近期，大连理工大学机械工程学院李红霞团队联合华东师范大学药学院李洪林团队在微流控与深度学习融合领域取得创新性突破，成功实现微流控芯片智能设计与粒子的高精度时空操控。相关研究成果以“深度学习驱动的微流控芯片结构设计及其在粒子运动智能控制中的应用”(Deep learning-driven microfluidic chip architecture design for intelligent particle motion control)为题，论文发表于微流控领域国际权威期刊《芯片实验室》(Lab on a Chip)并被选为封面论文。
该研究攻克微流控系统中粒子时空调控的核心难题，创新性地提出微流控与深度学习融合的模块化设计策略：通过智能设计芯片结构，实现粒子的按需精准运动(图1)。传统微流控芯片设计高度依赖于人工经验与数值仿真，而把粒子运动的时空精准操控需求转化为芯片的结构设计，更是非直观的不适定逆问题。该研究突破传统设计范式，让微流控芯片设计从经验试错迈向智能化生成，是微流控技术向高效率、高性能、低成本、数智化应用的跨越。
该研究以模块化结构承载复杂性，深度学习压缩计算成本为核心技术，通过五大核心技术环节落地实施：模块化网络构建，将复杂微流控通道网络(MCNs)拆解为标准化功能模块，克服传统设计因系统复杂导致的建模困难；局部运动精准建模，采用专用神经网络模型(PMPM)，实现模块内粒子运动的高效预测，突破传统数值仿真在计算效率与精度上的局限(图2)；全局轨迹无缝拼接，采用多模块重构算法(MMRA)，实现跨模块粒子运动状态的全局连续拼接(图3)；需求-结构智能映射，从“芯片结构和流动条件”到“粒子运动轨迹”的精准预测，从“粒子运动轨迹”到“芯片结构和流动条件”的反问题求解，实现粒子目标轨迹到芯片硬件结构的智能逆向设计，突破人工经验驱动的设计范式(图4)；专用软件开发，开发PathChip芯片结构智能设计软件平台，降低对人员流体力学、微观粒子运动学等专业技术的门槛要求，促进微流控技术与化工、生物、医药、材料等学科交叉。
该研究从建模方法到设计范式进行系统创新，构建了复杂网络模块化-深度学习局部预测-多模块重构全局连续-智能化芯片设计的完整技术路径，实现三大实质性突破：效率的量级提升，大规模模块集成能在秒级时间内完成；控制精度的显著提高，粒子运动的时间误差低于0.031秒，出口预测准确率超过96%；设计模式的转变，以目标行为为驱动，实现从功能需求到芯片蓝图的智能映射。
该研究得到了“超限制造”上海市市级科技重大专项“新一代微纳化工芯片应用基础及器件设计评价”项目的支持，机械工程学院硕士研究生陈旭辉和博士研究生乔督为学生共同第一作者，机械工程学院李红霞副教授为通讯作者。（来源：机械工程学院 作者：张家旺 编辑：程昕 常思萌）
