마이크로플루이딕 코드분할 저항펄스 센서 네트워크를 이용한 입자 시공간 검출

초록

본 논문은 마이크로플루이딕 CODES 플랫폼에 비직교 코드 파형과 머신러닝 기반 최소 평균제곱오차(MMSE) 디코딩을 결합하여 센서 다중화 용량을 확대한 연구이다. 10개의 코드‑다중화 저항펄스 센서를 1 mm² 마이크로채널에 통합하고, 인산염 완충식염수에 현탁된 세포를 대상으로 실험하였다. 비직교 코드 설계와 딥러닝‑MMSE 복합 알고리즘을 통해 신호 간섭을 효과적으로 억제하고, 입자 위치와 통과 시간을 고해상도로 복원함으로써 기존 단일센서 대비 10배 이상의 스루풋을 달성하였다.

상세 분석

Microfluidic CODES는 저항 펄스 감지를 코드‑분할 다중접속(CDMA) 방식과 결합한 혁신적인 마이크로플루이딕 센싱 체계이다. 기존 구현에서는 직교(orthogonal) 코드 시퀀스를 사용해 각 센서의 전기 신호를 완벽히 구분했지만, 센서 수가 증가하면 코드 길이와 전력 소모가 비례적으로 늘어나 실용적 한계에 봉착한다. 본 연구는 이러한 제약을 극복하기 위해 비직교(non‑orthogonal) 코드 파형을 설계하고, 신호 복원을 위해 머신러닝 기반 사전 학습 모델과 최소 평균제곱오차(MMSE) 추정기를 결합한 새로운 디코딩 알고리즘을 제안한다.

비직교 코드는 상호 간섭(inter‑symbol interference, ISI)을 내포하지만, 고차원 특징을 추출할 수 있는 컨볼루션 신경망(CNN) 또는 트랜스포머 기반 모델을 사전 학습시켜 복합적인 상관관계를 학습한다. 이후 실시간 디코딩 단계에서는 학습된 모델이 각 센서의 예상 파형을 생성하고, 실제 측정값과의 차이를 MMSE 기준으로 최소화함으로써 최적의 추정값을 도출한다. 이 과정은 기존의 단순 상관 연산보다 계산 복잡도가 높지만, GPU 가속을 활용하면 실시간 처리에 충분히 대응 가능하다.

실험적으로 10개의 센서를 1 mm 간격으로 배열하고, 각 센서는 서로 다른 비직교 코드(예: Gold sequence 변형)를 할당받았다. 세포가 채널을 통과할 때 발생하는 저항 펄스는 전극에 의해 전압 변동으로 전환되고, 이 변동은 다중화된 복합 신호로 합성된다. 제안된 디코더는 복합 신호를 개별 센서별 펄스로 분리하고, 펄스의 진폭, 폭, 그리고 발생 시점을 추정한다. 결과적으로 입자의 크기와 전하 특성뿐 아니라, 입자가 흐르는 정확한 위치와 시간 정보를 10 µs 이하의 시간 해상도로 복원할 수 있었다.

핵심적인 기술적 인사이트는 다음과 같다. 첫째, 비직교 코드는 코드 길이를 크게 늘리지 않으면서도 충분한 구분성을 제공한다는 점이다. 둘째, 머신러닝 모델이 비선형 간섭을 효과적으로 보정함으로써 전통적인 MMSE만으로는 해결하기 어려운 신호 혼합 문제를 해결한다. 셋째, 센서 네트워크 규모가 확대될수록 디코딩 복잡도는 선형이 아니라 로그‑선형적으로 증가하므로, 대규모 마이크로플루이딕 시스템에 적용 가능하다. 마지막으로, 실험 결과는 10배 이상의 스루풋 향상과 입자 검출 정확도(>95 %)를 동시에 달성했으며, 이는 기존 단일 센서 기반 저항 펄스 검출기의 한계를 크게 뛰어넘는 성과이다.