← 返回 PaperDaily 大模型与智能体

色谱模拟新范式：全微分求解器让梯度计算自动化，收率优化不再求人

在制药和生物工程领域，色谱分离是纯化蛋白质等生物大分子的核心工业环节。为了让色谱过程跑得更高效、收率更高，工程师们越来越依赖机理模型来进行参数估计和过程优化。所谓机理模型，简单说就是把色谱柱内部的对流、扩散、吸附等物理…

龙哥读论文发布于 2026-08-14 09:12:48 阅读 4 查看原文

#AI科研 #人工智能

原论文信息如下：

论文标题:
ChromOps.jl: High-order simulation and discrete forward sensitivity analysis for chromatography models 发表日期:
2026年08月论文作者:
Kristian Meyer, Maksym Ratajczyk, Christopher Rackauckas 发表单位:
Novo Nordisk A/S, JuliaHub, Massachusetts Institute of Technology 原文链接:
https://arxiv.org/pdf/2608.06131v1.pdf

色谱模拟的痛点：梯度计算为何如此困难？

在制药和生物工程领域，色谱分离是纯化蛋白质等生物大分子的核心工业环节。为了让色谱过程跑得更高效、收率更高，工程师们越来越依赖机理模型来进行参数估计和过程优化。所谓机理模型，简单说就是把色谱柱内部的对流、扩散、吸附等物理化学过程用偏微分方程组（PDEs）描述出来，然后通过数值方法求解。

听起来挺美好对吧？但现实很骨感：梯度下降类的优化算法，每一轮迭代既要算一次正向模拟，又要算目标函数对所有参数的一阶导数。色谱模型本身是非线性刚性偏微分方程组，正向求解已经很贵了，再叠加导数的计算，整个流程的算力开销直接起飞。更要命的是，现有的一些色谱求解器虽然也能输出参数的灵敏度信息，但要把这些灵敏度通过链式法则转换成用户自定义目标（比如收率、纯度）的梯度，得用户自己手推公式、手写链式求导代码。这种活儿不仅琐碎，而且特别容易出错。

想象一下：工艺工程师好不容易把模型建好，想优化一下洗脱条件，结果卡在梯度计算上——要么等等等，等一晚上还没算完；要么翻出泛黄的笔记簿手推公式，还得求爷爷告奶奶找数学系的同事帮忙验算。这画面，就像你点了一份豪华外卖，结果筷子要自己拿木头现削，谁受得了？

两大高阶离散方法正面交锋：FD-SBP vs DG-SEM

ChromOps.jl的论文解决上述两大痛点的思路很直接：第一，基于Julia语言构建一个全微分求解器，让正向求解和梯度求解共用一套代码路径；第二，实现离散前向灵敏度分析（Discrete Forward Sensitivity Analysis，DFSA），把用户从手写链式法则的泥潭里彻底捞出来。

先说说色谱模型本身。论文采用的是集总速率模型（lumped-rate model），它用一组偏微分方程描述各组分在色谱柱内的传输和吸附过程。考虑一个包含盐（salt）和Nc个蛋白质组分的体系，每个组分在流动相中的浓度ci随时间的变化由对流、轴向扩散和液固相传质共同决定：

图：组分i在流动相中的质量平衡方程。其中ci为流动相浓度，cp,i为孔相浓度，vint为间隙线速度，Dax,i为轴向扩散系数，ε为床层空隙率，εp为颗粒空隙率，kMT,i为传质系数。

孔相中的浓度变化则由传质驱动力和吸附速率共同决定，而吸附过程采用位阻质量作用（Steric Mass Action，SMA）等温线来描述。这套模型在工业色谱中非常经典，但数值求解起来很棘手——既要有足够的精度，又要在合理的自由度（Degrees of Freedom，DOF）下把误差压下来。

这时候，高阶空间离散方法就派上用场了。论文里对比了两类高阶方法：一类是有限差分求和-分部（Finite Difference Summation-By-Parts，FD-SBP）方法，另一类是间断伽辽金谱元法（Discontinuous Galerkin Spectral Element Method，DG-SEM）。

图：对流算子（convection operator）的定义式。

图：扩散算子（dispersion operator）的定义式。

这两类方法在数学上都是“高阶”的——意思是随着网格加密，误差下降的速度很快。DG-SEM在色谱领域已经有不少应用先例，而FD-SBP的优势在于概念上更简单，同时具备能量稳定性（energy stability）的数学保证。论文的工作之一就是让这两类方法在同一个求解器框架下公平对决。

