En la tarde del 9 de octubre, la Real Academia Sueca DE LAS Ciencias decidió otorgar el 2024 Premio Nobel de Química a tres científicos. Entre ellos, IA el modelo de AlphaFold2, que predice estructuras de proteínas complejas, se convirtió en un punto focal global. El premio fue para el líder de IA de Google, Demis Hassabis, de 48 años, y John Jumper, de 39, destacando el inmenso potencial de la IA en el campo de la química. Este artículo resume algunas aplicaciones de la IA en procesos químicos, mostrando las contribuciones de la IA para mejorar la eficiencia de la industria y avanzar en la transformación digital.
La automatización y el monitoreo de reacciones en tiempo real han permitido experimentos ricos en datos, que son esenciales para abordar las complejidades de la síntesis química, comoSíntesis de carbonato de etilenoYSíntesis de ácido poliláctico... Al combinar el análisis en tiempo real con herramientas de Aprendizaje automático (ML) e Inteligencia Artificial (AI), es posible acelerar la identificación de condiciones de reacción óptimas y facilitar la síntesis autónoma LIBRE DE ERRORES.
La mayor parte de la síntesis de moléculas requiere transformaciones de múltiples pasos, entradas de material equilibradas (como disolventes, reactivos y catalizadores), parámetros de reacción (temperatura, Orden de adición y tiempo) y estrategias de purificación. Atender estos desafíos multifactoriales es similar a navegar por un laberinto con recursos limitados. Históricamente, los químicos tenían que confiar en experiencias pasadas, formular estrategias cautelosas y tomar decisiones basadas en datos limitados. La automatización de la IA ha transformado este panorama al mejorar significativamente tanto la cantidad como la precisión del análisis de datos de reacción, lo que permite tomar mejores decisiones en un período de tiempo más corto. Por ejemplo, las técnicas de experimentación de alto rendimiento (HTE) pueden investigar rápidamente las posibles condiciones de reacción, pero estas técnicas a menudo proporcionan rendimientos de análisis en puntos de tiempo fijos, faltando detalles cruciales relacionados con los mecanismos de reacción o la cinética.
Figura: Análisis de cromatografía líquida súper eficiente de la reacción de acoplamiento cruzado de Suzuki-Miyaura, que muestra diferentes áreas de picos de materiales y productos de partida, así como subproductos comunes, a lo largo del tiempo.
Las herramientas de aprendizaje automático e Inteligencia Artificial son potentes complementos para los flujos de trabajo basados en datos en experimentos, lo que acelera la identificación de las condiciones de reacción. Los modelos predictivos construidos a partir de datos experimentales de alto rendimiento (HTE) o fuentes de literatura pueden sugerir condiciones de reacción para transformaciones no probadas previamente. Además, al integrar algoritmos de optimización de aprendizaje automático con ejecución de reacción robótica, muestreo de Punto Final y extracción de datos, se han creado plataformas de optimización autónomas. Estos métodos pueden reducir el número de experimentos necesarios para identificar las condiciones ideales, pero tienden a simplificar los resultados experimentales en puntuaciones cuantitativas únicas, como porcentajes de rendimiento o estereoselectividad. Si bien estas estrategias tienen sus ventajas, reducir los resultados experimentales a una sola medición en un tiempo fijo simplifica demasiado la complejidad inherente de las reacciones químicas.
Muchos estudios han mostrado resultados mixtos cuando se utilizan datos de rendimiento de la reacción (como el rendimiento) de la literatura existente. Los datos están sesgados hacia las condiciones más comúnmente publicadas, a menudo seleccionando parámetros de reacción convencionales en lugar de los óptimos. Peor aún, la heterogeneidad de las mediciones cuantitativas y las condiciones aplicadas hace que sea difícil distinguir si los rendimientos informados reflejan fallas experimentales o desafíos en la separación de productos. Los esfuerzos para sistematizar los datos de síntesis están surgiendo, pero permanecen en las primeras etapas.
El monitoreo de reacciones en tiempo real ofrece una ventaja clave: mediante el uso de datos cinéticos completos, se pueden entrenar modelos predictivos. Estos datos completos abordan problemas relacionados con la integridad de los datos, los sesgos y la simplificación excesiva. Al registrar todo el perfil de reacción, se pueden capturar e interpretar diferencias en el rendimiento de la reacción en diferentes condiciones experimentales. Además, se puede rastrear la evolución completa de los reactivos, lo que permite describir los cambios en los materiales, subproductos e intermedios diana. Estas tendencias proporcionan datos fuente útiles para futuros procesos de reacción, ya que capturan posibles transformaciones fuera del enfoque de investigación inmediato. En general, los métodos de Aprendizaje automático (ML) se adaptan bien a los modelos de entrenamiento que reflejan la complejidad total del REAC.Ciones.
