「懂物理」是具身智能核心！北大高逼真物理仿真，加持磁性微米级机器人登Nature子刊

新智元报道

编辑：好困 桃子

【新智元导读】打造「具身智能」最核心的就是理解物理世界。近日，北大与苏黎世联邦理工学院团队首次用物理模拟去编程微型机器人，最新研究成果已登上Nature子刊头版。

日前，北京大学智能学院可视计算与学习实验室陈宝权教授团队与苏黎世联邦理工学院健康科技系转化医学研究所Simone Schürle-Finke教授团队展开合作，首次使用物理模拟技术辅助可编程磁性微米级机器人的制造。

相关研究论文《Programming Structural and Magnetic Anisotropy for Tailored Interaction and Control of Soft Microrobots》发表在Nature子刊《Communications Engineering》上[1]，并作为编辑精选获得了为期一个月的首页推荐。

研究成果获得Nature Communications Engineering首页推荐

20世纪60年代，科幻片《神奇旅程》（Fantastic Voyage）第一次用影像向人们描绘了「微型医生」的场景：利用微缩科技进入人体内部修复受损的细胞。

半个多世纪过去，这一由美国著名物理学家Richard Feynman所提出的大胆设想正在一步步走向现实。

或许在不远的将来，使用微型机器人监测人体健康情况、及时识别与消融肿瘤等病灶将成为人们习以为常的医疗手段。

为了实现信息时代这一重要技术突破，由Schürle等生命科学工作者和陈宝权等智能计算科学专家组成交叉研究团队，正在不懈探索、稳步推进。

由于人体内部环境的复杂精密，微型机器人在生物医药领域的应用长期以来受到广泛的重视。

为了适应血管环境、进行生物传感以及药物输送等精细化作业，除尺寸必须限于微米级别外，机器人还必须具备形态多样、可无接触控制等特点。

由此，21世纪以来，设计制造在磁、光、声等信号的刺激下能作出反应的微型软体机器人成为了科学家们关注的焦点。

在各种微机器人的驱动方式中，磁驱动方法由于其可穿透性和对生命体无害性而备受青睐。

然而，受制于各向同性的结构特征，既有的磁性微型机器人存在运动模式单一且缺乏交互的问题，从而极大地限缩了应用价值。

对此，陈宝权和Schürle的团队提出了一种在物理模拟引导下的通用策略以改进大规模磁微机器人的制备：利用特定磁场中的光聚合，使机器人的结构呈现各向异性，从而微机器人集群能够随着外加磁场方向和强度的改变而作出精确的反馈、产生丰富的行为。

物理模拟指导磁性微型机器人制备概念图。所得微机器人具有不同的表面形状（双合、椭球、球，见左侧）和不同的磁化构型（单链、多链、多盘，见右侧）

磁各向异性微机器人的仿真、制备与分析

为了探究结构和磁各向异性对混合微机器人群体行为的影响，北京大学研究者运用格子玻尔兹曼方法以及磁偶极相互作用模型，对微机器人的流体动力学和磁化过程进行模拟。

• 格子玻尔兹曼方法作为一种高效计算流体动力学的手段，可处理涉及复杂边界条件和流固耦合的问题；

• 磁偶极相互作用模型则致力于描述微机器人间的磁性相互作用，并考虑了微机器人相互磁化的动态影响。

借助这两种模型，研究团队得以深入探讨不同结构和磁性各向异性对微机器人群体运动和组装的影响，并实现对群体运动的有效控制。

不同磁化构型（多链、多盘）的机器人对比。左列给出其各向同性阶数，右侧给出一对机器人系统周围的磁感线分布

绿色为双合结构机器人，紫色为单球形结构机器人，此处展示二者组成的系统的流体动力学模拟结果

既往的大规模制备方法仅能产生磁各向同性的微机器人，难以兼顾高通量、高精度及高可控性，限制了其运动与集群行为的控制。

苏黎世联邦理工学院研究者采用液滴微流控技术和光聚合方法，结合外部磁场引导，能够制备出具备可编程结构和磁性各向异性的机器人：

• 首先，将含有磁性纳米颗粒（MNPs）和聚乙二醇二丙烯酸酯（PEGDA）的水相与含有表面活性剂的油相通过流动聚焦形成液滴，其大小和形状可通过流速和通道结构调控。

• 随后，将液滴置于不同类型的磁场中，使得 MNPs 在液滴内部形成链状、盘状、束状等不同结构，从而赋予液滴磁性各向异性。

• 最终，通过紫外光引发聚合反应，将液滴中的 PEGDA 交联成水凝胶，固定 MNPs 结构，得到具备结构与磁性各向异性的机器人。

该制备方法高效、可扩展且灵活，能够实现对微机器人多维度的调控，为其在生物医学领域的应用提供了新的可能性。

第一行给出了纯球形磁化微机器人集群的可变晶体结构，时间序列叠加描绘了多盘磁化构型的运动模式；第二行给出了混合形状微机器人集群系统的相分离过程，双合形态的微机器人由于其特殊性质逐渐与中心区域分离

