基于深度强化学习的微流控器件流形设计
机器学习
2018-12-03 v1 机器学习
摘要
微流控器件被用于控制并引导流动行为，广泛应用于众多领域，尤其在医学诊断中。一种尤为流行的微流控形式——称为惯性微流控流场塑造——通过布置一系列 pillar 来可控地将初始流场形变为期望流场。惯性流场塑造可正式定义为一个反问题，即辨识出一组 pillar 序列（从有限 pillar 集中有放回地选取，每个产生特定变换），其复合变换得到用户定义的期望变换。此类工程问题普遍存在的反问题通常计算上极难处理，多数传统方法基于搜索与优化策略。本文将该反问题表述为强化学习（RL）问题。我们训练了一个DoubleDQN智能体从该环境中学习。结果表明，使用DoubleDQN模型可实现学习，成功频率在200,000轮次内达到90%且奖励收敛。尽管多数结果通过固定特定目标流形以简化学习问题获得，我们随后展示了如何将一个基于某目标流形训练智能体的学习迁移至另一目标，即从一种设计迁移至另一种，从而有助于流形的通用设计。
引用
@article{arxiv.1811.12444,
title = {Flow Shape Design for Microfluidic Devices Using Deep Reinforcement Learning},
author = {Xian Yeow Lee and Aditya Balu and Daniel Stoecklein and Baskar Ganapathysubramanian and Soumik Sarkar},
journal= {arXiv preprint arXiv:1811.12444},
year = {2018}
}
备注
Neurips 2018 Deep RL workshop