(续)可持续化学和工艺的未来:人工智能、数据和硬件的融合

发布时间:2022-11-02 11:11:23

如需获取原文献/补充资料 请关注公众号


目录

/CONTENT

01/引言

02/通过增材制造和在线监测实现的智能物理系统

03/人工智能和在线监测的智能网络系统

04/未来前景和机遇

1.高度集成的系统

2.面向服务的端到端同步和自进化系统平台

3.逆向设计

4.自动科学发现

05/结论


接上文

POINT

人工智能和在线监测的智能网络系统


在可持续的化学过程中,网络系统采用人工智能提供的智能,使用内置在线检测生成的数据执行自我优化和预测等任务。此前,人工智能已被用于离线数据分析,其中数据用于构建(通常)替代模型,并执行预测健康状态、预测和优化等任务。

结果表明,在趋势观察和大图像可视化方面具有离线数据分析的能力。然而,仍然需要人力来关注过程并进行控制。最近,可持续化学正逐渐发展成为具有自我优化方法的“黑暗实验室”,人工智能算法取代了人类的工作,与内置在线检测和控制技术相结合,以执行交互式、自我行为和自主操作的闭环。

到目前为止,直接搜索方法(如通过分支和拟合的稳定噪声优化(SNOBFIT))是极少数成功应用于多步骤过程、下游过程和产品合成中的自优化的单目标优化方法之一。Clayton 等人采用 SNOBFIT 算法来最大化多步反应萃取过程中水相中的- 甲基苄胺浓度,如图 2 所示。通过控制入口 pH 值和进料体积比,该单目标优化 器收敛,最终提供 90%的分离效率。

在反应萃取过程中应用了相同的算法,通过 减少可能导致反应器堵塞的副产物的生成来优化产率。通过严格控制进料流量、 进料体积比和温度等反应参数,反应收率达到 66%。通过调节四个参数,如进料流量、进料体积比、温度和停留时间,抑制剂合成的单一优化实现了 89%的产率。

然而,在实践中,优化过程中还应考虑经济和环境因素。通过引入一组称为帕累托前沿的最优解,提出了一种解决方案,其中非占优解是一个在不对另一个产生不利影响的情况下无法改进的解。它实现了多目标优化,自动学习可行的工艺条件,并由于所需实验数量少而提高了材料利用率。

后来,Clayton 等人开发 了 Thomson 采样高效多目标优化(TSEMO)算法,以在多步 Claisen-Schmidt 缩合反应中同时最大化产物纯度、时空产率(STY)和反应质量效率(RME),如 图 2 B 所示。多目标 TSEMO算法收敛到帕累托前沿,成功地突出了产品纯度、 STY 和 RME 之间的完全权衡。它能够从帕累托前沿同时优化涉及多个目标的多步骤过程,并有可能提高过程设计期间的资源利用率和决策。

除了连续流化学过程外,TSEMO还可用于批量顺序设计。最近报道了应用优化算法、多目标遗传算法(MOGA)与机械和数据驱动方法相结合来评估化学过程性能的灵活性。Yan 等人和 Xu 等人分别用人工神经网络(ANN)和深度神经网络(DNN)编制了 MOGA,以评估固体氧化物燃料电池的性能。数据驱动算法有效地解决了输入和输出之间的相关性,而非支配排序遗传算法(NSGA-II)能够优化多目标函数。

然而,DNN 和 ANN 是数据驱动的“黑匣子”方法,其中数据输入和输出过程的描述不明确,外推有限,可解释性较差。为了解决这个问题,Yang 等人提出了数据 驱动和机制驱动的混合,以提高数据驱动模型的可解释性,以及流化催化裂化模拟中第一原理模型的可追溯性。结果表明了混合模型的有效性,提供了更好的数 据相关性。将混合模型与优化算法相结合将是可持续化学和过程研究的一个新方向。

图 2(A)SNOBFIT 算法用于通过控制流速进行多步反应萃取系统的单目标自优化,通过操纵-甲基苄胺和 N-苄基--甲基苄胺的流速,调控溶剂体积比和硝酸 pH 值 (B)利用 TSEMO 算法,通过调节苯甲醛和丙酮的流速来调节 CSTR 的溶剂比和温度控制器,对多步 Claisen-Schmidt 缩合过程进行多目标自优化


POINT

未来前景和机遇

先前的工作表明,AM 和 AI 可以分别在物理和虚拟上增强内置在线监测, 以实现系统智能化。然而,仍然存在明显的差距,物理系统需要强大的人工智能算法进行智能反馈控制,而网络系统需要来自可由 AM 定制的集成传感技术的 数据。因此,设想需要通过紧密集成物理和网络系统,为可持续的化学过程创建闭环范式,如图 3 所示。该闭环系统有可能创建一个未来的实验室框架,将人工智能扩展到网络空间之外,并实现物理硬件的自动化,例如高度集成的系统、自 进化过程、逆向设计方法、自动科学发现和面向服务的平台。

图 3 在可持续能源化学和过程中,将人工智能、AM 和内置在线监测相结合,以创建闭环系统

4.1 高度集成的系统

由于对化学过程自动和自主操作的需求,在多步骤过程中需要许多鲁棒传感器来连续生成准确的实时过程数据。然而,由于需要非标准组件,将先进的传感 技术连接到复杂过程通常不方便。连接的系统通常是空间密集型的,体积庞大, 布线较多,这会增加电磁干扰(EMI)。AM 技术能够制造各种尺寸的定制复杂 3D 对象,并利用“即插即用”原则提高制造灵活性。快速制造速度也有助于通过采用“快速失效,经常失效”策略,通过敏捷迭代方法传播设计创新,如图 4 A 所 示。

