論文の概要: Geometry-free prediction of inertial lift forces in microfluidic devices using deep learning

• arxiv url: http://arxiv.org/abs/2605.08109v1
• Date: Mon, 27 Apr 2026 18:07:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.700511
• Title: Geometry-free prediction of inertial lift forces in microfluidic devices using deep learning
• Title（参考訳）: 深層学習を用いたマイクロ流体デバイスにおける慣性昇降力の幾何学フリー予測
• Authors: Jesse Ward-Bond, Ali Mashadian, Timothy C. Y. Chan, Edmond W. K. Young,
• Abstract要約: 本研究では, 比喩的パラメータを含まない粒子リフト力の予測手法を開発した。 本研究では,昇降力モデルを簡単に粒子追跡シミュレーションソフトウェアに転送可能であることを示す。
• 参考スコア（独自算出の注目度）: 2.21658458251407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inertial microfluidic devices (IMDs) offer low-cost, high-throughput alternative techniques for many traditional particle- (or cell-) manipulation tasks, but simulating them requires being able to predict particle migration, and thus particle lift forces, under a variety of possible channel geometries. Recent work has demonstrated that machine learning models can be used to drastically speed up these numerical simulations, but doing so required training individual models for every unique channel cross-section type (e.g., rectangular, triangular) -- shifting the burden from the simulation step to the training step. In this paper, we develop a novel approach for predicting particle lift forces that contains no explicit geometric parameters. We train a neural network model using a new parameter set and show that while it performs comparably to existing models on channel geometries in the training set, it is able to generalize to unseen channel geometries far more effectively. We show that the lift force model developed herein can be easily transferred to particle tracing simulation software, where it is capable of predicting particle migration patterns consistent with the literature across a variety of channel designs.
• Abstract（参考訳）: 慣性マイクロ流体デバイス(IMD)は、多くの従来の粒子(または細胞)操作タスクに対して低コストで高スループットの代替技術を提供するが、それらをシミュレートするには粒子移動を予測でき、それによって様々なチャネルジオメトリの下で粒子リフト力を予測する必要がある。 最近の研究は、機械学習モデルがこれらの数値シミュレーションを劇的に高速化するために使用できることを示したが、そのためには、ユニークなチャネル断面タイプ(例えば、長方形、三角形)ごとに個別のモデルをトレーニングする必要がある。 本稿では, 比喩的パラメータを含まない粒子リフト力の予測手法を開発した。 我々は、新しいパラメータセットを用いてニューラルネットワークモデルをトレーニングし、トレーニングセット内のチャネルジオメトリの既存のモデルと同等に機能する一方で、チャネルジオメトリをはるかに効果的に一般化することができることを示す。 ここで開発された昇降力モデルは、粒子追跡シミュレーションソフトウェアに容易に移行でき、様々なチャネル設計の文献に整合した粒子移動パターンを予測できることを示す。

関連論文リスト

• Physics-Grounded Motion Forecasting via Equation Discovery for Trajectory-Guided Image-to-Video Generation [54.42523027597904]
  物理グラウンド映像予測のためのシンボル回帰と軌跡誘導映像(I2V)モデルを統合する新しいフレームワークを提案する。 提案手法は,入力ビデオから運動軌跡を抽出し,検索に基づく事前学習機構を用いて記号回帰を向上し,運動方程式を発見し,物理的に正確な将来の軌跡を予測する。
  論文  参考訳（メタデータ） (2025-07-09T13:28:42Z)
• Flow Matching for Geometric Trajectory Simulation [4.271235935891555]
  N体系は、分子動力学、生化学、歩行者動力学など幅広い分野の応用において基本的な問題である。 機械学習は、物理ベースのシミュレータをスケールし、実験データから直接モデルを開発する上で、貴重なツールとなっている。 現実的な軌跡を生成するためには、既存の手法は、非情報ノイズから始まる複雑な変換を学習し、ドメインインフォームド先行の活用を許さない必要がある。 本稿では,この制限に対処するためにSTFlowを提案する。フローマッチングとデータ依存結合を利用して,モデル表現率やスケーラビリティを犠牲にすることなく,幾何学的軌道の物理インフォームドシミュレーションを容易にする。
  論文  参考訳（メタデータ） (2025-05-24T11:18:59Z)
• CNN-powered micro- to macro-scale flow modeling in deformable porous media [0.0]
  本研究は, 変形性多孔質媒質中のマクロ内在透過性テンソルを, 実マイクロジオメトリーのマイクロCT画像の限られたセットを用いて予測する新しい手法を提案する。 この研究の新規性は、変形および異方性流れ条件下での細孔流体の挙動を予測するために畳み込みニューラルネットワーク(CNN)を活用することである。
  論文  参考訳（メタデータ） (2025-01-11T07:36:41Z)
• Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics [1.8749305679160366]
  本研究では,Navier-Stokes方程式を解くために,有限要素ソルバ内にディープラーニングモデルを埋め込むフレームワークを提案する。 後方向きのステップを流れる流れの手法を検証し,その性能を新しい測地で検証する。 我々は,GNNに基づくクロージャモデルについて,解法制約付き最適化としてクロージャモデリングを解釈することにより,データ制限シナリオで学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-25T14:27:49Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。