水凝胶分析与人机协同条件候选生成的计算工作流:Agentic Hydrogel框架

《Frontiers in Soft Matter》:Agentic hydrogel: a human-in-the-loop computational workflow for hydrogel analysis and conditional candidate generation

【字体: 大 中 小 】 时间:2026年10月22日 来源:Frontiers in Soft Matter

编辑推荐:

  专业术语翻译: 水凝胶(Hydrogel)是高度可调性的软材料,但其分析具有挑战性,因为研究人员必须通过独立的任务特定脚本来协调数据集清洗、模式(Schema)解释、预测建模、条件生成、评估和报告。在此,研究人员提出Agentic Hydrogel,一种轻量级

  
专业术语翻译: 水凝胶(Hydrogel)是高度可调性的软材料,但其分析具有挑战性,因为研究人员必须通过独立的任务特定脚本来协调数据集清洗、模式(Schema)解释、预测建模、条件生成、评估和报告。在此,研究人员提出Agentic Hydrogel,一种轻量级、人机协同(Human-in-the-loop,HITL)的水凝胶数据分析与条件配方生成智能体框架。该系统整合了规划、分析、生成和报告模块,同时保留人类对数据集选择、目标分配和科学解释的控制。确定性模块执行预处理、模型训练、评估、后处理和产物生成,而可选的大语言模型(Large Language Model,LLM)仅限于摘要生成,不控制科学决策。该框架使用聚丙烯酰胺(Polyacrylamide,PAA)水凝胶流变学数据集和颗粒水凝胶数据集进行验证,成功执行了回归、分类和条件水凝胶配方生成任务。结果确立了该框架执行机器学习(Machine Learning,ML)工作流并生成相应文档的能力。因此,Agentic Hydrogel被呈现为一个可复现的工作流系统,而非新的预测算法或实验验证的替代方案。
论文解读文章
一、研究背景与问题提出
水凝胶是一类含水量丰富的聚合物材料,其力学性能可通过组成、交联、加工和环境条件进行调控。凭借这种可调性,水凝胶在力学生物学、再生医学和组织工程等生物领域得到广泛研究。近年来,水凝胶的增材制造受到关注,然而其开发过程面临显著挑战:聚合物浓度、交联剂含量、离子环境或工艺参数的微小变化,都可能导致储能模量和损耗模量等黏弹性性质发生非线性变化。因此,这类聚合物的设计依赖于迭代实验,耗时费力且难以在不同材料体系间推广。
机器学习(Machine Learning,ML)已成为加速软材料发现和优化的关键工具,能够从实验和计算数据集中学习复杂的结构-过程-性能关系。然而,现有研究往往聚焦于单一预测或优化任务,且针对特定数据集定制,缺乏覆盖全流程的通用端到端流水线。此外,条件候选生成是另一重要挑战:在许多水凝胶应用中,研究人员不仅希望从已知配方预测材料性能,还希望识别能够实现目标力学或流变响应的配方。条件生成以逆向方式探索配方空间,搜索满足用户定义性能标准的候选材料。近年来,生成式人工智能(Artificial Intelligence,AI)的进展极大促进了这一范式,变分自编码器(Variational Autoencoder,VAE)和扩散模型等架构已被应用于此领域。
大语言模型(Large Language Model,LLM)和智能体AI系统近年来改变了科学工作流的设计和执行方式。然而,完全依赖LLM进行科学决策仍存在挑战,因为其响应具有概率性,未经适当验证可能产生不准确结论。因此,新兴的设计理念是将确定性计算模块与LLM推理相结合,由常规算法执行数据加载、预处理、模型训练、验证和评估,而LLM提供自然语言交互、工作流解释和人机协同(Human-in-the-loop,HITL)支持。
二、研究内容与意义
基于上述背景,研究人员提出Agentic Hydrogel,一种用于水凝胶材料分析和条件生成的轻量级智能体系统。该系统整合了自动化规划、模式发现、基于多层感知器(Multilayer Perceptron,MLP)的材料性能回归与分类、基于条件变分自编码器(Conditional Variational Autoencoder,CVAE)和去噪扩散概率模型(Denoising Diffusion Probabilistic Model,DDPM)的条件数据生成、合成数据评估、生成后数据处理、工作流跟踪和报告生成。工作流围绕HITL命令行界面(Command-Line Interface,CLI)设计,允许用户指定实验细节。系统使用聚丙烯酰胺(PAA)水凝胶流变学数据集和颗粒水凝胶数据集进行评估,成功执行了回归、分类和条件配方生成任务。
该研究的主要贡献在于引入了一个单一的模式感知工作流流水线,包含人工批准变量分配、ML方法实施、评估以及详细文档和报告。Agentic Hydrogel的优点在于其受人类约束且可追溯的工作流架构,能够在几乎无需修改的情况下分析异质水凝胶数据集。
三、关键技术方法
