当机器人设计自己的实验时
麻省理工学院的智能船模试验池自动收集数据
范迪夏是中国西湖大学的一名助理教授。他将自己曾在麻省理工学院创立的实验室称为“粉红教练实验室”。透过 Zoom，他看了一眼麻省理工学院的智能流体力学实验室，然后指向一张二手粉色沙发。这是一个观看实验的好地方，他经常坐在这里看他的机器人在水箱（也称船模试验池）里一遍又一遍地运行实验。他说道，“我就是坐在沙发上的教练，训练着船模试验池的下一个迈克尔·乔丹。我本人不会扣篮。一个人不可能做那么多实验。但这家伙可以做到。”
“如果我们能在这些机器中植入另一个大脑，那么，它们不仅会重复做实验，而且还会设计实验。”
智能船模试验池。（图片所有权：范迪夏）
“智能船模试验池”简称 ITT，大约长 9 米，高 0.9 米，宽 0.9 米（30 x 3 x 3 英尺）。这个机器人看起来既不像迈克尔·乔丹，也不像迈克尔·菲尔普斯。它就是一个四四方方的装置，安装在试验池顶部的两条轨道上，可沿轨道全长移动。在移动时，它会拖曳水下的科学家选择的一个物体。
在此过程中，该机器人会收集流体动力学数据，例如测量物体受到的阻力大小。它会改变某些参数（如速度和角度），然后再次运行实验。它还会自动收集数据，日以继夜循环往复，在短短两周内便能完成获得博士学位所需的实验。
此外，它能智能地选择接下来要运行的实验，以及下一段要用的速度和角度。如果要操作八个参数，则应为每个参数选择 10 个设置，这需要运行 108（1 亿）次实验，才能绘制出可能性空间，包括速度和角度等参数的各种组合。研究人员将可能性呈现爆炸性增长的现象称为“维数灾难”。
ITT 采取了一条捷径。它会运行一些随机实验，并将这些实验推定到其他设置。然后，它会计算参数空间中最不确定的区域，并在这个区域内用这些参数运行实验。它会重复这一过程，直到对大部分空间足够确定为止。ITT 不需要运行 1 亿次实验，只需要运行几千次即可。
范博士指出，其他实验室还利用机器人自动收集数据。例如，制药公司使用它们测试大量分子的特性。他说道，“虽然实验室自动化技术非常先进，但除了人类科学家的大脑，如果我们能在这些机器中植入另一个大脑，那么，它们不仅会重复做实验，而且还会设计实验。”
筑梦管道模型
在 ITT 的实验中，大部分实验都涉及到海洋钻井立管，这是一种将海底油井与海面漂浮平台相接的管道。通过拖曳立管的等比例缩小模型穿过试验池，可以模拟洋流经过静止的立管时的运动。当洋流经过立管时，会在它的周围形成涡流，就像河水在急流中的岩石和木头后面形成漩涡一样。这些涡流会使立管产生振动。石油公司希望减少这种涡激振动，因为这会导致管道疲劳，并增加漏油的可能性。
事实上，立管往往长达数百米（数千英尺），由多根约 0.3 米（1 英尺）厚的管道组成。虽然每段管道都是刚性的，但整个立管是柔性的。范博士说道，当水在立管周围流动时，“整个管道都在振动”。工程师们想创建计算模型来预测立管的运动，但这是一个非常棘手的问题。于是，他们收集了某段管道物理模型的确凿数据，并将这些数字输入数学模型，以此简化计算。
在范博士的立管研究中，ITT 拖曳着一根长约 46 厘米、厚约 4 厘米（18 x 1.5 英寸）的垂直管道。试验池顶部的机器人带有荷重传感器，用于测量包括阻力在内的输出。它还用于控制振动的频率、方向和幅度等输入参数。但这一切并非都是自动完成的，研究人员需要选择相关参数和值得探究的取值范围。
ITT 会为下一次实验选择输入参数，以便尽量减少不确定性。这种不确定性涉及两个方面。首先是测量不确定性。即使用相同的参数在试验池里进行两次相同的实验，也可能会得到不同的结果，这是因为传感器的精度有限，或纯粹是由于自然界的变化所致，尤其涉及混乱的涡流时更是如此。其次是模型不确定性，或者说是无法精准地预测给定实验的测量值。这两种不确定性结合起来就产生了总体不确定性。在总体不确定性低于给定的阈值之前，ITT 会一直收集数据。
该系统并未尝试使用 1 亿种不同的参数值组合，而是在进行了不到 4,000 次的测试后便达到了预测的确定性。
洋流在石油立管周围流动产生的涡流。
