使用深度学习对微流体装置中的惯性升力进行无几何预测

arXiv:2605.08109v1 公告类型：新 摘要：惯性微流控装置 (IMD) 为许多传统的粒子（或细胞）操纵任务提供了低成本、高通量的替代技术，但对其进行模拟需要能够预测粒子迁移，从而在各种可能的通道几何形状下预测粒子升力。最近的工作表明，机器学习模型可以用来大大加速这些数值模拟，但这样做需要为每个独特的通道横截面类型（例如矩形、三角形）训练单独的模型——将负担从模拟步骤转移到训练步骤。在本文中，我们开发了一种预测粒子升力的新方法，该方法不包含明确的几何参数。我们使用新的参数集训练神经网络模型，并表明，虽然它在训练集中的通道几何形状上的性能与现有模型相当，但它能够更有效地推广到看不见的通道几何形状。我们表明，本文开发的升力模型可以轻松地转移到粒子追踪模拟软件中，该软件能够预测与各种通道设计中的文献一致的粒子迁移模式。