研究人员开发了包含四个计算智能体的框架:规划智能体(Planner Agent)识别数据集、任务类型、回归和分类的目标变量、条件生成的条件变量和输出变量;分析智能体(Analysis Agent)执行预处理、可视化和预测;生成智能体(Generation Agent)训练生成模型、产生候选水凝胶组成和工艺参数并评估合成数据质量;编排智能体(Orchestrator Agent)协调完整工作流、记录工作流状态、管理智能体间通信并生成人类可读报告。系统采用确定性计算流水线,LLM组件可选且仅用于自然语言摘要和解释。预测模型采用自适应MLP,包含ReLU激活函数和可选dropout正则化,使用Adam优化器和基于验证的早停策略。生成模型包括CVAE和条件DDPM,CVAE将输出和条件向量编码到连续潜空间并通过重参数化技巧采样,DDPM使用基于MLP的去噪网络接收带噪输出变量、流变条件变量和正弦时间步嵌入。生成模型选择采用预定义启发式:少于约2000个样本的数据集默认选择CVAE,较大数据集选择DDPM,用户可通过CLI覆盖默认设置。合成数据评估从分布、结构和条件三个角度进行,包括Kolmogorov-Smirnov(KS)统计量、Pearson相关矩阵的Frobenius范数、条件最近邻匹配的均方根误差(RMSE)和平均绝对误差(MAE),以及范围违规分析。样本来源包括Mohammad等人开发的PAA水凝胶流变学数据集和Verheyen等人开发的颗粒水凝胶数据集。
四、研究结果
4.1 Agentic Hydrogel工作流架构
研究展示了Agentic Hydrogel工作流从湿实验室开发的水凝胶数据集出发,经过引导规划、模式发现、预处理、任务特定建模、评估和报告生成的完整流程。系统支持回归、分类和条件生成三类任务,评估层整合了R2、MAE、RMSE、F1分数、混淆矩阵、KS统计量、相关Frobenius范数和条件最近邻保真度等任务特定指标。
4.2 数据集与任务概览
PAA水凝胶数据集包含2336个样本和9个变量,两个颗粒流变数据集各包含3969个样本和10个变量。任务可用性矩阵显示,所有三个数据集在模式发现和预处理后均支持回归、分类和条件生成工作流。PAA数据集主要用于演示回归和CVAE条件生成,两个颗粒水凝胶数据集用于演示分类和扩散模型条件生成。
4.3 聚丙烯酰胺水凝胶流变学预测
在PAA数据集上,MLP以多输出方式从材料组成和工艺参数预测储能模量和损耗模量。五折交叉验证分析中,MLP达到R2为0.782±0.026,MAE为247.079±7.783 Pa,RMSE为424.342±16.857 Pa,MAPE为19.25%±0.19%。MLP包含两个各64神经元的隐藏层,无需容量扩展即超过用户定义阈值。研究人员指出,目标变量摘要显示平均储能模量显著高于平均损耗模量,反映两种流变性质数值尺度的固有差异。
4.4 颗粒水凝胶再悬浮状态分类
分类任务使用颗粒振荡应变和振荡应力数据集,以"再悬浮编码"变量为分类目标。分层五折交叉验证中,振荡应变数据集达到准确率0.940±0.017和宏F1分数0.939±0.017,振荡应力数据集达到准确率0.937±0.015和宏F1分数0.937±0.015。两个数据集的分类分数相似,因为它们共享大多数配方和流变变量,仅振荡应变或振荡应力实验输入不同。
4.5 聚丙烯酰胺水凝胶配方条件生成
PAA数据集的条件生成使用CVAE,以频率、储能和损耗模量为条件变量,生成材料和工艺参数。CVAE生成的样本平均KS统计量为0.406,相关Frobenius范数为0.693,条件最近邻RMSE为1.147,条件最近邻MAE为0.667。KS统计量表明若干真实和合成边际分布之间存在中等程度不一致,而相关Frobenius范数表明合成数据合理保留了原始变量间关系。
4.6 颗粒水凝胶数据条件生成
条件DDPM在两个颗粒水凝胶流变数据子集上演示,条件变量为储能、损耗、复数模量和振荡应变/应力,输出变量为材料组成。振荡应变数据集的DDPM达到平均KS统计量0.291,相关Frobenius范数0.373,条件最近邻RMSE 1.041,条件最近邻MAE 0.651。振荡应力数据集达到平均KS统计量0.290,相关Frobenius范数0.390,条件最近邻RMSE 1.013,条件最近邻MAE 0.624。研究人员指出,两个数据集除一列外完全相同,结果预期非常相似。
五、讨论与结论
讨论部分指出,回归和分类实验旨在证明Agentic Hydrogel能够配置和执行连续和离散目标变量的预测工作流,五折交叉验证表明预测模型在不同数据划分上产生一致的性能。条件生成实验展示了框架执行引导候选生成流水线的能力。系统的一个关键优势是LLM组件为可选且不用于科学决策,确定性模块处理数据加载、预处理、建模、训练、评估和报告,降低了未经验证的LLM驱动决策风险。研究存在若干局限性:聚焦于已有数据集而非闭环实验验证;生成样本虽经广泛评估但未建立实验有效性;AI模型选择并非基于经验性能优势;CVAE/DDPM选择使用预定义数据集大小启发式而非自适应优化策略。
结论部分指出,Agentic Hydrogel为机器学习赋能的水凝胶工作流提供了实用的人机协同框架。系统支持数据集加载、模式发现、回归、分类、条件生成、评估、后处理和报告生成。在实验性聚丙烯酰胺和颗粒水凝胶数据集上,框架展示了流变变量回归、颗粒水凝胶状态分类以及从流变参数条件生成材料组成和工艺变量的能力。这些结果表明,模块化智能体工作流可以在保持人类对科学决策控制的同时,支持数据驱动的水凝胶设计。最后应强调,该框架旨在辅助水凝胶增材制造的分析和表征,不替代物理和化学推理或水凝胶的实验验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号