[发明专利]一种基于内存计算的微流控芯片

说明书

本发明涉及微流控芯片技术领域，尤其涉及一种基于内存计算的微流控芯片。本发明针对现阶段机器学习在微流控技术领域的应用存在“内存墙”瓶颈问题，从硬件架构的角度考虑，通过将内存计算技术与微流控芯片相结合，将微流控模块、传感模块、内存计算模块集成到微流控芯片中，使机器学习原本需要在独立计算单元进行的计算转移至微流控芯片的存储单元中进行，有效提高机器学习对微流控的计算效率，降低系统功耗。

技术领域

本发明涉及微流控芯片技术领域，尤其涉及一种基于内存计算的微流控芯片。

背景技术

微流控(Microfluidics)是一种精确控制微尺度流体(10^-9～10^-18L)的技术，可基于多种学科原理对样品进行操控(如：电学操控技术、光学操控技术、磁学操控技术、声学操控技术)；微流控芯片(Microfluidic Chip)也称为芯片实验室(Lab-on-a-Chip)，将生物、化学、医学等领域的样品预处理、反应、分选、检测、分析等功能集成到一块微米尺度的芯片上，在芯片上完成样品分析的全过程；具有体积小、样品消耗低、检测速度快、操作简便、多功能集成、便于携带等优点，在许多领域具有广阔的应用前景。

传统的微流控芯片在工作过程中，往往需要专业人士进行人为的观测和介入，从而使微流控芯片达到稳定的工作状态；微流控芯片在工作过程中产生的实时数据量较大，其数据的有效特征信息难以定义和提取，因此微流控的操控与分析一直是该领域的难点之一；针对这一难题，近年来有研究人员将机器学习运用于微流控芯片领域，优化其操控、分析等功能，取得了非凡的突破；机器学习在大数据分析、特征提取等方面具有得天独厚的优势，已在微流控芯片领域展现出卓越的应用潜力。

然而机器学习在微流控技术领域的技术发展，目前都是对机器学习的算法进行创新和优化，其计算平台仍是基于传统的冯·诺依曼结构(von Neumann architecture)。在冯·诺依曼结构中，存储单元与计算单元是两个独立的单元，计算时需要根据指令将存储单元中的数据传输至计算单元，计算单元完成计算后，再次将数据传输至存储单元，该技术瓶颈严重限制了系统的效率和功耗，通常被称为“内存墙(Memory Wall)”。同时，由于微流控芯片在工作过程中通常会产生大量的实时数据，“内存墙”瓶颈问题体现得尤为明显；将机器学习应用在微流控芯片领域的优势显著，而目前业内主要考虑在软件层面进行相应的技术改良，并没有考虑从硬件层面进行优化；因此针对机器学习在微流控芯片领域的硬件计算平台，进行硬件架构层面的技术突破已成为当前的迫切需求，而行业内并没有相关的技术手段应对。

发明内容

针对上述存在的问题或不足，为解决现阶段机器学习在微流控技术领域的应用存在“内存墙”瓶颈问题，本发明提供了一种基于内存计算的微流控芯片；从结构上将内存计算技术与微流控芯片相结合，将微流控模块、传感模块、内存计算模块集成到微流控芯片中；通过传感模块即时获取微流控模块的基础特征信息(如：速率、形状、排列、温度等)，作为机器学习的输入变量；将机器学习原本在计算单元中进行的计算移至内存计算模块的存储单元中进行，有效提高机器学习对微流控芯片的计算效率，降低系统功耗。

一种基于内存计算的微流控芯片，包括微流控模块、传感模块和内存计算模块。

所述微流控模块，包含至少一个微流控驱动模块和至少一个微流道，各微流控驱动模块分别基于多种学科原理(如：电学操控技术、光学操控技术、磁学操控技术和/或声学操控技术)。

每个微流道根据微流控模块的功能需求，选择并设计微流道的材料、参数和形状，结合微流控驱动模块，对微尺度流体(10^-9～10^-18L)进行精确操控，实现微流控的功能。

所述传感模块包含至少一个图像传感模块和/或物理传感模块，图像传感模块用于即时获取微流控模块的图像基础特征信息(如：形状、排列等)，物理传感模块用于即时获取微流控模块的物理基础特征信息(如：速度、温度等)，并输出对应的机器学习输入变量。