Science Robotics / Research Article

Bioinspired design of a tissue-engineered ray with machine learning

作者：John F. Zimmerman, Daniel J. Drennan, James Ikeda, Qianru Jin, Herdeline Ann M. Ardoña, Sean L. Kim, Ryoma Ishii, Kevin Kit Parker · 单位：Disease Biophysics Group, John A. Paulson School of Engineering and Applied Science, Harvard University, Boston, MA 02134, USA, Medical and Health Informatics Laboratory, NTT Research Inc., Sunnyvale, CA 94085, USA · 来源：Science Robotics · 发布日期：2025-02-26 · DOI：10.1126/scirobotics.adr6472

仿生机器人强化学习机器人

精读笔记

Problem Setting

【Bioinspired design of a tissue-engineered ray with machine learning】（Science Robotics / 2025）

这篇论文处理的是 biohybrid swimmer 的 morphology optimization，而不是传统意义上的仿生复刻。问题的关键矛盾是：自然 batoid 的 fin shape 是在宏观尺度、复杂肌肉层级和对应流体 regime 下形成的；tissue-engineered miniray 则工作在毫米尺度、低 Re、单层 cardiac tissue actuator、受限制造工艺中。把自然几何按比例缩小并不会自动保留推进效率。

真正困难点有三个。第一，形态空间大且离散，无法直接枚举；作者估计全空间直接 CFD 需要不可接受的计算时间。第二，评价函数昂贵且多物理：肌肉薄膜变形、流体响应、推进方向和位移耦合在一起。第三，真实制造数据稀缺，不能靠大规模 robot build-test-learn。以前方法卡在两端：纯 biomimetic 依赖人工选择自然模板，忽略尺度错配；纯优化方法如 BayesOpt/CMA-ES 在高维离散组合空间和有限仿真 budget 下效率不足。

Motivation

作者的核心观察是：biohybrid robotics 中“bioinspired”比“biomimetic”更合适。不是自然形态本身值得复制，而是自然形态背后的物理约束和结构-功能关系值得重新求解。毫米级 miniray 面对的约束与自然 batoid 不同，因此设计应该从 functional objective 出发，而不是从 biological resemblance 出发。

已有路线缺的是一个把三件事连起来的框架：可制造的形态参数化、足够快但保留主要物理趋势的 forward simulation、以及在大组合空间中高效选择下一批候选的搜索策略。作者想到 ML-DO 的原因不是神经网络能“理解生物”，而是 NN 可以作为 surrogate 在离散形态空间中重用已有仿真信息，减少昂贵 CFD 调用，并从局部仿真点推断全局 performance landscape。

Core Idea

论文真正的核心思想是：把 fin design 重新表述为一个 constrained discrete sequence optimization problem。作者用 Bézier basis 构造类似 protein sequence 的 sDNA，使不同 fin contour 可以由有限 basis 组合生成。这样，几何形态从难以优化的连续曲线变成可搜索的组合序列，同时仍保留与自然 batoid morphology 对齐的 inductive bias。

ML-DO 的本质不是“用深度学习设计机器人”，而是用神经网络学习 morphology-to-performance 的 rank surrogate，并把这个 surrogate 嵌入 design-build-test-learn 循环中。相对于 BayesOpt 或 evolutionary search，它引入的新增信息是：网络可以从 basis 组合中学习共享结构，即某些局部几何 motif 在不同上下文中的贡献，而不是把每个候选几何当作孤立点处理。这种 representation-level reuse 是它可能更 scalable 的主要原因。

Method

1. sDNA morphology representation：解决“如何定义可搜索且可制造的 fin space”。Bézier basis 提供足够平滑的轮廓，6 个 basis slot 形成数百万级组合，surface area 被归一化以控制 muscle mass。核心变化是把形态差异尽量归因到几何分布，而不是总面积/肌肉量。