因此,支持 AM 的高度集成系统有望消除边界,并创建紧凑的装配,允许先进的检测技术灵活地接入多步骤流程,从而提高制造灵活性。高度集成的单元具有体积小、重量轻和布线少的优点,这有利于减少电磁干扰。此外,在高度集成 的系统中可以保证数据质量,以提高系统的透明度和人工智能算法的准确性。最近,通过 AM 技术在片上实验室和片上器官中开发了高度集成的系统。例如,伯克利实验室(Berkeley Lab)的研究人员已经开发出一种全液体 3D 打印芯片上实验室设备,该设备可能被编程为根据需要执行多步骤、复杂的化学反应。

此外, 3D 打印提供了将多种材料引入同一集成系统的可能性,以创建可轻松连接到其 他零件的按需装配。这种智能硬件在集成到网络空间时,将提供一种方便的扩展途径,并为从基于概念验证实验室的高集成系统转移到更实用的系统(如芯片上的工厂)带来新的可能性。


4.2. 面向服务的端到端同步和自进化系统平台

目前,由于物理过程和虚拟空间之间缺乏收敛性,化学过程中分布式节点的信息,如饲料数据、设备数据、过程参数数据和感官数据,在很大程度上是孤立、 碎片化和停滞的。因此,需要集中式信息管理,例如,如图 4 B 所示的面向服务的平台,以通过云技术聚合信息。

Digital twin 在面向服务的平台上提供端到端同步,虚拟地表示物理多步骤过程,并允许监视、控制和故障检测,以克服地理距离的挑战。Maiwald group 开发了一种数字孪生方法,通过云服务器在屏幕上演示核磁共振反应器。此外,面向服务的平台还能够创建一个由人工智能技术支持的自进化系统。自进化系统采用人工智能算法作为主动学习机,不断改进和适应新的输入信息,以创建超预测模型。Zhang 等人提出了逆增强现实的概念。在逆增强现实中,虚拟世界中的角色和环境主体可以通过向物理世界学习来自我发展和进化。因此,面向服务的架构反映了数字孪生平台中的物理过程,并发展为自 进化系统。


4.3 逆向设计

在多步流动合成中,开发高纯度的绿色分子需要更深入的了解和搜索工艺配方。直到最近,利用基于现有合成配方的经验探索分子的靶向性质已成为普遍策略。然而,这种正向设计策略通常耗时且成本高昂。迅速解决方案是未来可持续性的挑战之一。

为了加速设计过程,逆向设计已成为一个重要的可持续化学信息学平台,由强大的人工智能算法支持。基于化学数据,将根据产品或工艺的预定义目标特性(例如纯度和转化率)推导出流动化学配方(例如流速、温度、压力)。图 4 C 显示了化学信息学中基于人工智能的映射方向,如正向和逆向。

最近,逆向设计方法在材料探索中得到了广泛讨论。Sanchez-Lengeling 提出了一种数据驱动的生成模型,该模型可以通过学习现有材料的特性分布来生成具有所需特性的不可见材料。此外,欧洲大规模研究计划“电池 2030+”已实施电池接口基因组-材 料加速平台(BIG-MAP),通过人工智能、高性能计算和自主合成机器人授权的电池材料和接口的逆向计算设计,加速超高性能电池的发现。与这些倡议类似, 在网络物理系统中采用逆向设计也将带来新的可能性,以加快发现可持续的流动合成配方。


4.4 自动科学发现

可持续化学从合成到表征的相对缓慢的周期仍然是阻碍科学发现的一个挑战。同样,实验和模拟的复杂性随着变量的数量呈指数级增长,将大多数研究局限在材料空间的狭窄区域。因此,需要一个由鲁棒人工智能算法驱动的自主机器人来将科学家从循环系统中解救出来。最近,Cooper 等人设计了一个机器人助手来搜索光催化剂,如图 4 D 所示。该机器人在八天内每天连续工作 22 小时,在十个可变的实验空间内完成了688 个实验。借助先进的激光扫描和机器人的触觉反馈,这位移动机器人化学家能够在熄灯环境中进行操作,这也是进行光敏光化学反应的一个优势。此外,Macleod 等人开发了一个自动驱动实验室,用于自主合成和表征太阳能电池材料。这些突破清楚地表明了一个愿景,即人工智能在网络空间之外的扩展和物理硬件的自动化带来了加速和自动化的科学研究。


POINT

结论


现在很明显,可持续化学研究正在经历一场哲学变革,通过耦合人工智能、 数据和硬件来创建闭环网络物理系统。这一转变将使“未来实验室”发展成为一种自我决策方式、交互式机器、自主问题求解器和学习机器,通过 AM、AI 和内置在线监测。闭环系统由 AM 技术构成了高度集成的系统,增强了先进传感器到多步骤过程的集成。在网络物理系统中采用云技术消除了物理设备和虚拟空间之间的障碍。它将通过集中式信息管理(如面向服务的平台)开发端到端同步和自 进化系统。闭环系统还将提供一个高级搜索平台,通过逆向设计从产品或工艺的目标特性(例如纯度和转化率)探索更绿色的合成路线。最后,网络物理系统还将通过强大的人工智能技术驱动的机器人技术,以加速和自动化的方式为科学发现提供重大突破。

全文完


参考文献:Xin Yee Tai, Hao Zhang , Zhiqiang Niu, et al. The future of sustainable chemistry and process:Convergrnce of artificial intelligence,date and hardware. Energy and AI 2 (2020) 100036


由于篇幅受限,关于上述生物反应器具体参数详见公众号右下角底部菜单栏→补充资料,自动跳转获取

Mediacenter Editor | 曼森编辑

文章来源:本文由中科院上海生命科学信息中心与曼森生物合作供稿

排版校对:刘娟娟编辑

内容审核:郝玉有博士


END

网站首页 咨询热线 联系我们