PRISM：基于智能仿真建模的实验流程优化协议

《Digital Discovery》：PRISM: protocol refinement through intelligent simulation modeling

　　

实现自动驾驶实验室的一个核心瓶颈在于实验流程的设计与执行自动化。研究人员提出了PRISM（Protocol Refinement through Intelligent Simulation Modeling），一个可在由商用机器人仪器组成的实验平台上自动完成实验流程设计、验证与执行的框架。PRISM采用一组基于大语言模型（Large Language Model, LLM）的智能体协作生成并优化实验步骤。流程首先自动从网络资源中检索描述实验工作流的相关程序，并通过规划、评审与验证循环将其转换为结构化实验步骤（例如液体处理步骤、台面布局及其他相关操作）。最终步骤被转换为Argonne MADSci协议格式，该格式为多台机器人仪器（包括Opentrons OT?2液体处理器、PF400机械臂、Azenta封膜机及揭膜机）提供统一接口，无需人工介入即可协调运行。为评估流程生成性能，研究人员在约束型与开放式提示范式下，对单一推理模型和多智能体工作流进行了基准测试。生成的流程在NVIDIA Omniverse构建的数字孪生环境中进行验证，以在执行前检测物理或序列错误。以Luna qPCR扩增与Cell Painting为案例，研究人员展示了PRISM作为一种端到端工作流，能够桥接基于语言的流程生成、基于仿真的验证以及自动化机器人执行。

研究背景方面，当前自动驾驶实验室的发展受限于实验流程设计与执行自动化的不足。尽管机器人平台日益普及，但将科学意图转化为可执行的实验室协议需要大量领域专业知识，且容易出错，还需要熟悉实验步骤与特定仪器的格式要求。现有的协议描述语言虽然提供了结构化表示，但通常静态且与硬件绑定，一旦实验室配置变化就需要手动重写。近期研究显示，大语言模型（LLM）能够从自然语言描述中生成看似合理的实验步骤，但这些输出常存在参数不完整、物理不可行或步骤顺序错误等问题，导致执行失败。同时，仿真与数字孪生技术多用于实验室监控与记录，尚未充分融入协议生成管道。直接在实体硬件上测试未经验证的协议成本高、耗时长，且可能损坏设备或浪费材料。这些挑战促使研究人员开发结合自动协议生成与严格预执行验证的系统，以实现安全、可靠的全自主实验室运行。

关键技术方法方面，研究人员采用了多智能体框架进行协议规划，结合WebSurfer智能体检索网络实验信息，并由规划、评审与验证智能体协同生成结构化实验步骤；使用具备推理能力的LLM将结构化英文步骤转换为机器可读的YAML格式，适配Argonne MADSci协议规范；构建基于NVIDIA Omniverse的物理仿真环境，通过CAD模型添加碰撞体与关节定义，实现数字孪生验证；采用ZeroMQ通信接口，使MADSci在仿真与真实实验中行为一致，从而实现预执行错误检测与反馈迭代。

研究结果方面，在协议规划阶段，多智能体系统在PCR与Cell Painting任务中均优于单智能体系统，尤其在复杂流程中能有效减少逻辑与格式错误。GPT?5在约束提示下首次尝试即生成完全正确的协议，而其他模型在开放提示下需多次迭代才能收敛。Cell Painting等复杂任务对单智能体而言容易出现遗漏试剂或步骤顺序混乱，多智能体则能保持结构与正确性。协议生成与验证阶段，首次生成的PCR协议普遍存在未加入设备开启命令等物理不可行错误，仅GPT?5实现零次迭代即完全正确。仿真反馈帮助其他模型逐步消除错误，强模型能在单次反馈中全局修复同类问题，弱模型则需多次迭代，但仍可能出现科学步骤缺失。真实世界实验验证阶段，PRISM生成的Luna qPCR协议在自动化平台上成功执行，荧光检测结果与人工操作结果一致；Cell Painting协议经专家审查在硅学层面验证可行，显示PRISM在多步骤生物工作流中的通用性。

讨论与结论方面，PRISM通过将LLM驱动的计划系统与基于物理的仿真验证结合，有效填补了高层科学意图与可执行机器人指令之间的鸿沟，减少了设备损坏与实验失败风险。多智能体工作流通过角色分离显著提升了协议的完整性与逻辑性，仿真反馈则在检测物理可行性方面发挥了不可替代的作用。尽管LLM在推理与纠错上表现突出，仍需人工审查确保科学准确性。未来工作可优化提示策略、扩展仿真至液体物理与化学过程、引入实时液体处理监控及多模态反馈，并探索数字孪生在实验室布局优化中的应用。该研究为自动驾驶实验室提供了一种可复用的端到端解决方案，有望降低自动化门槛，提升实验可重复性与标准化水平。