表1：对流算子的收敛性历史。FD-SBP的内部阶数为l=2r。从误差和实验收敛阶（EOC）来看，两种方法都达到了各自的理论收敛阶，验证了实现的正确性。

论文用了一个“人造解”（manufactured solution）的技巧来验证两种空间离散实现的正确性。所谓人造解，就是先人为构造一个光滑的精确解，把这个解代回偏微分方程反推出一个源项，然后让数值方法去求解这个带源项的问题，看数值解能不能以预定的收敛阶逼近精确解。表1和表2分别展示了纯对流问题和纯扩散问题上的收敛结果，FD-SBP和DG-SEM都成功达到了理论上的误差收敛阶。

表2：扩散算子的收敛性历史。FD-SBP的内部阶数为l=2r。两种方法在扩散算子上同样达到了理论收敛阶。

离散前向灵敏度分析：让梯度计算变得轻而易举

如果说高阶离散方法解决的是“算得准、算得快”的问题，那么离散前向灵敏度分析（DFSA）解决的就是“梯度怎么来”的问题。

DFSA的核心思想非常优雅：与其把求解器当作一个黑盒，通过有限差分去近似梯度，不如直接对求解器内部的每一行代码做自动微分（Automatic Differentiation，AD）。ChromOps.jl利用的是Julia生态中成熟的ForwardDiff.jl库，它基于对偶数（dual number）机制实现前向模式的自动微分。

图：对偶数的核心性质。对偶数a+bε在ε²=0的 nilpotent 条件下展开泰勒级数，一阶项系数恰好就是导数，且这种计算是精确到机器精度的。

对偶数可以理解为一种“带着导数信息的数”：一个实数x加上一个无穷小量ε乘以它的导数x′，就构成了对偶数x̂ = x + εx′。在对偶数上进行加减乘除、指数对数等基本运算时，导数信息会按照链式法则自动传播。因此，只要把求解器中的所有Float64类型换成对偶数类型，跑一遍正向求解，就能同时得到目标函数对所有参数的灵敏度——完全不需要手推公式，也不需要写额外的求导代码。

更有意思的是，ChromOps.jl把这条原则贯彻到底了：不仅空间离散部分可微分，时间积分器同样在自动微分路径上。也就是说，用户在定义目标函数时，可以任意在输出浓度、纯度、收率之上做各种后处理，DFSA都能给出一条“端到端”的梯度。

图2：右端项评估的墙钟时间对比：使用原始（Float64）和8偏导对偶（Dual{8}）状态向量时的耗时。对偶状态的额外开销是原始状态的4-5倍，但对于一次传播8个偏导来说，这比分别计算8次要划算得多。

这里要专门提一下ForwardDiff.jl的一个杀手锏：多维度对偶数（multi-dimensional dual numbers）。ForwardDiff.jl允许一次同时批量传播多个方向的导数，每个方向对应一个独立的无穷小基εk。论文里的测试显示，DFSA的总耗时近似满足：

t ≈ 1.4 × (1 + Np) × tfwd

其中Np是需要求导的参数个数，tfwd是单次正向求解的时间。也就是说，每额外多求一个参数的梯度，只需要增加约1.4个正向求解的耗时。这个标度律在Np = 24的测试范围内都成立。对比有限差分每多一个参数就需要多一次完整的正向求解，DFSA的效率优势在参数多的时候相当显著。

图3：稀疏雅可比矩阵评估的墙钟时间对比：使用原始（Float64）和8偏导对偶（Dual{8}）状态向量时的耗时。

六组分离子交换基准测试：谁才是真正的赢家？

论文的基准测试选了一个很有代表性的工业场景：六组分离子交换色谱（Ion-Exchange Chromatography，IEX），蛋白质A到F加上盐，一共七个组分。模型参数和SMA等温线参数分别列在表3和表4中。

表3：六组分IEX问题的模型参数。

表4：六组分IEX问题的SMA等温线参数。

先看模拟结果：图1展示了一个典型的六组分离子交换色谱图，各组分在盐梯度洗脱下依次出峰，峰形和保留时间都符合预期。注意整个模拟过程使用了分段线性的盐浓度梯度设定，这使得问题更贴近工业上的实际洗脱操作。

图1：六组分离子交换分离问题的模拟色谱图。在盐梯度洗脱下，六个蛋白质组分依次从色谱柱中被洗脱出来，形成特征性的峰序列。

接下来是重头戏：在保证计算精度可比的前提下，FD-SBP和DG-SEM展开了正面对决。论文在同样的节点数（N）下，分别测量了右端项评估、雅可比矩阵评估、线性求解器重构的耗时，再放到工作-精度（work-precision）坐标系里比总账。

