基于机器学习的美妆配方智能化研发方法与流程

本发明涉及人工智能与化妆品研发交叉，具体为一种基于机器学习的美妆配方智能化研发方法。

背景技术：

1、随着化妆品市场个性化需求的持续增长以及原料科学的快速发展，美妆配方的研发工作正面临维度爆炸的挑战，化妆品配方通常由基质原料、活性功效原料、防腐体系及辅助原料按一定比例组合而成，各原料之间存在复杂的非线性协同或拮抗作用，其性能评价需要综合考察稳定性（如离心、耐寒耐热测试）、功效性（如体外细胞实验、临床肤感评测）、安全性（如刺激性测试）以及生产成本等多维指标，属于典型的高维、多目标、高实验成本优化问题，现阶段，业内主要依靠配方师的人工经验进行成分试错，导致研发周期长、物料与人力成本高昂，且难以穷举潜在的优良配方；

2、目前业内已有企业尝试引入传统机器学习模型辅助配方研发，其中较为接近本发明的现有技术方案为：首先，将历史配方数据整理为原料、配比与性能指标的结构化表格，其中原料通常以原料编号或独热编码方式表示；

3、其次，以该表格数据作为训练集，训练反向传播神经网络或随机森林等回归模型，建立配方组成向量到性能指标之间的映射关系；

4、再次，在获得训练好的模型后，通过网格搜索或简单的遗传算法在已有原料组合空间内进行搜索，输出预测性能较优的候选配方；

5、最后，由配方师对候选配方进行实验验证，并根据验证结果对模型进行少量迭代更新，该方案的核心结构包括数据预处理模块、单一回归预测模型、启发式搜索模块及人工评估反馈模块，各模块以串行方式顺次执行，模型训练与预测过程独立于监管合规审查环节；

6、上述现有技术方案存在如下缺陷：其一，由于采用原料编号或独热编码方式表示原料，该编码方式无法携带原料的分子结构与理化性质信息，当引入历史数据库中从未出现过的全新结构原料时，模型无法从编码本身获知该新原料与已知原料在分子层面的相似性或差异性，只能在已见配方数据的邻域内进行插值预测，一旦超出该邻域即出现严重欠拟合、预测精度大幅下降；

7、其二，搜索模块采用面向单一或简单加权目标的启发式搜索策略，未对各目标预测结果的不确定性进行建模，搜索过程无法有针对性地引导实验资源投向对帕累托前沿改善贡献较大的候选配方，在稳定性、功效、安全性、肤感、成本五个互斥目标并存且单次配方打样及稳定性考察周期长、成本高昂的实际约束下，往往需要数百次甚至更多次实验试错才能逼近较优解集；

8、其三，现有预测模型属于典型的黑盒深度学习或集成学习模型，模型内部未引入化妆品监管合规数据库作为约束条件，也不具备输出成分、剂量、作用机制与性能之间因果链条的能力，导致模型生成或推荐的候选配方经常出现安全浓度超标、禁忌成分混用等合规性问题，同时配方师无法理解模型推荐背后的科学依据，使得人工智能生成的配方难以直接用于工业生产及注册申报。

技术实现思路

1、本发明要解决的技术问题包括以下三个方面：

2、第一，如何解决传统机器学习配方预测模型在面对全新化学结构原料时因缺乏历史数据而导致的泛化能力差、无法进行跨化学空间外推预测的问题；

3、第二，如何在美妆配方稳定性、功效、安全性、肤感、成本五个相互冲突且单次实验评估成本极高的目标之间，以尽可能少的实验打样次数快速逼近帕累托最优解集，解决传统多目标寻优算法效率低下的问题；

4、第三，如何解决传统深度学习模型黑盒特性导致的配方推荐结果不可解释、无法前置嵌入各国化妆品监管合规规则，从而使人工智能生成配方难以直接用于工业生产及注册申报的问题。

