10 월 9 일 오후 스웨덴 왕립 과학원은 3 명의 과학자에게 2024 노벨 화학상을 수여하기로 결정했습니다. 이 중 복잡한 단백질 구조를 예측하는 AI 모델 AlphaFold2 가 글로벌 초점이 됐다. 이상은 48 세의 Google AI 리더 인 Demis Hassabis와 39 세의 John Jumper에게 수여되어 화학 분야에서 AI의 엄청난 잠재력을 강조했습니다. 이 기사는 화학 공정에서 AI의 일부 응용 프로그램을 요약하여 산업 효율성 향상과 디지털 전환 발전에 AI의 기여를 보여줍니다.
자동화 및 실시간 반응 모니터링은 다음과 같은 화학 합성의 복잡성을 해결하는 데 필수적인 데이터가 풍부한 실험을 가능하게했습니다.에틸렌 탄산염 합성과폴리 락트산 합성. 실시간 분석을 기계 학습 (ML) 및 인공 지능 (AI) 도구와 결합함으로써 최적의 반응 조건의 식별을 가속화하고 오류없는 자율 합성을 용이하게 할 수 있습니다.
대부분의 분자 합성은 다단계 변환, 재료 입력 (예: 용매, 시약 및 촉매), 반응 매개 변수 (온도, 첨가 순서 및 시간) 및 정제 전략을 균형있게 조정해야합니다. 이러한 다중 요인 문제를 해결하는 것은 제한된 자원으로 미로를 탐색하는 것과 유사합니다. 역사적으로 화학자들은 과거의 경험에 의존하고 신중한 전략을 수립하고 제한된 데이터를 기반으로 결정을 내려야했습니다. AI 자동화는 반응 데이터 분석의 양과 정확성을 크게 개선하여 짧은 시간 내에 더 나은 결정을 내릴 수있게함으로써 이러한 환경을 변화 시켰습니다. 예를 들어, 고 처리량 실험 (HTE) 기술은 잠재적 인 반응 조건을 신속하게 조사 할 수 있지만, 이러한 기술은 종종 고정 된 시점에서 분석 수율을 제공하여 반응 메커니즘 또는 동역학과 관련된 중요한 세부 사항을 누락합니다.
도표: 스즈키-미야우라 교차 결합 반응의 매우 효율적인 액체 크로마토그래피 분석은 시간이 지남에 따라 출발 물질 및 제품의 다른 피크 영역뿐만 아니라 일반적인 부산물을 보여줍니다.
기계 학습 및 AI 도구는 실험에서 데이터 기반 워크 플로를 강력하게 보완하여 반응 조건의 식별을 가속화합니다. 고 처리량 실험 (HTE) 데이터 또는 문헌 출처에서 구축 된 예측 모델은 이전에 테스트되지 않은 변환에 대한 반응 조건을 제안 할 수 있습니다. 또한, 기계 학습 최적화 알고리즘을 로봇 반응 실행, 종점 샘플링 및 데이터 추출과 통합함으로써 자율 최적화 플랫폼이 만들어졌습니다. 이러한 방법은 이상적인 조건을 확인하는 데 필요한 실험 횟수를 줄일 수 있지만 실험 결과를 수율 또는 입체 선택성 백분율과 같은 단일 정량적 점수로 단순화하는 경향이 있습니다. 이러한 전략에는 장점이 있지만 실험 결과를 고정 된 시간에 단일 측정으로 줄이면 화학 반응의 고유 한 복잡성이 지나치게 단순화됩니다.
많은 연구에서 기존 문헌으로부터의 반응 성능 데이터 (예: 수율) 를 사용할 때 혼합 된 결과가 나타났습니다. 데이터는 가장 일반적으로 공개 된 조건에 편향되어 있으며 종종 최적의 반응 매개 변수보다는 기존 반응 매개 변수를 선택합니다. 더 나쁜 것은 정량적 측정 및 적용된 조건의 이질성으로 인해 보고 된 수율이 제품 분리의 실험 실패 또는 문제를 반영하는지 여부를 구별하기가 어렵습니다. 합성 데이터를 체계화하려는 노력이 나타나고 있지만 초기 단계에 남아 있습니다.
실시간 반응 모니터링은 중요한 이점을 제공합니다. 포괄적 인 운동 데이터를 사용하여 예측 모델을 훈련시킬 수 있습니다. 이러한 포괄적 인 데이터는 데이터 무결성, 편향 및 지나치게 단순화와 관련된 문제를 해결합니다. 전체 반응 프로파일을 기록함으로써, 상이한 실험 조건하에서 반응 성능의 차이를 포착하고 해석할 수 있다. 또한, 반응물의 완전한 진화를 추적하여 표적 물질, 부산물 및 중간체의 변화를 설명할 수 있다. 이러한 추세는 즉각적인 연구 초점 밖에서 잠재적 인 변화를 포착하기 때문에 향후 반응 프로세스에 유용한 소스 데이터를 제공합니다. 전반적으로 머신 러닝 (ML) 방법은 reac의 전체 복잡성을 반영하는 교육 모델에 적합합니다.Tions.
