生成基于人工智能/机器学习机理模型的仿真数据我最近连续拜访了两家生物工艺客户，进行人工智能/机器学习相关的演示。有趣的是，他们都提出了相同的问题。这两家客户目前都在探索数字孪生技术——具体来说，就是生成模拟数据来补充有限的实验数据集。
1. 您是否见过——或者您是否有——从机理模型生成模拟数据的案例？
为了便于理解，机理模型是基于基本的物理、化学和生物学原理（而非经验数据）对过程进行数学表示。它使我们能够完全从基本原理出发生成模拟过程数据，而无需进行实际实验。
在生物工艺纯化中，典型例子包括：
- 色谱法 → 范迪姆特方程，传质方程
- 超滤/渗滤 (UF/DF) → 达西定律、浓度极化模型
任何建议都将对我有帮助。
就我而言，当客户询问如何构建机理模型时，我最初的建议是用Python实现，并将Python与JMP集成。但我很想知道是否有更深入的方法来帮助他们。
2.
由于真实实验数据有限，计划利用机理模型生成一个大型数据集。然而，与真实实验相比，这些模拟数据不可避免地会存在一些误差。
为了纠正或弥补这一错误，使基于这些数据训练的 AI 模型仍然可靠，有哪些推荐的方法？
任何关于JMP的已知方法或案例研究都将不胜感激！
回复：生成基于AI/ML机理模型的仿真数据你好@HyeWonJung
Assistant 在用 JSL 模拟数据方面表现出色。它在各个学科领域都给我带来了惊喜。
建议将视角设置为类似化学工程师之类的视角，然后发出提示，要求模拟您所描述的第一性原理模型。
回复：生成基于AI/ML机理模型的仿真数据@russ_wolfinger
感谢您的快速回复。我之前并不知道助手的模拟功能还可以扩展到构建虚拟实验室这类领域——这对我们来说是一个非常有吸引力的方向。我会将此信息分享给团队并跟进，因为它可能会成为我们今年研发讨论的一个重要议题。我们也看到一些领先的生物制药公司开始探索虚拟生物反应器之类的概念。
从实际角度来看，我还有一个后续问题。
在许多实际应用场景中，客户缺乏足够的实验数据，因此他们往往依赖于机理模型来生成模拟数据。然而，模拟结果与实际实验观察结果之间通常存在明显的差距。
在构建逼真的虚拟实验室时，弥合这一差距的最有效方法是什么？
我想知道在构建类似虚拟生物反应器之类的东西时，公司是如何弥合机制模拟与现实世界变异性之间的差距的，是否存在实际案例。
任何见解都很有帮助！
回复：生成基于AI/ML机理模型的仿真数据
@HyeWonJung
关于弥合差距：这几乎是必要的，也是让专家随时了解最新情况的自然方式。我发现，人工智能编码语言学习模型（AI Code LLM）在提供后续提示以对原始代码进行调整和微调方面也做得非常好。
听起来，最终设想的虚拟生物反应器代码可能会非常复杂庞大——远远超出基本的 JSL 平台调用。在这种情况下，不采用 Assistant，转而使用真正的代码集成开发环境（IDE），例如 Visual Studio Code，再加上像 GitHub Copilot 这样的 AI 聊天工具，就显得更有意义了。我个人最喜欢的是 Claude Code，而且我用它取得了一些重大成功。Python + JSL 混合代码架构可能是一个不错的选择，可以充分发挥两种语言的优势。
总的来说，现代人工智能编程的惊人能力使得构建虚拟生物反应器比几个月前更容易实现。
