppose que tout point sur une onde plane est une source ponctuelle d'ondes sphériques (Fig.2).
Figure 2 - Le champ de pression acoustique créé pour une certaine géométrie de canal
Le moteur de simulation repose sur diverses opérations matricielles. Puisque ces opérations sont effectuées dans MATLAB, chaque simulation prend une fraction de seconde, et nous avons dû simuler des dizaines de milliers de formes uniques et leurs régions de pression 2D correspondantes. Nous avons accéléré ce processus en exécutant des simulations en parallèle sur un poste de travail multicœur à l'aide de Parallel Computing Toolbox.
Une fois que nous avions les données dont nous avions besoin, elles ont été utilisées pour entraîner le réseau d'apprentissage en profondeur à déduire la forme du canal à partir d'une zone de pression donnée, inversant essentiellement l'ordre d'entrée et de sortie.
Former un réseau neuronal d'apprentissage en profondeur pour résoudre le problème inverse
Tout d'abord, pour accélérer le processus d'entraînement, une valeur seuil a été déterminée sur la zone de pression simulée. En conséquence, des matrices booléennes bidimensionnelles 151 x 151 ont été créées, que nous avons transformées ("aplaties") en un vecteur unidimensionnel, à son tour, il deviendrait une entrée pour le réseau d'apprentissage en profondeur. Pour minimiser le nombre de neurones de sortie, nous avons utilisé la représentation du coefficient de Fourier, qui a capturé le contour de la forme du canal (Fig. 3).
Figure 3 - Approximation de la série de Fourier d'un triangle équilatéral pivoté de 20 degrés avec des coefficients (de gauche à droite) 20, 3, 10 et 20
Nous avons construit le réseau d'origine à l'aide de l'application Deep Network Designer et l'avons amélioré par programme pour équilibrer précision, polyvalence et vitesse d'apprentissage ( fig.4). Nous avons formé le réseau à l'aide d'un solveur d'estimation de couple adaptatif (optimiseur ADAM) sur un GPU NVIDIA Titan RTX.
Figure 4 - Réseau neuronal entièrement connecté avec quatre couches cachées
Vérification des résultats
Pour valider le réseau formé, nous l'avons utilisé pour dériver la géométrie du canal à partir d'un champ de pression donné, puis nous avons utilisé cette géométrie comme entrée du moteur de simulation pour reconstruire le champ de pression. Nous avons ensuite comparé les champs de pression d'origine et créés. Les pressions minimale et maximale dans les deux champs sont proches l'une de l'autre (Fig. 5).
Figure 5 - Flux de travail de validation du réseau d'apprentissage en profondeur
Ensuite, nous avons effectué une série de vrais tests. Pour indiquer les zones où nous voulions collecter les particules, nous avons peint des images spécialisées à l'aide de Microsoft Paint. Ils contenaient de nombreuses images simples et multilignes différentes qui seraient difficiles à obtenir sans notre méthode. Le réseau formé a ensuite été utilisé pour définir la géométrie des canaux nécessaires pour créer ces zones définies. Enfin, avec l'aide de nos partenaires, nous avons fabriqué une gamme de dispositifs microfluidiques basés sur la géométrie prévue. Chacun de ces dispositifs a ensuite été injecté avec des particules de polystyrène de 1 µm en suspension dans un liquide dans les canaux formés, et un tensioactif a été induit sur le dispositif. Les résultats ont montré une agrégation de particules le long des régions indiquées dans nos images spécialisées (Fig. 6).
Figure 6 - En bas: les zones dessinées dans Microsoft Paint (violet) sont superposées au champ acoustique simulé requis pour l'agrégation de particules dans ces zones; en haut: le résultat est un échantillon de particules de polystyrène en suspension dans un appareil microfluidique fabriqué
Vers le cloud
En prévision de la prochaine phase de ce projet, nous mettons à jour notre réseau d'apprentissage en profondeur pour utiliser des images de champ acoustique en tant qu'entrées et générer des images de forme de canal en tant que sorties, plutôt que d'utiliser respectivement des vecteurs écrasés et des coefficients de Fourier. L'espoir est que ce changement nous permettra d'utiliser des formes de canaux qui ne sont pas faciles à définir avec la série Fourier et qui peuvent évoluer avec le temps. Cependant, la formation nécessitera un ensemble de données beaucoup plus volumineux, une architecture de réseau plus complexe et beaucoup plus de ressources de calcul. En conséquence, nous transférons le réseau et ses données de formation vers le cloud.
Heureusement, MathWorks Cloud Center fournit une plate-forme pratique pour démarrer et sortir rapidement des instances de cloud HPC. L'un des aspects les plus fastidieux de la recherche scientifique dans le cloud est l'interopérabilité, qui consiste à déplacer nos algorithmes et nos données entre le cloud et notre machine locale. MATLAB Parallel Server résume les aspects les plus complexes du cloud computing en nous permettant de fonctionner localement ou dans le cloud en quelques clics de menu simples. Cette facilité d'utilisation nous permet de nous concentrer sur le problème scientifique plutôt que sur les outils nécessaires pour le résoudre.
En utilisant MATLAB avec des instances Amazon Web Services basées sur un GPU NVIDIA, nous prévoyons de former le réseau mis à jour pour qu'il fonctionne avec les données stockées dans les compartiments Amazon S3. Nous pouvons ensuite utiliser le réseau formé sur les postes de travail locaux pour tirer des conclusions (qui ne nécessitent pas de calcul haute performance) et expérimenter différents modèles et champs acoustiques. Ce travail nous fournira des données d'entrée pour d'autres projets d'apprentissage automatique utilisant la physique.
Si vous voulez en savoir plus sur la machine et l'apprentissage profond, passez nous voir pour le cours approprié, ce ne sera pas facile, mais passionnant. Et le code promo HABR vous aidera dans vos efforts pour apprendre de nouvelles choses en ajoutant 10% à la réduction sur la bannière.
- Cours d'apprentissage automatique
- Cours avancé "Machine Learning Pro + Deep Learning"
- Data Science
- Data Analyst