表5：状态雅可比矩阵的稀疏模式和贪心染色结果，按方法和问题规模分别列出。ncolors是彩色前向模式求雅可比所需的对偶右端项前推调用次数。

结果很有意思：在原始（primal）数值模拟中，FD-SBP在大部分配置下的每自由度效率和总耗时都优于DG-SEM，而且实现起来更简单。图6展示了两种方法在“以最小的计算代价达到指定精度”这个目标上的表现差异——在同样的精度水平下，FD-SBP需要的计算时间更短。论文认为，这是因为FD-SBP在相同节点数下具有更紧凑的差分模板，从而减少了浮点运算次数和内存带宽压力。

图6：原始（primal）工作-精度对比：DG-SEM vs FD-SBP。详细数据见表6。FD-SBP在多数精度水平下的总耗时更低。

表6：在匹配N下的原始QNDF工作-精度扫描成本细目（DG-SEM vs FD-SBP）。各列分别为：右端项（RHS）、雅可比（Jac）、重构（Refac）、三角求解（Tri）和其他（Other）。

那对偶值（dual-valued）计算——也就是顺带求梯度的情况呢？论文同样做了全面的对比，结果在图表中一目了然：FD-SBP的优势在自动微分场景下依然保持。值得注意的是，对偶值计算的额外开销并不是均匀分布的：右端项和线性求解器部分的增幅比较温和，但雅可比矩阵计算的开销相对更大。这提醒我们，在DFSA流程中，雅可比矩阵的高效计算是影响总体性能的关键因素。

图10：对偶值工作-精度对比：DG-SEM vs FD-SBP。Np = Nchunk = 8。详细数据见表7。

表7：在匹配N下8偏导对偶值QNDF工作-精度扫描成本细目（DG-SEM vs FD-SBP）。

为了公平起见，论文还测试了不同ODE积分器对整个求解链路的性能影响。图7展示了在固定空间离散下，几种常用隐式积分器的表现差异——这提醒我们，空间离散方法选得再好，时间积分策略跟不上也会功亏一篑。一个好的组合拳，往往比单点上的极致优化更值钱。

图7：固定空间离散（FD-SBP，两个块，r = 2，l = 4，20个节点）下的ODE积分器工作-精度基准测试。不同积分器的性能差异显著，说明了时间积分选择对整体效率的重要性。

在敏感性验证部分，论文针对24个模型参数（六个组分的平衡常数、化学计量系数、屏蔽系数和传质系数）各加了一个微扰，然后对比了DFSA的梯度与高精度参考解之间的误差。图8展示了缩放后的参数灵敏度曲线。RMS误差显示，DFSA求出的梯度在各参数方向上与参考解高度吻合，精度达到机器精度水平，证明了这套方法论不只是在简单的例子上灵光一现，而是在真实尺度的工业问题上同样靠谱。

图8：六组分离子交换问题的缩放参数灵敏度。对应色谱图见图1。彩色的灵敏度曲线展示了各模型参数对出口浓度的影响方向和幅度。

最后来看看DFSA的成本标度律。图9展示了在固定ForwardDiff.jl块宽度下，DFSA总耗时随传播参数个数Np的变化。虚线是理论估计值，实际测量点紧密地贴合在虚线上，验证了“每个额外参数只需约1.4次正向求解”的结论。这意味着当一个工艺模型有几十个需要拟合的参数时，DFSA的全梯度计算总成本大约是几十次正向求解的量级——对于动辄需要数小时甚至数天的色谱模拟来说，这个开销完全在可接受范围内。

图9：DFSA成本随传播参数Np的变化，固定ForwardDiff.jl块宽度Nchunk ∈ {1, 2, 4, 8, 12, 24}。虚线为单块估计ktfwd(1 + Np)，其中tfwd为正向模拟时间。实测点与理论预测高度吻合。

从研究到工业：ChromOps.jl的实用价值与未来展望

ChromOps.jl的实用价值，首先体现在它把“正向求解”和“梯�度求解”这两件事在代码层面彻底打通了。传统做法里，正向求解器是一套代码，灵敏度分析是另一套独立的代码，两者之间需要手动对接和校验。而ChromOps.jl因为从设计之初就把自动微分作为一等公民，正向和梯度天然同源，省去了大量的工程维护成本。

这背后的战略价值可以从“可微分编程”的角度来理解。当整个色谱模拟链路都是可微分的时候，用户可以自由地定义任意复杂的目标函数——比如“产物收率×纯度”或者“多批次生产的总利润”——然后让优化算法自动处理梯度计算。这实际上是把色谱工艺开发从“手工调参+试错”的古典模式，推向“数据驱动+自动优化”的现代模式。

