Algorithms for the multimodal acoustophoresis control of particle trajectories

Abstract

This thesis explores a range of control algorithms for multimodal acoustophoresis, the process of manipulating particles in a fluid by simultaneously using several acoustic modes. The aim of the algorithms is to precisely guide particle trajectories in acoustofluidic systems, motivated by the demand for non-invasive, scalable manipulation techniques in biomedical applications such as single-cell analysis and targeted therapy. A simulation that replicates two particles in a 1D standing wave field in a microfluidic chamber, with up to ten acoustic modes available for control, is performed in Matlab. Here, acoustic radiation forces generated by ultrasound drive particle motion, while control is achieved through strategic selection and mixing of acoustic modes.

The work systematically evaluates reinforcement learning, graph search, and model-free strategies. Reinforcement learning strategies known to solve the multi-armed bandit problem are compared with myopic strategies that optimize for immediate reward using the one-step projected displacement via angle and distance minimization. Advanced mode-mixing techniques employing linear and quadratic programming are also implemented to refine particle control. A novel contribution of this thesis is the development of graph-building dynamics algorithms, which construct a discretized state space search for connected states using locally linearized motion. Tree search methods (Dijkstra’s and A* algorithms) are then used to plan globally optimal control paths, and use quadratic programming to navigate these paths. These algorithms demonstrate the ability for global path planning and local navigation. All algorithms were implemented in Matlab.

However, the enhanced performance of these complex algorithms comes at a computational cost. The study highlights that solving the computational scaling challenges inherent in these advanced techniques is crucial for extending the manipulation capabilities beyond a handful of particles simultaneously. Overall, the results provide insights into the trade-offs between algorithmic complexity and control performance, laying the groundwork for further theoretical investigation and future experimental clinical applications in acoustofluidic particle manipulation.

Popular Abstract (Swedish)

Styrning av partiklar med ljud och intelligenta algoritmer

Det här examensarbetet handlar om att styra små partiklar i vätska utan att röra vid dem, med hjälp av ljud. Genom en teknik som kallas multimodal akustofores kombineras flera olika ljudvågor för att noggrant kunna påverka partiklarnas rörelser. Metoden är särskilt intressant inom biomedicin, till exempel vid analys av enskilda celler eller för att leverera läkemedel på ett exakt och icke-invasivt sätt.

I studien simuleras ett system där två partiklar rör sig i ett endimensionellt ljudfält i en mycket liten vätskekanal, en så kallad mikrofluidisk kammare. Här används upp till tio olika ljudlägen, som tillsammans styr partiklarnas rörelse genom de krafter som skapas av ultraljudet. Genom att smart välja och kombinera dessa ljudlägen hoppas man kunna styra partiklarnas banor med hög precision.

Eftersom det är svårt att manuellt avgöra vilket ljudläge som ska användas vid varje tillfälle, krävs algoritmer som kan fatta besluten automatiskt. I detta arbete har ett brett urval av sådana algoritmer testats, från enklare, kortsiktiga metoder som alltid väljer det som verkar bäst i stunden, till mer avancerade strategier som först bygger upp en bild av miljön och därefter planerar en optimal väg mot målet.

Bland annat testades algoritmer inom så kallad reinforcement learning, där systemet lär sig genom att pröva sig fram och anpassa sig efter resultatet. Även sökalgoritmer som Dijkstra och A* användes för att hitta bästa vägen genom ett rutnät som representerar miljön.

Inom reinforcement learning provades både enklare metoder för det klassiska ”multi-armed bandit”-problemet, samt mer avancerade tekniker som Q-learning. Arbetet ledde även till utvecklingen av de så kallade Dynamics-algoritmerna. Dessa söker igenom en liten del av rutnätet som motsvarar partiklarnas möjliga rörelser, och använder en förenklad modell av rörelsen för att hitta rutor som hänger ihop. När en väg mot målet hittats används matematisk optimering, så kallad kvadratisk programmering för att styra partikeln mellan rutorna.

Resultaten visar tydligt på en kompromiss: ju mer avancerad algoritmen är, desto bättre kontroll får man, men det kräver också mer datorkraft. Denna balans mellan precision och beräkningskostnad är viktig att förstå för att kunna använda tekniken på fler partiklar samtidigt i framtiden. I det förenklade scenario som studerades visade sig kvadratisk optimering vara en mycket effektiv metod för att navigera partiklar med hög träffsäkerhet.

• author: Öhrnberg, Robin
• supervisor: Thierry Baasch; Bo Bernhardsson
• organization: Department of Biomedical Engineering
• alternative title: Algoritmer för multimodal akustoforetisk styrning av partikelbanor
• course: BMEM01 20251
• year: 2025
• type: H2 - Master's Degree (Two Years)
• subject: Technology and Engineering
• keywords: multimodal acoustophoresis, particle manipulation, acoustic modes, acoustofluidics, reinforcement learning, control algorithms, graph search, quadratic programming, microfluidics, ultrasound, trajectory control, global path planning, biomedical applications
• language: English
• additional info: 2025-07
• id: 9191430
• date added to LUP: 2025-06-11 13:56:37
• date last changed: 2025-06-11 13:56:37