面向非牛顿流体环境自适应微型机器人导航与因果结构发现的物理信息混合计算框架

《Applied Research》：A Hybrid Physics-Informed Computational Framework for Adaptive Microrobotic Navigation and Causal Structure Discovery in Simulated Non-Newtonian Environments

　　

摘要专业翻译 靶向优化与无缆磁性微型机器人在复杂环境中的自主导航仍是计算生物医学工程领域的开放挑战。肿瘤微环境引入了复杂的物理变化，包括交联细胞外基质、反常次扩散粒子输运以及剪切变稀非牛顿流体行为。经典闭环控制方案利用显式在线估计器，常因冲突的激励需求而难以平衡结构参数收敛与精确轨迹保持。为应对这些运行约束，本工作详述了一种以物理信息循环策略优化为核心的集成混合人工智能系统。将运动过程建模为跨8维观测空间的部分可观测马尔可夫决策过程（POMDP），可通过时间积分Fisher信息矩阵（FIM）方法松弛同步推进机制下的参数可辨识性限制。解析评估表明，均值回归的Ornstein-Uhlenbeck（OU）随机探索过程可增加累积期望Fisher信息以支持参数可辨识性，同时不会严重破坏路径跟踪保真度。为抑制模拟中的非物理表征状态，本研究实现了基于阻力理论的展开式多步动力学损失（?phys(K)，K=8），并通过变分信息瓶颈（VIB）加以约束。物理运动学与生物指标之间的跨尺度交互由混合人工智能因果结构发现模块建立，该模块采用W门控非线性NOTEARS与Pearl后门调整，生成经物理模拟记录验证的有向无环图（DAG）。下游多模态空间场经对数流形张量列SVD压缩（TensorTME）处理，在1.24%残差误差下实现3.2×数据缩减。空间路径优化通过二维傅里叶神经算子（SpectralTME）加速，其评估候选目标场的平均推理延迟为66.74 ms。协调多智能体输运通过3000自由度人工流固耦合（FSI）纤毛阵列上的相位优化实现。跨六个模拟场场景的评估表明，该计算框架在降低计算开销的同时保持了良好的模拟导航与磁驱动性能，为后续研究提供了初步建模基础。

论文解读文章

一、研究背景与问题提出

无缆磁性微型机器人在复杂生物体内的靶向递送是计算生物医学工程的核心目标之一。螺旋形微型机器人作为人工细菌鞭毛（ABF）的典型代表，利用低雷诺数（Re?1）水动力条件，将外部旋转磁场转化为前进平移运动。然而，肿瘤微环境（TME）的物理复杂性对这一过程构成了严峻挑战。肿瘤间质中高分子拥挤、交联胶原基质、局部pH改变、升高的流体压力以及非线性剪切变稀黏性特征，使得微型游泳器从外周健康组织进入致密核心区域时，表观黏度μ_app可上升多个数量级。当驱动磁场频率f超过失步频率f_so极限时，最大磁力矩不足以平衡流体阻力，系统进入异步翻滚状态，导致推进速度下降和方向控制退化。

传统闭环控制方案依赖在线线性状态滤波器（如扩展卡尔曼滤波）或非参数回归方法（如高斯过程回归）估计流变参数，但其计算复杂度呈立方增长（O(N3)），延迟超出高频磁驱动器的时间约束；同时，高方差探测动作常使机器人偏离预期临床路径。深度强化学习（DRL）虽提供了从运动学反馈到磁控指令的直接映射，但标准无模型DRL易利用模拟器中的数值近似产生非物理行为，且在Sim-to-Real迁移中性能退化；此外，传统DRL假设完全可观测状态空间，忽略了局部非牛顿场需从连续跟踪观测中顺序推断的隐藏特性。

二、研究内容与核心结论

针对上述挑战，研究人员提出了一种混合计算框架，其核心为物理信息循环策略优化（PI-RPO）导航控制器，辅以基于知识图谱的结构分析分支。该框架将运动过程建模为8维观测空间的部分可观测马尔可夫决策过程（POMDP），通过时间积分Fisher信息矩阵（FIM）推导证明：注入低振幅、均值回归的Ornstein-Uhlenbeck（OU）扰动指令可在保持参数可辨识性（?_T>0.1）的同时，将路径漂移限制在2 mm以内。为抑制非物理表征状态，研究人员实现了基于阻力理论的展开式多步动力学损失（?_phys^(K)，K=8），并通过变分信息瓶颈（VIB）约束循环潜表征。信任域优化路径（PPO）与辅助优化路径通过显式stop_gradient操作的梯度路由架构分离。

