机器学习加速化学发现 减少浪费

机器学习算法可以预测股市波动，控制复杂的制造过程，实现机器人和无人驾驶车辆的导航等等。

现在，纽约大学Tandon工程学院的研究人员正在利用人工智能领域的一系列新功能，将人工神经网络与红外热成像相结合，以精确和速度控制和解释化学反应，远远超过传统方法。更具创新性的事实是，这种技术是在新型微反应器上开发和测试的，这种微反应器允许化学发现快速进行，并且比标准大规模反应的环境浪费少得多。

“该系统可以将某些化学制造过程的决策过程从一年缩短到几周，从而节省了大量的化学废物和能源，”纽约大学化学与生物分子工程助理教授Ryan Hartman说。 Tandon和一篇论文的主要作者，详细介绍了计算机与化学工程期刊中的方法。

去年，Hartman推出了一种新型的微型化学反应器，它将传统上在大批量反应器中进行的反应与高达100升的化学物质一起使用，仅使用微升的液体 – 几滴小滴。这些微流体反应器可用于分析制造或发现化合物的催化剂以及研究药物开发中的相互作用，并且它们有望减少浪费，加速创新并提高化学研究的安全性。

Hartman和他的团队通过将它们与另外两种技术配对来增加这些反应堆的效用：红外热成像技术，一种捕获显示化学反应过程中热量变化的热图的成像技术，以及监督机器学习，一种人工智能学科，其中算法学习基于控制实验的研究人员选择的输入来解释数据。

它们配对在一起，使研究人员能够捕获化学反应过程中热能的变化 – 如热图像上的颜色变化所示 – 并快速解释这些变化。由于红外热成像的非接触性质，该技术甚至可以用于在极端温度或极端条件下操作的反应，例如需要无菌场的生物反应器。

研究团队是第一个培训人工神经网络来控制和解释热电冷却微流体装置的红外热图像的研究团队。对创新和可持续性的潜在影响是巨大的。例如，大型化学公司可能会在开发新聚合物时筛选数百种催化剂，每次反应可能需要100多升化学品，24小时或更长时间。使用当前的实验室工艺筛选多个催化剂可能需要一年的时间。使用Hartman的方法，整个过程可以在几周内完成，浪费和能源使用量会少得多。哈特曼估计，在大规模化学测试中，用于控制烟雾的单一工业罩每年使用的能源与美国普通家庭一样多。