機器學習加速化學發(fā)現(xiàn) 減少浪費

機器學習算法可以預測股市波動，控制復雜的制造過程，實現(xiàn)機器人和無人車的導航。

現(xiàn)在，紐約大學坦登工程學院的研究人員正在利用人工智能領域的一系列新功能，將人工神經(jīng)網(wǎng)絡與紅外熱成像技術相結合，對化學反應進行精確、快速的控制和解釋，遠超傳統(tǒng)方法。更具創(chuàng)新性的事實是，這項技術是在一種新型微反應器上開發(fā)和測試的，這種微反應器允許快速進行化學發(fā)現(xiàn)，并且比標準的大規(guī)模反應產(chǎn)生的環(huán)境廢物少得多。

紐約大學化學與生物分子工程助理教授瑞安哈特曼(Ryan Hartman)說：“這個系統(tǒng)可以將一些化學制造過程的決策過程從一年縮短到幾周，從而節(jié)省大量化學廢物和能源。唐和一篇論文的主要作者詳細介紹了計算機和化學工程雜志上的方法。

去年，哈特曼引入了一種新型的微型化學反應器，它使用傳統(tǒng)上在大型反應器中進行的反應以及高達100升的化學物質(zhì)，只使用微升液體——幾滴液滴。這些微流體反應器可用于分析制造或發(fā)現(xiàn)化合物的催化劑，并研究藥物開發(fā)中的相互作用，預計它們將減少浪費，加快創(chuàng)新，并提高化學研究的安全性。

哈特曼和他的團隊通過將這些反應堆與另外兩種技術配對來提高它們的效用：紅外熱成像技術，這是一種捕捉顯示化學反應過程中熱量變化的熱圖的成像技術，以及監(jiān)督機器學習，這是一門人工智能學科，其中算法學習根據(jù)研究人員在控制實驗中選擇的輸入來解釋數(shù)據(jù)。

它們配對在一起，使研究人員能夠捕捉化學反應過程中熱能的變化——如熱圖像上的顏色變化所示——并快速解釋這些變化。由于紅外熱成像的非接觸性質(zhì)，這項技術甚至可以用于在極端溫度或條件下運行的反應，例如需要無菌場的生物反應器。

該研究團隊是第一個訓練人工神經(jīng)網(wǎng)絡來控制和解釋熱電冷卻微流體裝置的紅外熱圖像的團隊。對創(chuàng)新和可持續(xù)性的潛在影響是巨大的。例如，一家大型化學公司在開發(fā)新聚合物時可能會篩選數(shù)百種催化劑，每個反應可能需要100升以上的化學物質(zhì)，持續(xù)24小時或更長時間。使用目前的實驗室技術篩選多種催化劑可能需要一年時間。用哈特曼的方法，整個過程可以在幾周內(nèi)完成，浪費和能耗會少得多。哈特曼估計，在大規(guī)模的化學測試中，用于控制煙霧的單一工業(yè)頭罩每年消耗的能量相當于普通美國家庭的能量。

標簽：