在离线分析层面，混合人工智能因果结构发现模块（UniNS）采用W门控非线性NOTEARS结合Pearl后门调整，从粒子输运记录中提取有向无环图（DAG）。多模态空间场经对数流形张量列SVD压缩（TensorTME）实现3.2倍数据缩减（残差误差1.24%），二维傅里叶神经算子（SpectralTME）将候选场验证加速75倍（平均推理延迟66.74 ms）。多智能体协同输运通过3000自由度流固耦合（FSI）纤毛阵列上的100个异相相位变量优化实现。六种模拟场场景评估表明，该框架在降低计算开销的同时保持了良好的模拟导航与磁驱动性能。

三、关键技术方法概述

研究人员构建了4×4 mm2连续网格模拟环境，涵盖正常组织、早期肿瘤、缺氧肿瘤、晚期肿瘤、基质重塑和治疗响应六种病理场景。物理场生成采用FEniCS求解200×200高密度网格上的细胞外基质（ECM）结构密度与多尺度化学梯度（如TGF-β），ECM平均刚度从健康基线的μ_ECM=0.51过渡至晚期核心的21.17；OpenFOAM在1600节点网络上求解低雷诺数（Re=0.1）间隙流场，再插值回主网格。导航控制采用PI-RPO架构：共享128单元长短期记忆（LSTM）网络结合辅助参数解码器与独立概率编码器，物理参数经前向投影多步动力学损失约束，循环潜表征经VIB正则化。因果发现采用W门控非线性NOTEARS与Pearl后门调整；场压缩采用对数流形张量列SVD（TensorTME）；路径规划加速采用二维傅里叶神经算子（SpectralTME）；多智能体输运通过流固耦合纤毛阵列相位优化实现。

四、研究结果

物理建模与TME数字基底。 通过FEniCS与OpenFOAM多模态场生成，研究人员建立了六种病理场景的连续物理场模型。ECM刚度梯度∥?μ_ECM∥在模拟核心边界处超过30 mPa·s/mm，间隙流速度幅值范围为[-3.64×10??, 1.507×10?3] m/s，为导航控制提供了物理一致的模拟环境。

PI-RPO导航控制器。 通过时间积分Fisher信息矩阵推导，研究人员证明OU随机探索过程可增加累积期望Fisher信息以支持隐藏流变参数的可辨识性，同时不严重破坏路径跟踪保真度。展开式多步动力学损失结合VIB约束有效抑制了非物理表征状态，梯度路由架构实现了信任域优化与辅助优化的分离。

因果结构发现模块（UniNS）。 采用W门控非线性NOTEARS与Pearl后门调整，从粒子输运记录中提取跨尺度物理运动学与生物指标之间的有向无环图，并经物理模拟记录验证。

TensorTME压缩与SpectralTME加速。 对数流形张量列SVD压缩实现3.2倍数据缩减（残差误差1.24%）；二维傅里叶神经算子评估候选目标场的平均推理延迟为66.74 ms，较标准有限元脚本加速75倍。

多智能体协同输运。 通过3000自由度人工流固耦合纤毛阵列上的100个异相相位变量优化，实现协调多智能体输运。

五、讨论与结论

讨论部分强调，该框架通过知识图谱数据层实现实时控制与离线分析的结构性分离——PI-RPO导航控制器仅与物理运动学交互，因果结构发现与代理场映射不向主动导航控制器泄漏特权结构信息。六种模拟场场景的评估表明，该混合计算框架在降低计算开销的同时保持了良好的模拟导航与磁驱动性能。研究结论指出，PI-RPO作为核心导航假设，结合因果结构发现、对数流形张量压缩与傅里叶神经算子等辅助扩展模块，为未来实验性微干预提供了一条混合流水线参考，为复杂环境微型机器人导航与跨尺度生物结构分析奠定了初步建模基础。