自主滴滴微流体设计框架与大型语言模型
Dinh-Nguyen Nguyen1, Raymond Kai-YuTong1, Ngoc-Duy Dinh1
1Department of Biomedical Engineering, The Chinese University of Hong Kong, Shatin, New Territories 999077, Hong Kong.
ACS omega
|October 13, 2025
概括
这项研究引入了一个新的框架,用于使用大型语言模型 (LLM) 分析滴滴微流体数据. μ-Fluidic-LLMs框架增强了机器学习模型,大大改善了设备性能和设计的预测.
科学领域:
- 微流体学 微流体学
- 机器学习 机器学习
- 生物工程是生物工程.
背景情况:
- 基于滴滴的微流体设备提供了具有成本效益的生物研究工具.
- 机器学习模型自动化了微流体设备设计,但往往错过了表中的关键上下文数据.
研究的目的:
- 介绍μ-Fluidic-LLMs,用于从微流体学中的表格数据中提取上下文信息的框架.
- 提高机器学习模型在预测微流体设备设计和效率方面的性能.
主要方法:
- 将表式微流体数据转换为语言格式.
- 利用预训练的大型语言模型 (LLM) 来进行特征提取和分析.
- 评估公开可用的滴滴微流体数据集的μ-流体-LLMs框架.
主要成果:
- μ-Fluidic-LLMs框架显著提高了深度神经网络 (DNN) 的性能,而数据预处理最小.
- 与LLAMA3.1和DEEPSEEK-R1相结合,DNNs显示生成速率的平均绝对误差减少了~40%,滴滴直径的根平均平方误差减少了~26%.
- 与以前的方法相比,制度分类的准确性提高了3%以上.
结论:
- μ-Fluidic-LLMs有效地从表格数据中捕获上下文信息,克服了传统机器学习模型的局限性.
- 该框架为微流体应用提供了DNN的支持,在预测准确性和效率方面取得了显著的改进.
- 该研究强调了LLMs和机器学习在推进微流体学研究和开发方面的潜力.