합성 화학의 데이터 과학 혁명이 가속화되어 풍부한 실험 데이터에 대한 수요가 증가하고 있습니다. 실시간 반응 분석은 표적 분자에 도달하는데 필요한 시간을 극적으로 감소시키기 위해 이미 사용되어 왔다. 이러한 자동화 된 데이터 수집 방법을 새로운 ML 및 AI 도구와 통합함으로써 최적의 조건을 예측하고 새로운 합성 경로를 발견하는 능력은 기하 급수적으로 증가 할 것입니다.
공정 산업의 핵심 구성 요소 인 화학 제조에는 수많은 화학 반응 및 재료 변형이 포함됩니다. 산업 운영에서 AI는 이제 엔지니어와 데이터 과학자가 일상적인 작업을 수행하는 데 도움을 줄 수 있습니다. 자연 또는 컴퓨터 언어를 사용하여 외부 데이터 소스를 통합하고 다른 솔루션과 함께 작업 할 수 있습니다. 예를 들어, 화학 제조 공정에서 AI는 운영 데이터에 대한 교육을 통해 대규모 모델 체계를 생성 할 수 있으며 최종 결정은 여전히 엔지니어에게 달려 있지만 기존 정보를 기반으로 행동 계획 제안을 제안 할 수 있습니다.
AI는 일상적인 작업을 자동화하여 더 적극적인 역할을합니다. 미리 정의 된 규칙과 절차를 따르며 일상 활동에서 인간의 개입을 줄입니다. 자동화 지능은 일반적으로 컨베이어 벨트의 재료 또는 제품을 분류하는 기계와 같은 로봇 프로세스에서 볼 수 있습니다.
다른 예에서, 생성 AI는 기계 학습 모델들 또는 다른 컴퓨터 언어 기반 동작들의 생성을 요구하는 태스크들을 코딩하는데 도움을 줄 수 있다. 또한 사용 사례 및 해당 규범 정보의 저장소 역할을하는 정보를 저장하고 검색 할 수 있으며 자연어 프롬프트를 통해 액세스 및 추출 할 수 있습니다. 다른 기술과 결합하면 생성 AI가 더욱 효과적입니다. 예를 들어 RAG (Retrieval-Augmented Generation) 를 사용하면 이러한 데이터베이스에 챗봇을 추가 할 수 있습니다. API 호출을 통해 엔지니어는 고급 산업 분석 소프트웨어에 액세스하여 직접 상호 작용할 수 있습니다. 그들은 단순히 "내 근무 후 무슨 일이 일어 났습니까?" 라고 물을 수 있습니다. RAG 지원 GPT는 해당 기간 동안 이벤트에 대한 자세한 요약을 생성합니다.
그러나 AI의 구현은 또한 독특한 과제를 제시합니다. 가장 중요한 것은 데이터의 품질과 무결성이 중요합니다. AI 시스템의 효과는 처리하는 데이터에 따라 다릅니다. 부정확하거나 불완전한 데이터는 잘못된 통찰력과 결정으로 이어질 수 있습니다. 따라서 이러한 솔루션에 정확한 데이터를 제공하는 것이 필수적입니다.
화학 공정 제조는 여전히 AI 구현의 실험 단계에 있습니다. 기업은 잠재적 위험을 완화하면서 이러한 솔루션의 이점을 활용하는 방법과 장소를 배우고 있습니다. 제조 공정에는 여전히 엔지니어의 의사 결정 기술이 필요하기 때문에 업계는주의를 기울이고 있습니다. 그럼에도 불구하고 점점 더 많은 화학 회사들이 기계 학습 모델 및 대시 보드와 같은 실용적인 응용 프로그램이 꾸준히 등장하면서 디지털 혁신을 실험하고 있습니다.
이상 탐지는 종종 AI 응용 사례로 인용됩니다. 예를 들어, 비즈니스 전문가는 시계열 데이터에서 벤치 마크 값을 검색하여 예상 패턴의 이상을 식별 할 수 있습니다. 이러한 이상은 이해하기 쉬운 방식으로 제시되어 빠른 응답과 결정을 가능하게합니다. 문맥 데이터에서 이상적인 배치 매개 변수에 대한 고유 한 마커를 생성함으로써 이상 감지는 비정상적인 상황을 정의하고 감지하는 데 도움이됩니다. 고급 사례에서 SOM (self-organization map) 을 사용하여 개발 된 모델은 다변량 컨텍스트 내에서 글로벌 및 로컬 이상을 모두 감지 할 수 있습니다.
특수 화학 회사에서 공정 엔지니어는 이상 탐지를 위해이 기술을 사용하는 이점을 인식했습니다. 고급 산업 분석 소프트웨어로 운영 데이터를 처리함으로써 데이터 과학자들은 소프트 센서, 이상 감지 스카우트를 포함하는 모델을 개발했습니다.Es 및 예측 유지 보수 경고.
이러한 기계 학습 기능의 통합으로 인해 회사에서 상당한 운영 개선이 이루어졌습니다. 특히, 배치 처리 시간은 1 일 1 회 더 적은 배치와 동등한 10% 만큼 감소되었다. 또한, 작동 효율의 향상은 에너지 소비의 9% 감소를 가져왔다.
결론: AI는 꾸준히 진화하고 있으며 기술 발전이 빠르게 진행되고 있습니다. 많은 양의 기존 데이터를 활용하여 엔지니어는 즉각적인 통찰력을 얻어 작업을 최적화 할 수 있습니다. 동시에 기업들은 미래의 성공을 위해 AI를 활용하기 위해 필요한 많은 조치를 취하고 있습니다.
