論文の概要: Periodicity-Enforced Neural Network for Designing Deterministic Lateral Displacement Devices

• arxiv url: http://arxiv.org/abs/2511.17754v1
• Date: Fri, 21 Nov 2025 20:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.402417
• Title: Periodicity-Enforced Neural Network for Designing Deterministic Lateral Displacement Devices
• Title（参考訳）: 決定論的側方変位デバイス設計のための周期性強化ニューラルネットワーク
• Authors: Andrew Lee, Mahir Mobarrat, Xiaolin Chen,
• Abstract要約: 本稿では, 周期層, ニューラルネットワークコンポーネントを組み込んだ周期性強化サロゲートモデリング手法を提案する。 提案手法は3つのサブネットワークを用いて, 臨界径や粒子軌道を直接予測するのではなく, 定常, 非次元速度, 圧力場を予測する。
• 参考スコア（独自算出の注目度）: 4.743321030941228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deterministic Lateral Displacement (DLD) devices enable liquid biopsy for cancer detection by separating circulating tumor cells (CTCs) from blood samples based on size, but designing these microfluidic devices requires computationally expensive Navier-Stokes simulations and particle-tracing analyses. While recent surrogate modeling approaches using deep learning have accelerated this process, they often inadequately handle the critical periodic boundary conditions of DLD unit cells, leading to cumulative errors in multi-unit device predictions. This paper introduces a periodicity-enforced surrogate modeling approach that incorporates periodic layers, neural network components that guarantee exact periodicity without penalty terms or output modifications, into deep learning architectures for DLD device design. The proposed method employs three sub-networks to predict steady-state, non-dimensional velocity and pressure fields (u, v, p) rather than directly predicting critical diameters or particle trajectories, enabling complete flow field characterization and enhanced design flexibility. Periodic layers ensure exact matching of flow variables across unit cell boundaries through architectural enforcement rather than soft penalty-based approaches. Validation on 120 CFD-generated geometries demonstrates that the periodic layer implementation achieves 0.478% critical diameter error while maintaining perfect periodicity consistency, representing an 85.4% improvement over baseline methods. The approach enables efficient and accurate DLD device design with guaranteed boundary condition satisfaction for multi-unit device applications.
• Abstract（参考訳）: DLD(Deterministic Lateral Displacement)デバイスは、血液サンプルから循環性腫瘍細胞(CTC)を分離することで、がん検出のための液体生検を可能にするが、これらのマイクロ流体デバイスを設計するには計算コストのかかるナビエ・ストークスシミュレーションと粒子追跡解析が必要である。 深層学習を用いた最近の代理モデリング手法はこの過程を加速しているが、それらはしばしばDLD単位細胞の臨界周期境界条件を不十分に処理し、マルチユニットデバイス予測における累積誤差をもたらす。 本稿では, DLDデバイス設計のためのディープラーニングアーキテクチャに, 周期層, ペナルティ条件や出力修正を伴わない正確な周期性を保証するニューラルネットワークコンポーネント, を組み込んだ周期性強化サロゲートモデリング手法を提案する。 提案手法では, 臨界径や粒子軌道を直接予測するのではなく, 定常, 非次元速度, 圧力場 (u, v, p) を3つのサブネットワークで予測し, 完全な流れ場のキャラクタリゼーションと設計の柔軟性を向上させる。 周期的なレイヤは、ソフトペナルティベースのアプローチではなく、アーキテクチャ上の実施を通じて、単位セルの境界を越えたフロー変数の正確なマッチングを保証する。 120のCFD生成ジオメトリの検証により、周期層の実装は、完全な周期性の一貫性を維持しながら、0.478%の臨界径誤差を達成し、ベースライン法よりも85.4%改善したことを示す。 このアプローチにより、マルチユニットデバイスアプリケーションにおける境界条件の満足度を保証した、効率的かつ正確なDLDデバイス設計が可能になる。

関連論文リスト

• Data-Driven Predictive Modeling of Microfluidic Cancer Cell Separation Using a Deterministic Lateral Displacement Device [4.341998130855981]
  本研究は, 肺がん細胞の選択的分離を促進するために, 行シフト率, ポストサイズ, ギャップ距離などのDLD設計パラメータの最適化に焦点を当てた。 希少なCTC検出の課題を克服し、計算集約的なシミュレーションへの依存を減らすため、機械学習モデルを採用している。
  論文  参考訳（メタデータ） (2025-11-21T21:08:34Z)
• EEGReXferNet: A Lightweight Gen-AI Framework for EEG Subspace Reconstruction via Cross-Subject Transfer Learning and Channel-Aware Embedding [2.1349209400003937]
  本稿では,クロスオブジェクトAI転送学習によるEEGサブスペース再構築のための軽量フレームワークであるEEGReXferNetを紹介する。 EEGReXferNetは、近隣チャネル間のボリューム伝導、バンド固有の畳み込み符号化、スライディングウィンドウによる動的潜在特徴抽出を採用している。
  論文  参考訳（メタデータ） (2025-10-26T02:15:25Z)
• A Spatio-Temporal Graph Neural Networks Approach for Predicting Silent Data Corruption inducing Circuit-Level Faults [5.2974276480448195]
  機能テスト SDE関連の障害をシミュレートするには費用がかかる。 長周期断層衝突確率の高速かつ高精度な予測のための統合時間グラフ畳み込みネットワーク(ST-GCN)を提案する。
  論文  参考訳（メタデータ） (2025-09-08T02:23:51Z)
• FlowECG: Using Flow Matching to Create a More Efficient ECG Signal Generator [0.0]
  合成心電図生成は、プライバシ保護データ共有とトレーニングデータセット拡張を必要とする医療AIアプリケーションを提供する。 現在の拡散法は、高い世代品質を実現するが、サンプリング中に数百のニューラルネットワーク評価を必要とする。 本研究では,SSSD-ECGアーキテクチャに適応するフローマッチング手法であるフローECGを提案する。
  論文  参考訳（メタデータ） (2025-08-31T09:19:22Z)
• MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
  マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。 特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。 4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
  論文  参考訳（メタデータ） (2025-01-27T12:15:51Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Real-time simulation of parameter-dependent fluid flows through deep learning-based reduced order models [0.2538209532048866]
  還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。 ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。 得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
  論文  参考訳（メタデータ） (2021-06-10T13:07:33Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。