为了确定阈值，范博士首先计算了测量不确定性。他运行了数千次实验，并检查了数据的差异。量化测量不确定性并不是一门精确的科学。范博士说道，“从基本上讲，你需要了解自己的机器。为此，我开始揣摩这个误差范围。这时就需要用到研究经验。”
范博士并不指望总体不确定性与测量不确定性相符，因为模型不确定性取决于我们对任何现实系统的了解。于是，他留出了一些余地。如果 ITT 预测参数空间中最模糊的区域时的不确定性低于测量不确定性乘以 3（范博士选择的有根据猜测和安全系数），它便达到了阈值，它的工作便告完成。
在发表于《科学机器人》上的一项研究中，该团队探索了一个由八个参数定义的空间，同时训练了一个模型，用于预测“与速度同相的升力系数”值。该系统并未尝试使用 1 亿种不同的参数值组合，而是在进行了不到 4,000 次的测试后便达到了预测的确定性。
我们有理由假设，这个模型不仅具有预测的确定性，而且还具有一定的准确性。在今后的工作中，范博士也将确保模型兼具确定性和准确性。
走出“巴别塔”
机器人的软件使用了多种语言。Power PMAC 可控制它的运动。用 C# 和 LabVIEW™ 编写的软件可从传感器读取数据。范博士说道，“MATLAB 就是该系统的大脑”，它将各个部分连接在一起。他没有用同一种语言重写所有代码，而是通过 MATLAB® 脚本协调其他部分。MATLAB 还可以计算不确定性，并决定接下来要运行的实验。
范博士正在调整智能船模试验池。（图片所有权：范迪夏）
借助 MATLAB，ITT 能够协调用多种语言编写的子系统，计算不确定性，并决定接下来要运行的实验。
为了选择实验，该系统采用了高斯过程回归 (GPR) 这种数学方法。我们设想一个只由两个参数（可能是速度和角度）定义的空间。该空间可以视为一种地貌，其中，输入参数用于定义纬度和经度。对于地貌中的每个点，该系统在预测输出（例如阻力）时都存在一定程度的不确定性。这种不确定性可以描述为该纬度和经度处的海拔高度。有些区域会有山丘，在那里很难提前知道在该速度和角度下阻力有多大。GPR 可通过构建这些山丘来定义这种地貌。在某个位置（最好是一座高山所在的位置）进行测量后，GPR 便会使这座山“扁平化”。MATLAB 的 Optimization Toolbox™ 中提供了 Fit GPR 软件包，可用于构建任何维数的这些地貌。范博士说道，“我们正想方设法了解不确定性，让不确定性为我们提供指导。”该系统通过查找最高的山丘来选择下一个实验。
范博士说，他可以用神经网络代替 GPR 来预测测量值，但 GPR 提供了一种更自然的不确定性量化方法。关于如何使用神经网络做到这一点，目前还没有达成共识。
范博士深知，正是 MATLAB 软件包帮助他顺利完成了每个阶段的项目任务。范博士是流体动力学专家，但不是软件专家。在早期阶段，他使用 Reinforcement Learning Toolbox™ 对他的 ITT 系统进行了快速原型设计和验证。在准备进一步提高 ITT 的性能时，他定制了 MATLAB 工具箱。这样，他既无需使用不灵活的软件包，也不必手动重写数千行代码，即可深入了解 MATLAB 工具箱，阅读注释，理解代码，并根据需要调整若干行代码。
经验教训，值得借鉴
通过将振动频率等参数映射到阻力，石油公司可以设计更安全、更高效的立管。然后，他们可以优化管道厚度或减振设备的位置，从而找到减少阻力（以及发生灾难的可能性）的设计。设计模型还可以用作实际立管的“数字孪生”，像这些立管一样进行老化或维修。
“这种实验方法，甚至称得上是实验方法论或理念，并不局限于流体力学。”
这项研究工作带来宝贵的经验教训，远不止于试验池。范博士说道，“这种实验方法，甚至称得上是实验方法论或理念，并不局限于流体力学。”
该方法可能同样适用于结构力学。智能 3D 打印机可以构建一种材料或结构，然后测试其强度或其他特性，再根据这些信息打印出新东西。或者，在生命科学领域，机器人化学家可以制造一种药物，在烧瓶中测试其疗效，然后设计另一种新药。然而，机器人在设计自己的扣篮前仍要接受训练。