2. Angled anisotropic muscle film：解决“如何让单层 cardiac tissue 产生非对称 stroke”。30° cell alignment 让薄膜收缩产生类似 mobuliform 的 hysteretic stroke，并能产生正向 net thrust。这里不是优化控制，而是通过组织排列把 actuator kinematics 固化进结构。

3. Kinematic + LBM forward model：解决“如何在不制造每个候选的情况下评价 performance”。thin-film model 近似肌肉薄膜变形，LBM 估计流场和推进。它把真实 build-test 转换成 simulation-test，但也把最终上限绑定到模型假设。

4. ML-directed optimization：解决“如何选择下一批 CFD”。NN 输入 sDNA，输出速度 rank/CDF；采样策略倾向高潜力 cluster。关键机制是把所有已仿真形态作为 memory，迭代形成 performance landscape，而不是盲目 evolutionary mutation。

5. Physical validation：解决“仿真最优是否能转移到真实组织”。作者制造 top/mid/bottom predicted geometries，比较真实运动排序和 scaling efficiency。验证重点是相对 ranking，而不是精确预测绝对速度。

Key Insight / Why It Works

最重要的有效性来源不是网络架构，而是形态表示与物理约束的对齐。sDNA basis 本身已经把搜索空间限制在“像 batoid fin 且可制造”的低维 manifold 上；在这个 manifold 内，performance landscape 可能相对平滑，NN 才能用有限样本学习到有用 ranking。如果直接优化任意二维轮廓或三维组织结构，当前 ML-DO 未必还能成立。

第二个核心原因是目标被设计成 rank/CDF，而不是强行回归绝对 swimming velocity。对于仿真误差较大、真实组织变异明显的问题，排序比数值预测更鲁棒，也更符合优化需求。这是一个重要工程判断：biohybrid device 的绝对速度噪声很大，但 high/low performer 的相对趋势可能稳定。

第三，方法实际上在利用 latent structure：large aspect ratio、sharp tapered tips、anterior mass distribution 等几何 motif 对推力和方向有系统影响。NN 的作用更像在组合空间中发现并重用这些 motif 的效应，而不是黑箱发明新物理。文中所谓 universal approximator 的论证并不是核心；真正成立的原因是 design space 被强先验约束后，函数复杂度降低了。

哪些是核心贡献？我认为是“可制造形态 grammar + physics surrogate + active search”的组合，而不是单独 ML 算法。哪些可能只是辅助？混合 CNN/dense architecture、具体 dropout/optimizer 等基本是 engineering。与 BayesOpt 的优势也可能部分来自更适合离散序列的 encoding 和 clustered sampling，而不是 NN 天然更强；增益归因不完全清楚。

另外，ML-DO 找到的最优形态接近自然 pelagic batoid 的大 AR 和尖端，这既是有趣 insight，也需要谨慎解读：由于 basis 和搜索空间本来就是围绕 batoid-like fin 设计的，这不是从无结构空间中自然涌现的生物形态。它支持“这些 motif 在低 Re biohybrid 条件下仍有用”，但不能强证明“自然形态由相同选择压力唯一决定”。

Relation To Prior Work

最接近的谱系有三条：biohybrid swimmer/MTF tissue robot、CFD-based swimmer shape optimization、ML-guided directed evolution/material/protein design。论文的实质差异在于把这三条合在一个可闭环制造验证的系统里。

相对 Park et al. 2016 的 tissue-engineered ray 和 Lee et al. 2022 的 biohybrid fish，这篇不再以某个自然模板为主要设计来源，而是用 objective-driven search 选择 fin morphology。因此它从“仿生实现”推进到“功能优化的 bioinspired design”。

相对传统 CFD 优化和 BayesOpt，它的新增点是 sequence-like morphology grammar 与 NN surrogate 的组合。BayesOpt 在低维连续参数中很强，但这里是数百万级离散组合空间；NN 可以利用 basis-level共享结构，这是本质差异。但严格说，ML-guided directed evolution 在蛋白和材料设计里已有类似思想；这篇的新意更多在于把该思想落到 living tissue robot 的形态设计，并完成真实制造验证。