La revolución de la ciencia de datos en la química sintética se está acelerando, impulsando una mayor demanda de datos experimentales ricos. El análisis de reacciones en tiempo real ya se ha utilizado para reducir drásticamente el tiempo necesario para alcanzar las moléculas objetivo. Al integrar aún más estos métodos automatizados de recopilación de datos con nuevas herramientas de ML e IA, nuestra capacidad para predecir las condiciones óptimas y descubrir nuevas vías sintéticas crecerá exponencialmente.
Como componente clave de las industrias de procesos, la fabricación de productos químicos implica numerosas reacciones químicas y transformaciones de materiales. En las operaciones industriales, La IA ahora puede ayudar a los ingenieros y científicos de datos a realizar tareas de rutina. Puede ayudar a integrar fuentes de datos externas utilizando lenguaje natural o informático y trabajar en conjunto con otras soluciones. Por ejemplo, en los procesos de fabricación de productos químicos, la inteligencia artificial puede generar grandes esquemas de modelos mediante la capacitación sobre datos operativos y puede proponer sugerencias de planes de acción basadas en la información existente, aunque las decisiones finales aún recaen en los ingenieros.
La IA juega un papel más activo al automatizar las tareas rutinarias. Sigue reglas y procedimientos predefinidos, Reduciendo la intervención humana en las actividades diarias. La inteligencia de automatización se ve comúnmente en procesos robóticos, como máquinas que clasificando materiales o productos en una cinta transportadora.
En otro ejemplo, la IA generativa puede ayudar a codificar tareas que requieren la creación de modelos de aprendizaje automático u otras operaciones basadas en el lenguaje informático. También puede almacenar y recuperar información, actuando como un depósito para casos de uso e información normativa correspondiente, a la que se puede acceder y extraer a través de mensajes de lenguaje natural. Cuando se combina con otras tecnologías, la IA generativa se vuelve aún más efectiva. Por ejemplo, al usar Retrieval-Augmented Generation (RAG), se pueden agregar chatbots a estas bases de datos. A través de llamadas API, los ingenieros pueden acceder a un software de análisis industrial avanzado e interactuar con él directamente. Simplemente podrían preguntar: "¿Qué pasó después de mi turno?" y el GPT habilitado por RAG generaría un resumen detallado de los eventos durante ese período de tiempo.
Sin embargo, la implementación de la IA también presenta desafíos únicos. Lo más importante es que la calidad y la integridad de los datos son fundamentales. La EFECTIVIDAD DE LOS SISTEMAS DE IA depende de los datos que procesan. Los datos inexactos o incompletos pueden conducir a ideas y decisiones erróneas. Por lo tanto, proporcionar datos precisos a estas soluciones es fundamental.
La Fabricación de procesos químicos todavía se encuentra en la fase experimental de implementación de IA. Las empresas están aprendiendo cómo y dónde aprovechar los beneficios de estas soluciones mientras mitigan los riesgos potenciales. Dado que los procesos de fabricación aún requieren las habilidades de toma de decisiones de los ingenieros, la industria está procediendo con cautela. Sin embargo, un número cada vez mayor de empresas químicas están experimentando con la transformación digital, con aplicaciones prácticas como modelos de aprendizaje automático y paneles de control que emergen constantemente.
La detección de anomalías se cita a menudo como un caso de aplicación de IA. Por ejemplo, los expertos en negocios pueden buscar valores de referencia en datos de series de tiempo para identificar anomalías en patrones esperados. Estas anomalías se presentan de una manera fácil de entender, permitiendo respuestas y decisiones rápidas. Al Crear marcadores únicos para parámetros de lote ideales a partir de datos contextuales, la detección de anomalías ayuda a definir y detectar situaciones anormales. En casos más avanzados, los modelos desarrollados utilizando mapas autoorganizados (SOM) pueden detectar anomalías tanto globales como locales en contextos multivariados.
En una empresa especializada en productos químicos, los ingenieros de procesos han reconocido los beneficios de utilizar esta tecnología para la detección de anomalías. Al procesar datos operativos con software de análisis industrial avanzado, los científicos han desarrollado modelos de datos que incluyen sensores suaves, SCOR de detección de anomalías.Es, y alertas de mantenimiento predictivo.
La integración de estas capacidades de aprendizaje automático ha dado lugar a importantes mejoras operativas en la empresa. En particular, el tiempo de procesamiento por lotes se ha reducido en 10%, lo que equivale a un lote menos por día. Además, la mejora en la eficiencia operativa ha resultado en una reducción 9% en el consumo de energía.
Conclusión: La IA está evolucionando constantemente y los avances tecnológicos están progresando rápidamente. Al aprovechar grandes volúmenes de datos existentes, los ingenieros pueden obtener información instantánea para optimizar las operaciones. Al mismo tiempo, las empresas están tomando muchas medidas necesarias para aprovechar la inteligencia artificial para el éxito futuro.