5、为解决上述技术问题，本发明提供一种基于机器学习的美妆配方智能化研发方法，由三大核心模块相互配合构成端到端的闭环研发体系。

6、第一模块为分子结构先验与元学习驱动的小样本性能预测模块，通过将原料的简化分子线性输入规范字符串转化为分子图与分子指纹相融合的结构化特征表示，结合图神经网络编码器与模型无关的元学习机制，在仅有极少量新原料湿实验样本的条件下实现对新原料配方性能的外推预测。

7、第二模块为多目标贝叶斯主动学习优化闭环模块，通过针对稳定性、功效、安全性、肤感、成本五个维度分别构建高斯过程代理模型，并采用期望超体积提升采集函数筛选对帕累托前沿改善期望较大的候选配方交由实验验证，经数据回流形成主动学习闭环，以尽可能少的实验次数逼近帕累托最优解集。

8、第三模块为合规规则前置的因果可解释性推荐引擎模块，通过构建法规知识图谱并以知识引导损失函数与硬约束过滤的双重方式将监管合规规则前置嵌入配方生成与筛选流程，同时结合因果结构发现与沙普利归因分析，输出包含成分、剂量、作用机制与性能贡献度的可溯源因果推荐报告。

9、三大模块以数据流依次连接，配方师的实验反馈数据回流至预测模块与代理模型，形成从原料输入到合规配方输出的完整闭环链路。

10、采用上述技术方案，与现有技术相比，本发明的有益效果在于：

11、1.本发明通过将原料的分子结构信息转化为分子图与分子指纹特征，并结合图神经网络与元学习架构，使模型能够利用分子结构层面的先验知识，在仅有极少量新原料实验数据的条件下实现对新原料配方性能的高精度外推预测，显著降低新原料引入研发流程所需的实验样本量与研发周期；

12、2.本发明通过构建基于高斯过程代理模型与期望超体积提升采集函数的多目标贝叶斯主动学习优化闭环，使系统能够在每一轮迭代中自动筛选出对帕累托前沿改善期望较大的候选配方交由配方师实测，将原本需要数百次试错的多目标寻优过程压缩至十次以内的实验迭代；

13、3.本发明通过将合规规则以知识引导损失函数与硬约束过滤的双重方式前置嵌入模型训练与生成过程，并结合因果推断与沙普利归因分析输出可溯源的因果解释链条，使人工智能生成的配方推荐结果满足所述法规知识图谱中已收录的监管合规规则，并可作为注册申报的辅助科学证据材料。

1.一种基于机器学习的美妆配方智能化研发方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于历史配方数据构建多个元训练任务，对图神经网络主干参数进行元学习训练得到初始化参数，包括：

3.根据权利要求1所述的方法，其特征在于，所述新原料的湿实验样本的设定数量为一至五个；

4.根据权利要求1所述的方法，其特征在于，所述高斯过程代理模型基于核函数度量候选配方特征向量与训练集中已有配方特征向量之间的相似度，并根据训练集样本对应的协方差矩阵和观测噪声方差，得到候选配方在对应维度上的后验预测均值和预测方差。

5.根据权利要求1所述的方法，其特征在于，所述期望超体积提升值通过对候选配方在所述五个维度上的预测分布取期望，计算该候选配方加入当前帕累托最优解集后带来的超体积增量而得到；

6.根据权利要求1所述的方法，其特征在于，所述惩罚项根据候选配方在各条法规规则对应指标上的实际取值与该条法规规则允许的阈值上限之间的差值构建，当所述实际取值超过所述阈值上限时产生正惩罚，未超过时惩罚为零；

7.根据权利要求1所述的方法，其特征在于，所述因果发现方法为基于条件独立性检验的pc算法，以各原料的剂量作为候选原因变量，以稳定性、功效、安全性和肤感作为候选结果变量，识别并排除仅具有统计相关性而不具有因果关系的变量对；

8.根据权利要求1所述的方法，其特征在于，还包括：将实验验证得到的性能数据回流至所述性能预测模型和所述高斯过程代理模型，对所述性能预测模型和所述高斯过程代理模型进行在线更新，形成从原料输入到配方推荐报告输出的闭环迭代。

9.一种基于机器学习的美妆配方智能化研发系统，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的基于机器学习的美妆配方智能化研发方法。