相对 evolutionary robotics，它没有做开放式形态-控制共演化，也没有复杂 controller；它更像 constrained morphology search。这个限制反而是优势：biohybrid actuator 的控制自由度低，形态本身就是主要 computation/embodiment。

Dataset / Evaluation

评价覆盖了三层：synthetic multimodal function、CFD simulation search、真实 tissue-engineered miniray validation。synthetic benchmark 用于证明离散搜索效率，但它只能说明算法在某类构造函数上有效，不能强支撑物理设计 claim。真正支撑论文主张的是 CFD-to-real 的 top/mid/bottom 排序验证，以及 scaling-law efficiency 与既有 biohybrid designs 的对比。

真实世界验证是这篇的重要加分项：作者确实制造了 ML-DO predicted geometries，并展示速度方向和相对性能与预测一致。但 evaluation 仍然偏窄：只验证少数代表性几何，没有系统测试模型对未见 shape family、不同 Re、不同 tissue quality、不同 actuation frequency 的泛化。所谓 performance landscape 主要来自仿真，不是大规模真实机器人数据。

scaling-law 对比能说明 ML-DO design 比此前直接 biomimetic designs 更有效利用 muscle mass，但这个 benchmark 不是热力学效率，也不是严格同条件比较。此前 biomimetic ray/fish 使用不同 swimming mode、刺激方式和结构设计，因此“2× improvement”有一定参考价值，但归因不完全干净。

Limitation

最根本限制是 surrogate optimization 的上限由 forward model 决定。当前模型没有纳入 pitch/yaw/roll，也没有完整自由游动 6-DoF dynamics；真实 miniray 会出现 out-of-plane motion，说明仿真目标和 deployment objective 有偏差。优化器可能在仿真世界里持续提高，但真实世界收益会被稳定性、壁面效应、组织变异和制造误差截断。

第二，设计空间被人为收窄。sDNA 只描述二维 outline 和 AR，肌肉只有单层线性各向异性，actuation pattern 基本固定。自然 batoid 的关键能力很可能来自三维多层肌肉、空间相位控制、柔性梯度和身体姿态耦合。当前方法优化的是一个简化 embodiment，不是完整 swimming organism。

第三，泛化 claim 需要降温。ML-DO 学到的是这个 grammar、这个尺度、这个 kinematic model 下的 rank function；跨尺度、跨 Re、跨材料、跨 actuator 类型是否仍有效，文中未充分说明。它发现大 AR 和尖端有利，可能是可迁移 insight，但不等于 surrogate 本身可迁移。

第四，算法增益归因不清。ML-DO 优于 BayesOpt/DE/CMA-ES 的结果可能来自 sequence encoding、clustered-directed sampling、rank normalization、训练集构造，或者 benchmark 与 NN inductive bias 更匹配。缺少更系统 ablation 来证明“神经网络”而非“更好的 representation + sampling heuristic”是主要增益。

第五，真实验证规模有限，且速度仍低于自然平均 scaling efficiency。论文承认 20 generations 后速度仍在上升，这意味着结果可能还不是优化收敛，而是一个 early-stage proof of concept。继续 scaling compute/data 可能带来增益，但这也说明部分提升可能主要来自更多仿真 budget。

Takeaway

  • 1. 对 biohybrid robotics，最值得迁移的不是具体 ray geometry，而是设计范式：不要复制自然形态，要复制约束并重新优化形态。
  • 2. morphology grammar 很关键。
  • 把连续结构压缩成可制造、可组合、带生物先验的低维表示，可能比换更复杂的 optimizer 更重要。
  • 3. 在 noisy physical systems 中，学习 rank/relative performance 往往比预测绝对物理量更实用；这对 soft robot、tissue robot、微流控结构设计都可迁移。

一句话总结

这篇论文把 tissue-engineered swimmer 从直接仿生复制推进到基于可制造形态语法、物理仿真和 ML surrogate 的目标驱动形态优化，真正贡献是设计范式的转向，而不是某个单独神经网络算法。