机器学习极大加速化学发现，减少资源浪费

编译：chux

出品：ATYUN订阅号

纽约大学Tandon工程学院的研究人员正在利用AI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，以远远超过传统方法的精度和速度控制和解释化学反应。

更具有创新性的是，这项技术是在新型微反应器上开发和测试的，与标准的大规模反应相比，在进行化学发现时，这种微反应器更快速，产生更少的浪费。

纽约大学化学与生物分子工程助理教授Ryan Hartman表示，“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物和能源。”

去年，Hartman推出了一种新型的微型化学反应器，过去实现反应需要用高达100公升的化学物质，而现在只需要几微升的液体。这些微流体反应器可用于分析制造，发现化合物的催化剂，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，以增加这些反应堆的效用，一种为机器学习，算法学习基于研究人员选择的输入来解释数据。另一种为红外热成像技术，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。

两种方法组合在一起，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，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。

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。这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，需要24小时或更长时间。使用现有的实验室工艺筛选多个催化剂可能需要一年的时间。然而使用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。