ChromOps.jl作为诺和诺德（Novo Nordisk）内部孵化并开源的求解器，背后有真实的工业场景驱动。这意味着论文中所有的基准测试都不是在拍脑袋的玩具问题上做的，而是瞄准了工业色谱中实际会遇到的模型规模和精度需求。在六组分IEX基准测试中，ChromOps.jl的表现说明，FD-SBP在实际工程场景下可能比当前学界更偏爱的DG-SEM更具性价比——这个发现对于正在选型数值方法的工业团队来说，是一份很有参考价值的实战报告。

当然，任何工具都有它的适用边界。ChromOps.jl目前主要面向一维色谱柱模型（轴向方向），虽然这覆盖了绝大多数工业制备色谱的应用场景，但对于需要二维或三维解析的复杂流动结构，就需要在现有框架上继续扩展。此外，虽然前向模式的DFSA在参数个数不太多时效率极高，但当待估计参数规模膨胀到成百上千时，前向模式的计算成本会线性增长，这时候或许需要考虑后向模式的伴随方法（adjoint method）作为补充。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？ChromOps.jl是诺和诺德推出的全可微Julia色谱求解器，将高阶空间离散与离散前向灵敏度分析结合，让任意自定义目标的梯度计算达到机器精度。

这篇工作最值得看的点是什么？FD-SBP在原始和8部分对偶值求解中均优于DG-SEM；两种方法均达到理论收敛阶；DFSA梯度精度达到机器精度，计算成本随参数数量近似线性增长。

这篇工作的边界或风险在哪里？优点：(1) 完全可微的求解器，无需用户手动推导链式法则；(2) FD-SBP在精度和计算效率上均优于DG-SEM；(3) DFSA梯度精度达到机器精度；(4) 单一代码路径同时支持原始和对偶求解。缺点：(1) 仅针对特定色谱模型（lum…

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

本文提出一个完全可微的Julia色谱求解器ChromOps.jl，将高阶空间离散化（FD-SBP和DG-SEM）与离散前向灵敏度分析（DFSA）相结合，通过共享同一代码路径实现任意用户定义目标的精确梯度计算。

实验合理度：★★★★☆

L²误差、L∞误差、实验收敛阶（EOC）、RMS误差（OD信号）、墙钟时间

学术研究价值：★★★★☆

本文提出一个完全可微的Julia色谱求解器ChromOps.jl，将高阶空间离散化（FD-SBP和DG-SEM）与离散前向灵敏度分析（DFSA）相结合，通过共享同一代码路径实现任意用户定义目标的精确…

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

DFSA计算N_p个参数的灵敏度时，总时间约为t ≈ 1.4(1+N_p)t_fwd，即每个额外参数约需1.4次前向求解的时间。

复现难度：★★★☆☆

现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：(1) 仅针对特定色谱模型（lumped-rate model with SMA isotherm）验证；(2) 未与连续伴随方法进行直接对比；(3) 线…

主要参考文献

[1] Meyer K, Ratajczyk M, Rackauckas C. ChromOps.jl: High-order simulation and discrete forward sensitivity analysis for chromatography models[J]. Preprint, 2026.

[2] Bezanson J, Edelman A, Karpinski S, et al. Julia: A fresh approach to numerical computing[J]. SIAM Review, 2017, 59(1): 65-98.

[3] Revels J, Lubin M, Papamarkou T. Forward-mode automatic differentiation in Julia[J]. arXiv preprint arXiv:1607.07892, 2016.

[4] Rackauckas C, Nie Q. DifferentialEquations.jl—A performant and feature-rich ecosystem for solving differential equations in Julia[J]. Journal of Open Research Software, 2017, 5(1).

[5] Svärd M, Nordström J. Review of summation-by-parts schemes for initial–boundary-value problems[J]. Journal of Computational Physics, 2014, 268: 17-38.

[6] Hesthaven J S, Warburton T. Nodal Discontinuous Galerkin Methods: Algorithms, Analysis, and Applications[M]. Springer Science & Business Media, 2008.

[7] Brooks C A, Cramer S M. Steric mass-action ion exchange: Displacement profiles and induced salt gradients[J]. AIChE Journal, 1992, 38(12): 1969-1978.

[8] Bassi F, Rebay S. A high-order accurate discontinuous finite element method for the numerical solution of the compressible Navier–Stokes equations[J]. Journal of Computational Physics, 1997, 131(2): 267-279.

[9] Danckwerts P V. Continuous flow systems: Distribution of residence times[J]. Chemical Engineering Science, 1953, 2(1): 1-13.

[10] Ma Y, Dixit V, Innes M J, et al. A comparison of automatic differentiation and continuous sensitivity analysis for derivatives of differential equation solutions[C]//2021 IEEE High Performance Extreme Computing Conference (HPEC). IEEE, 2021: 1-9.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！