科奇大学的研究人员开发了一种开放获取的机器学习辅助工具，可自动完成微流控芯片设计，从而降低非专业用户的技术门槛。该研究发表于《科学进展》（Science Advances）期刊。
由科奇大学机械工程系副教授萨瓦什·塔索格鲁博士领导的研究团队开发了一种新型的、开放获取的、机器学习辅助的设计工具，旨在实现微流控芯片设计的自动化。该研究成果发表在 世界领先的多学科科学期刊之一—— 《科学进展》（Science Advances）上。
微流控系统是一种基于芯片的平台，能够以高精度和低成本处理极小体积的生物和化学样品，其应用日益广泛。这些系统常用于实验室的细胞培养研究、药物测试、诊断分析以及模拟人体组织的实验装置中。
然而，微流控芯片的设计和制造通常需要先进的工程技术和多次设计迭代。对于初涉微流控技术的研究人员而言，这一挑战是他们面临的主要障碍之一。
为了应对这一挑战，科奇大学的研究人员开发了一种名为μFluidicGenius (μFG) 的新型微流控芯片设计工具。该工具旨在帮助用户，尤其是非专业用户，快速设计出满足目标流动条件的微流控电路。
μFluidicGenius 的核心理念是利用简洁直观的用户输入，在软件环境下简化微流控芯片的设计。用户只需在芯片上预定义的区域内定义储液池的位置，指定储液池之间的通道连接，并输入每个区域的目标流速即可。这样，用户无需直接进行复杂的流体力学计算，即可完成设计过程。
μFG采用混合方法，将机器学习模型与流体力学计算相结合，以确定实现所需流场分布所需的流体阻力值。为了实现这些阻力值，该系统在芯片内生成迷宫状通道结构，从而提供精确可调的阻力特性。这使得在有限的芯片空间内优化所需的流动条件成为可能。
该研究还表明，所开发的方法并不局限于简单的流动配置。μFluidicGenius能够设计复杂的流动剖面，例如模拟生理条件的多器官芯片平台所需的流动剖面。这种能力使得使用相同的设计方法即可满足具有各种实验需求的微流控系统。
利用μFluidicGenius创建的微流控电路可以生成与三维（3D）打印直接兼容的输出文件。实验结果表明，在采用μFG设计并使用3D打印技术制造的芯片中，测得的流速与目标值的匹配度约为90%。该研究还表明，该系统能够在有限的芯片面积内成功满足低阻力和高阻力两种流体阻力需求。
参考文献
ML-automated microfluidic circuit design
