產生基於人工智慧/機器學習機制模型的模擬數據我最近連續拜訪了兩位生物製程客戶，進行人工智慧/機器學習相關的演示。有趣的是，他們都提出了相同的問題。這兩位客戶目前都在探索數位孿生技術——具體來說，就是產生模擬數據來補充有限的實驗數據集。
1. 您是否見過－或者您是否有－從機理模型產生模擬資料的案例？
為了便於理解，機理模型是基於基本的物理、化學和生物學原理（而非經驗數據）對過程進行數學表示。它使我們能夠完全從基本原理出發產生模擬流程數據，而無需進行實際實驗。
在生物製程純化中，典型例子包括：
- 色譜法 → 範迪姆特方程，傳質方程
- 超濾/滲濾 (UF/DF) → 達西定律、濃度極化模型
任何建議都將對我有幫助。
就我而言，當客戶詢問如何建立機制模型時，我最初的建議是用Python實現，並將Python與JMP整合。但我很想知道是否有更深入的方法來幫助他們。
2.
由於真實實驗數據有限，計劃利用機理模型產生一個大型數據集。然而，與真實實驗相比，這些模擬數據不可避免地會存在一些誤差。
為了糾正或彌補這一錯誤，使基於這些資料訓練的 AI 模型仍然可靠，有哪些建議的方法？
任何關於JMP的已知方法或案例研究都將不勝感激！
回覆：產生基於AI/ML機制模型的模擬數據你好@HyeWonJung
Assistant 在以 JSL 模擬數據方面表現出色。它在各個學科領域都給我帶來了驚喜。
建議將視角設定為類似化學工程師之類的視角，然後發出提示，要求模擬您所描述的第一原理模型。
回覆：產生基於AI/ML機制模型的模擬數據@russ_wolfinger
感謝您的快速回覆。我之前並不知道助手的模擬功能還可以擴展到建構虛擬實驗室這類領域——這對我們來說是一個非常有吸引力的方向。我會將此資訊分享給團隊並跟進，因為它可能會成為我們今年研發討論的重要議題。我們也看到一些領先的生物製藥公司開始探索虛擬生物反應器之類的概念。
從實際角度來看，我還有一個後續問題。
在許多實際應用場景中，客戶缺乏足夠的實驗數據，因此他們傾向於依賴機制模型來產生模擬數據。然而，模擬結果與實際實驗觀察結果之間通常存在明顯的差距。
在建立逼真的虛擬實驗室時，彌合這一差距最有效的方法是什麼？
我想知道在建造類似虛擬生物反應器之類的東西時，公司是如何彌合機制模擬與現實世界變異性之間的差距的，是否存在實際案例。
任何見解都很有幫助！
回覆：產生基於AI/ML機制模型的模擬數據
@HyeWonJung
關於彌合差距：這幾乎是必要的，也是讓專家隨時了解最新情況的自然方式。我發現，人工智慧編碼語言學習模型（AI Code LLM）在提供後續提示以對原始程式碼進行調整和微調方面也做得非常好。
聽起來，最終設想的虛擬生物反應器程式碼可能會非常複雜且龐大——遠遠超出基本的 JSL 平台呼叫。在這種情況下，不採用 Assistant，改用真正的程式碼整合開發環境（IDE），例如 Visual Studio Code，再加上像 GitHub Copilot 這樣的 AI 聊天工具，就顯得更有意義了。我個人最喜歡的是 Claude Code，而且我用它取得了一些重大成功。 Python + JSL 混合程式碼架構可能是個不錯的選擇，可以充分發揮兩種語言的優勢。
總的來說，現代人工智慧程式設計的驚人能力使得建立虛擬生物反應器比幾個月前更容易實現。
