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，实现机器人和无人车的导航。

现在，纽约大学坦登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技术相结合，对化学反应进行精确、快速的控制和解释，远超传统方法。更具创新性的事实是，这项技术是在一种新型微反应器上开发和测试的，这种微反应器允许快速进行化学发现，并且比标准的大规模反应产生的环境废物少得多。

纽约大学化学与生物分子工程助理教授瑞安哈特曼(Ryan Hartman)说：“这个系统可以将一些化学制造过程的决策过程从一年缩短到几周，从而节省大量化学废物和能源。唐和一篇论文的主要作者详细介绍了计算机和化学工程杂志上的方法。

去年，哈特曼引入了一种新型的微型化学反应器，它使用传统上在大型反应器中进行的反应以及高达100升的化学物质，只使用微升液体——几滴液滴。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，并研究药物开发中的相互作用，预计它们将减少浪费，加快创新，并提高化学研究的安全性。

哈特曼和他的团队通过将这些反应堆与另外两种技术配对来提高它们的效用：红外热成像技术，这是一种捕捉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，这是一门人工智能学科，其中算法学习根据研究人员在控制实验中选择的输入来解释数据。

它们配对在一起，使研究人员能够捕捉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，这项技术甚至可以用于在极端温度或条件下运行的反应，例如需要无菌场的生物反应器。

该研究团队是第一个训练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团队。对创新和可持续性的潜在影响是巨大的。例如，一家大型化学公司在开发新聚合物时可能会筛选数百种催化剂，每个反应可能需要100升以上的化学物质，持续24小时或更长时间。使用目前的实验室技术筛选多种催化剂可能需要一年时间。用哈特曼的方法，整个过程可以在几周内完成，浪费和能耗会少得多。哈特曼估计，在大规模的化学测试中，用于控制烟雾的单一工业头罩每年消耗的能量相当于普通美国家庭的能量。