前述双合—球形微机器人系统的显微实验视频

具身智能体的高逼真物理仿真与制造

作为一种具身智能体，微型机器人以对环境的感知与反馈为主要特征。陈宝权教授指出，透过物理模拟，研究人员能够提前「预见」和评估所设计机器人的可能运动模式和能力。

近年来，陈宝权教授团队持续将目光投射到具身智能体的物理仿真上，其中尤以对磁相关现象的物理模拟与可视化为典型代表，在这方面获得了国际上广泛的关注和合作。

自2020年已来，已有五篇相关论文问世，除前述Nature子刊文章外，均录用至计算机图形学顶刊ACM Transactions on Graphics，并在顶会ACM SIGGRAPH/SIGGRAPH Asia上宣读。

首先，团队研究磁铁、磁泥、磁流体等磁性物质在磁场作用下运动的正向解算。综合运用水平集法、物质点法、边界元法，陈宝权团队研发了多种可以快速、准确地模拟动态磁现象的数值算法。

其中，水平集法从第一性原理出发，精准还原了磁流体的Resensweig不稳定性现象[2]，并能通过引入边界积分方程获得两个数量级的解算速度提升[3]；基于牛顿迭代与物质点法的磁性材料模拟能够在正确处理碰撞和接触的同时，将磁化模型从线性拓展到非线性[4]。

算法模拟结果：磁流体在旋转的匀强磁场作用下运动，形成规律的尖峰结构

算法模拟结果：顶端放有冲浪板小人的磁泥受到非线性磁化，逐渐吞没磁铁

除了对磁性物质运动的正向模拟外，陈宝权团队的工作也涉及相关运动的控制和优化。

例如，通过设计带有硬磁性磁滞回线的薄壳软体机器人并运用伴随方法不断梯度下降，团队成功在计算机中复现了麻省理工学院的磁性机器人真实实验结果，并验证了满足该近似条件的机器人所具有的各种形态运动（如爬坡、越障、弹跳等）的能力[5]。

这种基于所谓「时空优化」的技术路线，成为辅助设计与制备小微机器人的基石。

借助硬磁性薄壳软体模型，在虚拟环境中成功复现麻省理工学院机器人实验结果

微型机器人在两种不同虚拟地形上的爬坡测试，右上与右下角给出了外加磁场的方向变化

使用时空优化技术指导章鱼形机器人穿越不同边界的垂直管道

使用时空优化技术指导章鱼机器人穿越复杂地形。右上角给出了均匀外磁场的强度

在先前的工作中，物理模拟技术被用于定性和定量地分析不同内部结构的磁性微机器人的动力学特性，但用于辅助微机器人的实际制造尚属首次。

「但是，实现磁性微型机器人的产业化仍有一段路程要走」，陈宝权坦言。

要在实验室环境中找到适应规模化生产、具有高可控性和多行为模态的机器人构型，必须继续提升测试和迭代的效率。

因此，使用物理模拟技术搭建虚拟实验平台进行设计与优化迭代至关重要。

「只有打破学科壁垒，将图形学物理模拟计算与生命科学等其他学科进行深度交叉合作，才能指数级地压缩研发时间，实现仿真与制造一体化设计」，陈宝权强调。

参考资料：

[1] Yimo Yan, Chao Song, Zaiyi Shen, Yuechen Zhu, Xingyu Ni, Bin Wang, Michael G. Christiansen, Stavros Stavrakis, Juho S. Lintuvuori, Baoquan Chen, Andrew deMello, Simone Schuerle. Programming Structural and Magnetic Anisotropy for Tailored Interaction and Control of Soft Microrobots. Communications Engineering. 3, Article 7. Januarry 2024.

[2] Xingyu Ni, Bo Zhu, Bin Wang, Baoquan Chen. A Level-Set Method for Magnetic Substance Simulation. ACM Transactions on Graphics (TOG). 39, 4, Article 29. August 2020.

[3] Xingyu Ni, Ruicheng Wang, Bin Wang, Baoquan Chen. An Induce-on-Boundary Magnetostatic Solver for Grid-Based Ferrofluids. ACM Transactions on Graphics (TOG). 43, 4, Article 56. July 2024.

[4] Yuchen Sun, Xingyu Ni, Bo Zhu, Bin Wang, Baoquan Chen. A Material Point Method for Nonlinearly Magnetized Materials. ACM Transactions on Graphics (TOG). 40, 6, Article 205. December 2021.

[5] Xuwen Chen, Xingyu Ni, Bo Zhu, Bin Wang, Baoquan Chen. Simulation and Optimization of Magnetoelastic Thin Shells. ACM Transactions on Graphics (TOG). 41, 4, Article 61. July 2022.