《International Communications in Heat and Mass Transfer》：Deep Learning-enabled fast prediction of transient concentration gradients and mass transport in microfluidic systems with embedded cavities
编辑推荐：
•DNN代理模型替代CFD用于微流控传质预测。•基于仿真训练的神经网络实现毫秒级浓度推断。•该框架可预测不同芯片设计下的稳态扩散梯度。•物理信息驱动的数据方法加速传质计算。•在微流控中耦合机器学习与对流–扩散建模。引言作为微流控系统的重要组成部分，浓度梯度发生器（CGG）在微
- •
DNN代理模型替代CFD用于微流控传质预测。
- •
基于仿真训练的神经网络实现毫秒级浓度推断。
- •
该框架可预测不同芯片设计下的稳态扩散梯度。
- •
物理信息驱动的数据方法加速传质计算。
- •
在微流控中耦合机器学习与对流–扩散建模。
引言
作为微流控系统的重要组成部分，浓度梯度发生器（CGG）在微尺度流体操控和生物微分析领域引起了广泛关注。凭借其固有的优势，包括精确的流体控制、超低试剂消耗、微型化集成和高空间分辨率，这些技术已广泛应用于多种生物医学研究场景。除了高通量药物筛选、体外细胞培养和微尺度生化分析等经典应用外，该技术还扩展应用于肿瘤微环境建模[1]、器官芯片构建[2]、细胞趋化性研究、毒理学剂量-响应检测、快速抗生素敏感性测试（AST）[3]以及单细胞行为分析[4]。稳定可控的浓度梯度输出是各种微尺度生物实验的基础[5]。因此，高性能微流控浓度梯度发生器的结构设计和性能优化已成为现代微流控工程的研究热点[6]、[7]。
根据流体调控机制和结构配置，现有研究报道的主流CGG可分为层流混合型、多级网络分体型、物理结构辅助型和直通道扩散型。尽管微流控技术在生物分析方面展现出显著优势，但正如De Stefano等人所指出的，传统器件在模拟生物体内复杂动态生化梯度环境方面仍面临重大挑战，这主要归因于其在维持时空轮廓稳定性和调控灵活性方面的固有局限[8]。
在各种构型中，以T型或Y型连接件为代表的层流混合结构主要依赖于平行层流之间的横向分子扩散[9]，其梯度轮廓高度依赖于流场的瞬时稳定性，因此对入口流速的波动较为敏感[10]。多级网络分体结构，如树形分体网络[11]，可通过逐级稀释产生多组分梯度，但其结构参数表现出严重的物理耦合。Fink等人[12]指出，尽管自动化设计算法可以辅助构建复杂拓扑通道，但庞大的流体网络产生的大量死体积不仅限制了芯片的集成度，而且在满足非线性梯度要求时也难以精确平衡不同分支之间的压降，导致输出精度受限[13]。
此外，物理结构辅助型发生器[14]、[15]、[16]通过增强局部扰动来促进混合，但这种做法往往以牺牲流场稳定性为代价，并且在制造方面存在挑战。相比之下，传统直通道扩散发生器加工工艺简单，但受菲克扩散定律控制，梯度建立速度极慢，难以实现高效的瞬态响应[17]。
然而，传统数值仿真工具基于有限元分析框架构建，在处理复杂耦合生物流体问题时会产生巨大的计算开销。流场和浓度场的耦合计算需要反复进行网格重建、局部网格细化和高阶迭代求解，导致每个案例的运行时间极长。涉及多参数扫描、结构迭代优化和大规模性能筛选的场景中，这一效率瓶颈尤为突出。
为克服传统数值仿真的计算瓶颈，数据驱动的代理模型技术近年来发展迅速，用于微流控中多物理场快速预测[18]。Lai等人明确指出，人工智能（AI）与微流控的深度融合为功能器件的设计与优化提供了一种新兴范式[19]。在各种代理建模方法中，基于深度学习的代理模型在非线性特征提取[19]和高维映射拟合[20]方面表现出色。通过构建大规模仿真数据集并完成神经网络训练，深度学习模型可以自主学习微通道结构参数、边界条件与时空浓度场之间的隐式复杂映射关系[21]。
