Geometry-free prediction of inertial lift forces in microfluidic devices using deep learning

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.

📋 한 줄 요약

**[과학적 머신러닝 / 마이크로유체학]** 채널 형상에 대한 명시적 기하 파라미터 없이도 보지 못한 단면 형상에 일반화되는 입자 관성 양력 예측 딥러닝 모델 제안.

🎯 핵심 기여도

기존 IMD(관성 마이크로유체 디바이스) 양력 예측 모델이 단면 형상별로 별도 학습이 필요했던 한계를 진단.
명시적 기하 파라미터 대신 새로운 파라미터 집합을 입력으로 사용하는 geometry-free 신경망 설계.
학습 셋 내 형상에서는 기존 모델과 동등 성능, 미관측 형상에 대해서는 훨씬 우수한 일반화 보고.
학습된 양력 모델을 입자 추적 시뮬레이션 소프트웨어에 직접 이식 가능함을 시연.

💡 핵심 아이디어

채널 형상을 기하 파라미터로 명시하지 않고 유동장 자체에서 도출 가능한 일반 입력으로 대체하면, 모델이 "형상" 개념에 과적합되지 않고 물리 법칙에 가까운 표현을 학습한다는 통찰.

🔬 기술적 접근법

**모델/방법론**: 채널 형상별 모델을 따로 두는 기존 방식을 버리고 단일 geometry-free 신경망으로 양력 예측.
**핵심 기법**: 사각·삼각 등 명시적 단면 분류 대신 형상 비의존적 입력 표현 도입, 다양한 단면에서 생성한 시뮬레이션 데이터를 통합 학습, 학습 결과를 particle tracing software에 plug-in.

📊 주요 결과

학습 셋 형상에서 기존 형상 특화 모델과 동등한 양력 예측 정확도.
학습에 사용되지 않은 새 채널 형상에 대해 기존 방법 대비 훨씬 우수한 일반화 성능.
다양한 채널 디자인에서 문헌과 일치하는 입자 이동 패턴을 입자 추적 시뮬레이터에서 재현.

💭 의의 및 한계

**의의**: 채널 디자인이 다양해지는 IMD 분야에서 일회성 학습으로 여러 디자인을 평가할 수 있어 설계 사이클을 크게 단축. **한계**: 학습 데이터가 다루지 않은 매우 이질적인 형상(예: 극단적 비대칭, 가변 단면)에서의 한계는 추가 검증 필요.

🚀 실용적 활용

마이크로유체 셀 분리·정렬 디바이스의 신속 프로토타이핑.
의료 진단용 lab-on-a-chip 설계 자동화 워크플로.
채널 형상 최적화 루프에서 시뮬레이션 대체 surrogate model.