用人工智能自动设计微型液体芯片

微流控技术能高精度、低成本地处理生物和化学物质，但设计和制造微流控芯片通常需要大量专业知识和多次设计迭代，对非专业人士来说门槛很高。为此，研究人员开发了μFluidicGenius（μFG）——这是一款开源、机器学习增强的设计工具，能让非专业用户快速创建功能性微流控电路。

用户只需在μFG中定义储液池的空间位置、指定它们之间的通道连接，并设定该布局下的期望流量。μFG利用结合机器学习模型与数学建模的混合算法框架，自动生成空间编码的迷宫结构，这些结构能实现满足目标流量分布所需的精确流体阻力。这些阻力元件经过优化，可适应可用的几何空间，并能复现复杂的流量剖面，比如多器官芯片平台中与生理相关的流量。生成的微流控设计可直接导出用于3D打印。

为实现这一功能，研究团队首先生成了庞大的数据集：通过Python算法创建1710种随机微流控迷宫，结合通道宽度、高度、拐角半径等参数，使用COMSOL多物理场仿真软件进行了328320次模拟，并通过实验验证了8种迷宫的流体阻力，仿真结果与实验数据相关性强（决定系数R²=0.965）。在此基础上，他们开发了两步机器学习预测模型：先训练27种回归模型，选出表现最好的5种，再训练分类模型为新输入选择最优回归器，最终模型在测试集上的R²值达0.999，预测精度极高。

生成模型方面，μFG采用禁忌搜索元启发式算法，结合机器学习预测阻力，迭代生成满足目标阻力的迷宫结构。设计时考虑了3D打印的制造限制（如最小分辨率40μm），通过控制通道宽度、高度和拐角数量确保可制造性，并从下方接近目标阻力以补偿制造缺陷可能导致的阻力增加。

μFG软件界面允许用户拖放储液池和通道，设定流量后，基于电路类比构建流体电路矩阵，用GNU线性规划工具求解所需阻力，再调用生成算法设计迷宫结构，最终导出3D可打印的.stl文件。实验验证了三种不同出口数量的电路，流量分配准确率超过90%，其中四出口电路的准确率达95%，且生成一个设计仅需几秒到几分钟。

该工具不仅降低了非专业人士使用微流控技术的门槛，还展示了机器学习在流体系统设计中的高效应用，有望推动诊断、生物技术等领域的创新，例如复现器官芯片中的生理流量、简化药物反应研究等。