Forskere er pionerer i maskinlæring for at fremskynde kemiske opdagelser, reducere spild

Maskinlæringsalgoritmer kan forudsige aktiemarkedsudsving, kontrollere komplekse fremstillingsprocesser, muliggør navigation for robotter og førerløse køretøjer, og meget mere.

Nu, forskere ved NYU Tandon School of Engineering udnytter et nyt sæt af kapaciteter inden for dette felt af kunstig intelligens, ved at kombinere kunstige neurale netværk med infrarød termisk billeddannelse for at kontrollere og fortolke kemiske reaktioner med præcision og hastighed, der langt overgår konventionelle metoder. Endnu mere innovativt er det faktum, at denne teknik blev udviklet og testet på nye mikroreaktorer, der gør det muligt for kemiske opdagelser at finde sted hurtigt og med langt mindre miljøaffald end standardreaktioner i stor skala.

"Dette system kan reducere beslutningsprocessen om visse kemiske fremstillingsprocesser fra et år til et spørgsmål om uger, sparer tonsvis af kemisk affald og energi i processen, " sagde Ryan Hartman, en assisterende professor i kemisk og biomolekylær ingeniørvidenskab ved NYU Tandon og hovedforfatter på et papir, der beskriver metoden i tidsskriftet Computere og kemiteknik .

Sidste år, Hartman introducerede en ny klasse af miniaturiserede kemiske reaktorer, der bringer reaktioner, der traditionelt udføres i store batch-reaktorer med op til 100 liter kemikalier, ned på mikroskalaen. ved at bruge blot mikroliter væske - et par små dråber. Disse mikrofluidiske reaktorer er nyttige til at analysere katalysatorer til fremstilling eller opdagelse af forbindelser og til at studere interaktioner i lægemiddeludvikling, og de lover at reducere spild, fremskynde innovation, og forbedre sikkerheden ved kemisk forskning.

Hartman og hans team har øget anvendeligheden af ​​disse reaktorer ved at parre dem med to yderligere teknologier:infrarød termografi, en billedbehandlingsteknik, der fanger et termisk kort, der viser ændringer i varme under en kemisk reaktion, og overvåget maskinlæring, en disciplin inden for kunstig intelligens, hvor en algoritme lærer at fortolke data baseret på input udvalgt af forskere, der kontrollerer eksperimenterne.

Parret sammen, de giver forskerne mulighed for at fange ændringer i termisk energi under kemiske reaktioner – som indikeret af farveændringer på det termiske billede – og at fortolke disse ændringer hurtigt. På grund af den berøringsfrie natur af infrarød termografi, teknikken kan endda bruges til reaktioner, der fungerer ved ekstreme temperaturer eller under ekstreme forhold, såsom en bioreaktor, der kræver et sterilt felt.

Forskerholdet er det første, der træner et kunstigt neuralt netværk til at kontrollere og fortolke infrarøde termiske billeder af en termoelektrisk afkølet mikrofluidisk enhed. De potentielle indvirkninger på både innovation og bæredygtighed er betydelige. Store kemiske virksomheder kan screene hundredvis af katalysatorer, mens de udvikler nye polymerer, for eksempel, og hver reaktion kan kræve mere end 100 liter kemikalier og 24 timer eller længere. Screening af det antal katalysatorer ved hjælp af nuværende laboratorieprocesser kan tage et år. Ved at bruge Hartmans tilgang, hele processen kan gennemføres på uger, med eksponentielt mindre spild og energiforbrug. Hartman vurderer, at en enkelt industriel emhætte, der bruges til at kontrollere dampe under kemiske test i stor skala, bruger lige så meget energi om året som et gennemsnitligt hjem i USA.