Stuntman 闭环怎么搭:配置文件、脚本和优化器

Stuntman 闭环怎么搭 配置文件、脚本和优化器各管什么

闭环自动化让上一轮实验的结果自动决定下一轮做什么。Stuntman 上的闭环由三样东西组成:一份写实验内容的配置文件,一组 Python 脚本,一个挑条件的优化器。

内容依据原厂技术说明 Dive deep into Stuntman’s closed-loop automation(Rev A)。蔗糖水解案例的运行结果见无人值守的闭环优化,这里讲闭环的结构,以及换成自己的实验时要改哪些部分。

每一轮都经过设计、执行、测量、学习四个阶段

常规自动化能把固定流程跑完,但设计、分析和决策还是分开的。每轮结束,科学家要先整理数据,判断结果,再选下一批条件,然后启动新的运行。闭环把这几步连起来,四个阶段按顺序重复:

  • 设计:把优化器选中的条件写成 Stuntman 能执行的设计。
  • 执行:在 Stuntman 的模块化台面上跑这些条件。
  • 测量:由集成的分析仪器采集实验结果。
  • 学习:把测量值换算成目标值,交回优化器。

图 1 闭环的四个阶段:设计、执行、测量、学习。图取自原厂技术说明。

实验内容写在配置文件里,和流程脚本分开

配置文件用 XLSX 或 JSON,闭环脚本里不写具体实验。配置文件里有这几项:

  • 物料,以及每种物料在实验里的角色
  • 实验设置
  • 各变量的取值范围
  • 优化标准
  • 轮数上限

要复查或调整实验,改配置文件即可,不用改闭环的步骤顺序。

运行时,generate_design.py 把选中的条件打包成一个 .stunt 文件。Stuntman 的执行数据和分析仪器的结果也写进这个文件。计划做什么、实际跑了什么、测到什么,都在同一个结构化文件里。

closed_loop.py 按顺序调用六个步骤,每个脚本只做一件事

图 2 闭环的脚本结构:closed_loop.py 居中调度,其余脚本各负责一步。图取自原厂技术说明。

closed_loop.py 是主脚本。它先读配置文件,把搜索空间和目标交给 optimizer.py,然后每轮按下面的顺序走,直到满足停止条件:

  • 决策(optimizer.py):根据搜索空间、目标和已有结果,提出第一批或下一批候选条件。
  • 更新(update.py):把候选条件交给 generate_design.py。
  • 写设计(generate_design.py):用选中的条件生成 Python 设计,再转成可执行的 .stunt 文件。
  • 运行实验:Stuntman API 启动这份设计,Stuntman 配样、处理样品,取出检测样品转到集成的分析仪器。
  • 分析数据(analysis.py):把每个检测结果换算成目标函数要用的参数值。
  • 评估(evaluate.py):对照停止条件检查结果。继续就把结果交回 optimizer.py,满足条件就结束。

优化、生成设计、执行、分析和评估分在不同的脚本里。决策逻辑因此不依赖具体的实验操作,每个脚本可以单独审核或修改,不用重写整个闭环。

科学家用自然语言描述实验目标和流程,Stuntman AI 据此生成并修改脚本。这些脚本先读配置、生成设计、执行实验,再做分析、评估和优化。脚本在实验开始前先经过审核和验证。运行中由验证过的脚本调度流程,由优化器选条件。

优化器用已测的条件估计未测条件的表现和不确定度

演示流程用的是高斯过程贝叶斯优化器,基于 scikit-optimize 实现。它用已测条件和它们的目标得分建一个代理模型。对没测过的条件,模型同时给出预期表现和不确定度。

挑候选条件时,优化器在两件事之间取平衡:在已经表现好的区域细化,和去不确定度高的区域探索,那里可能有更好的条件。每轮的新测量值先更新代理模型,再提出下一批候选。

蔗糖水解流程的设置如下。每轮 12 个候选,最多 12 轮。12 个候选里,1 个是固定对照,1 个是目前得分最高的非对照条件,另外 10 个是新提出的条件。探索比例按轮数分三段:

轮次:探索比例

第 1–4 轮:90%

第 5–8 轮:50%

第 9–12 轮:10%

前几轮大范围覆盖条件空间,后几轮集中细化。每个候选按反应速率和线性打归一化综合得分,合格线是速率 ≥ 10 μM/s、线性 ≥ 0.99、综合得分 ≥ 1。

图 3 optimizer.py 节选。首行注释是探索比例。下面定义每轮 12 个候选,其中 10 个由优化器提出;还有对照条件,以及转化酶、pH、NaCl 的取值范围。图取自原厂技术说明。

闭环不限于贝叶斯优化。流程需要实验设计(DoE)、基于规则的逻辑或自定义模型时,可以换成别的决策方法。

选中的条件经 update.py 和 generate_design.py 变成 .stunt 设计

优化器选出一批候选后,update.py 把条件交给 generate_design.py。generate_design.py 生成可执行的 .stunt 设计。Stuntman API 启动这份设计,Stuntman 执行。

以蔗糖水解流程为例,每轮 12 个反应。每个反应在 0、10、20、30 min 各取一个样,得到吸光度时间曲线,用来算反应速率和线性。台面上放三块板:

  • 反应板,放反应混合物
  • 淬灭板,放淬灭后的反应
  • Stunner 板,作检测板

Stuntman 加试剂、混合,按时间点取样,转到淬灭板终止反应,再把淬灭后的样品移到 Stunner 板上。Stunner 测 UV/Vis 吸光度,analysis.py 把每条吸光度时间曲线换算成反应速率和线性,交回优化器。

evaluate.py 每轮检查停止条件,所有数据留在 .stunt 文件里

停止条件写在配置里,evaluate.py 每轮结束后检查一次。演示运行用的是最大轮数,也可以设成性能阈值。用户也可以在达到停止条件前手动终止实验。

无论继续还是结束,输入、选中的条件、执行数据、测量值和结果都留在 .stunt 文件里,可以复查。

换实验时,闭环主体不变,改物料、台面、检测和评分

这套闭环结构可以搬到新的实验流程上。技术说明把各部分分成两类:

类别:包括

可以不变:主循环的写法、状态管理、验证过的各步交接,以及结果必须交回优化器这一要求

随流程改:物料和变量范围、台面配置、执行方式、集成的分析仪器、检测读数、目标函数、优化器、停止逻辑

技术说明列出的应用方向有三类:

  • 小分子与化学:反应筛选、反应优化、预制剂
  • 材料与能源:电解液配方、聚合物开发、催化剂筛选
  • 生物药与基因治疗:多参数可开发性研究

技术说明对生物药只提到多参数可开发性研究。照上表的划分,主循环不变,要换的是物料和变量、台面模块、检测仪器、读数和评分方式。检测仪器见 Stunner 和 Aunty,台面模块见 Stuntman 模块与规格,软件见 Stuntman 软件。