Kerangka Desain Mikrofluidik Droplet Otonom dengan Large Language Model

μ-Fluidic-LLMs: Kerangka Pemrosesan Data Tabular Sadar Konteks dalam Mikrofluidik Droplet

Dinh-Nguyen Nguyen; Raymond Kai-YuTong; Ngoc-Duy Dinh· ACS Omega· 2025· DOI 10.1021/acsomega.5c06253

Masalah inti

Perangkat mikrofluidik berbasis droplet menawarkan alternatif hemat biaya untuk penelitian biologi, dan model machine learning yang menggunakan data tabular semakin banyak dipakai untuk mengotomatiskan desainnya serta memprediksi kinerjanya. Namun, model-model ini sering mengabaikan informasi kontekstual seperti judul kolom dan deskripsinya, sehingga membatasi efektivitasnya. Studi ini menyajikan μ-Fluidic-LLMs, kerangka yang memanfaatkan large language model (LLM) untuk menangkap informasi kontekstual dari data tabular dengan mengubahnya menjadi format linguistik. Tujuannya adalah meningkatkan tugas prediksi dalam mikrofluidik droplet tanpa praproses data yang ekstensif.

Saat dikombinasikan dengan LLM seperti LLAMA3.1 dan DEEPSEEK-R1, deep neural network mencapai peningkatan yang mencolok: mean absolute error pada laju pembentukan turun hampir 40%, root mean squared error pada diameter droplet berkurang sekitar 26%, dan akurasi klasifikasi rezim meningkat lebih dari 3% dibandingkan hasil sebelumnya. Peningkatan ini konsisten di seluruh dataset yang dievaluasi, menunjukkan efektivitas penggabungan informasi kontekstual melalui LLM.

Perangkat mikrofluidik berbasis droplet menawarkan alternatif hemat biaya untuk penelitian biologi, dan model machine learning yang menggunakan data tabular semakin banyak dipakai untuk mengotomatiskan desainnya serta memprediksi kinerjanya. Namun, model-model ini sering mengabaikan informasi kontekstual seperti judul kolom dan deskripsinya, sehingga membatasi efektivitasnya. Studi ini menyajikan μ-Fluidic-LLMs, kerangka yang memanfaatkan large language model (LLM) untuk menangkap informasi kontekstual dari data tabular dengan mengubahnya menjadi format linguistik. Tujuannya adalah meningkatkan tugas prediksi dalam mikrofluidik droplet tanpa praproses data yang ekstensif.

Kerangka μ-Fluidic-LLMs memproses data tabular dengan mengubah baris dan kolom menjadi deskripsi bahasa alami, yang kemudian dimasukkan ke LLM terlatih seperti LLAMA3.1 dan DEEPSEEK-R1. LLM ini mengekstraksi fitur yang selanjutnya digunakan oleh model deep neural network untuk tugas prediksi. Kerangka ini dievaluasi pada dataset mikrofluidik droplet yang tersedia publik, dengan fokus pada tiga tugas: memprediksi laju pembentukan, diameter droplet, dan klasifikasi rezim. Transformasi ini memungkinkan LLM menafsirkan judul kolom dan deskripsi terkait, sehingga memperkaya himpunan fitur.

Kerangka μ-Fluidic-LLMs mengatasi batasan model machine learning tabular tradisional dengan memanfaatkan pemahaman kontekstual LLM. Dengan mengubah data tabular menjadi format linguistik, kerangka ini menangkap judul kolom dan deskripsi yang biasanya diabaikan, sehingga menghasilkan prediksi yang lebih akurat. Hasilnya menunjukkan bahwa LLM dapat memberdayakan deep neural network agar sangat efektif dengan praproses data minimal. Studi ini meletakkan dasar bagi penerapan LLM dan machine learning yang lebih luas dalam desain mikrofluidik dan bidang lainnya. Pekerjaan selanjutnya dapat mengeksplorasi integrasi dengan modalitas data lain dan otomatisasi desain waktu nyata.

Praktisi dan peneliti ilmu komputer

Membuka konten member…