Maionchi等人开发了一种新颖的计算流体力学-高斯过程耦合优化框架，用于带有内部圆形障碍物的Y型被动微混合器[22]。Santoso等人开发了一个物理驱动的机器学习工具箱，用于扩散主导的微流控多孔芯片中快速时空浓度预测，避免了代价高昂的完整格子玻尔兹曼（LB）模拟[23]。Ji等人提出了一种图神经网络（GNN）框架，用于预测具有任意变入口流速度的网格约束被动微流控混合器的出口溶质浓度，克服了现有基于CNN的代理模型在尺寸固定和流量固定方面的局限性[24]。Yang等人开发了一种神经-物理多保真度模型（NP-MFM），结合主动学习和GPU加速遗传算法，用于三重Y型微流控浓度梯度发生器（μCGG）的逆向设计[25]。Zhang等人开发了一个自动化的COMSOL仿真流水线，生成了20,000个案例的数据集来训练全连接ANN，该模型预测反应区上下边界采样点的浓度值。进一步采用二维线性插值算法重建全场浓度分布。数值测试表明，所提出的混合方法平均结构相似性指数（SSIM）达到93.71，单次预测在1秒内完成，与有限元模拟相比加速超过300倍[26]。Li等人提出了一种九宫格网络（NGN）代理框架。将混合区离散化为均匀的5 μm网格，并以滑动3×3子块进行处理。训练15个全连接ANN子模型，对应3×3单元内不同的障碍物布局[27]。
与传统有限元模拟相比，训练良好的深度学习模型消除了繁琐的网格划分和迭代求解需求[28]。该模型在保证预测精度的同时，实现了瞬态浓度场的毫秒级快速预测，使计算速度提升了一个数量级。这一优势使得深度学习数据驱动模型在微流控器件的快速设计、参数优化和大规模性能筛选中具有广阔的应用前景[29]、[30]、[31]。
本研究针对单入口多腔室微流控浓度梯度发生器，构建了一种由时序预测子网和空间重建子网组成的双分支深度神经网络代理框架，该框架相比最先进代理模型具有核心改进。所提出的统一DNN支持多种腔室形状和连续可调的通道高度，实现了一个适用于所有几何构型的全局模型，而无需为每个结构重新训练独立的网络。两个解耦的子网络分别预测时间分辨的出口浓度演化和重建平滑的二维横截面浓度轮廓。此外，所提出的DNN模型超越了现有代理模型的加速性能。此外，该模型避免了高成本的多保真度数据融合和LBM数据集生成，显著降低了代理建模的总体计算开销。
本研究验证了所提出建模策略的可靠性，训练好的代理模型可作为高效工具，加速多种微流控浓度梯度发生器的结构设计、参数优化和性能评估。进一步与路径驱动调度和延迟优化算法相结合，该模型可纳入连续流微流控芯片的自动设计流程，为微流控传质系统的智能设计和高效开发提供创新的技术框架。
章节摘要
几何结构
所提出的微流控设计的工作原理受腔室增强直通道内耦合对流与扩散控制。当载有溶质的流体沿主通道流动时，部分溶液通过狭窄的连接支管分流进入各个圆形腔室。每个腔室内扩大的横截面显著降低了局部流速，此时分子扩散成为主要的传质机制，并逐渐均匀分布溶质。
腔室数量对浓度梯度生成的影响
为研究腔室数量对浓度梯度生成的影响以及稳健梯度生成所需的腔室数量确定问题，即指在目标设计和操作条件下稳定可靠地产生连续横向浓度梯度，并保持一致的空间轮廓。我们对四种不同数量的腔室方案进行了数值模拟。相应的模拟结果见图6（a）。其影响为
结论
本研究构建了一种双分支深度学习代理框架，用于实现具有不同腔室布局和可变通道高度的微流控传质芯片中瞬态浓度梯度的快速精确预测。通过COMSOL Multiphysics中的瞬态数值模拟生成了大规模的时间分辨浓度场数据集。设计了两个解耦的深度神经网络用于不同任务：一个预测时变的出口浓度标量值，
利益冲突声明
作者声明不存在可能被认为影响本文所述工作的已知的竞争性经济利益或个人关系。
致谢
本研究由以下项目资助：辽宁省科技计划项目（2025JH2/101330030）、辽宁振兴人才计划（XLYC2202007）、大连重点创新团队（2021RT05）、大连高层次人才创新支持计划（2019RJ08）以及中央高校基本科研业务费（3132023506）。
董建红|刘文|王雨|于晴|王俊生
