展望化学工程的未来：主动机器学习引领变革 Engineering—论文

来源：Engineering 发布时间：2025/1/10 12:50:30

选择字号：小中大

展望化学工程的未来：主动机器学习引领变革 Engineering

论文标题： Active Machine Learning for Chemical Engineers: A Bright Future Lies Ahead !

作者：Yannick Ureel, Maarten R. Dobbelaere, Yi Ouyang, Kevin De Ras, Maarten K. Sabbe, Guy B. Marin, Kevin M. Van Geem

DOI：https://doi.org/10.1016/j.eng.2023.02.019

在明确的条件下进行的实验和基于第一性原理的计算构成了工程研究的基础。在化学工程中，这些活动旨在开发和优化催化剂、反应条件和反应器配置等。2017年化工行业在研发上花费了510亿美元。这说明了高质量数据的重要性；然而，获取准确数据的工作是烦琐的，并且容易出错。实验设计（DoE）可以实现以最小的努力提取最大的信息，确保有效地使用时间和资源。通过将机器学习与DoE相结合，可以实现更灵活和高效的DoE。这种所谓的“主动机器学习”允许更有效地选择实验条件，特别是对于高维和高度非线性的现象。

比利时根特大学Kevin M. Van Geem研究团队在中国工程院院刊《Engineering》2023年8月刊发表了题为“化学工程师的主动机器学习”的展望文章，重点探讨了将DoE与机器学习相结合以实现主动机器学习的潜力。文章总结了主动机器学习面临的三种挑战，即说服实验研究者、数据创建的灵活性和主动机器学习算法的鲁棒性，并讨论了克服这些挑战的方法。文章指出，由于自动化程度的不断提高以及能够推动新发现的更高效算法的出现，主动机器学习在化学工程领域的前景光明。

文章表明，主动机器学习非常适合化学工程研究人员用来加速从分子和催化剂设计到反应和反应器设计的实验活动。然而，主动机器学习在实验研究人员中并不为人熟知，并且许多主动机器学习应用程序目前对用户并不友好。机器学习专家和化学工程师之间更好的协作可以克服这些障碍。这种交互也将有助于根据所应用的（自动的）实验单元和程序调整主动机器学习算法，这将提高这些算法的性能。这里的一个关键障碍是初始实验选择不理想，这可以通过在多保真度模型的帮助下整合迁移学习和主动学习来克服这个障碍。

此外，主动机器学习的应用领域还可以根据设置约束，通过调整一般的主动机器学习算法获得“定制”算法，这可以显著扩展主动机器学习的应用领域。虽然算法应该是定制的，但数据应该是普遍可用的，这样所进行的实验就可以服务于多种目的。通过协调可合成性和创造性，主动机器学习必然会在分子和催化剂合成领域取得重大进展。未来有希望突破将使主动的机器学习成为化学工程师的一个重要工具，并将进一步促进自主和高效的科学发现，这将有助于更加可持续的化学工业。

文章信息：Yannick Ureel, Maarten R. Dobbelaere, Yi Ouyang, Kevin De Ras, Maarten K. Sabbe, Guy B. Marin, Kevin M. Van Geem. Active Machine Learning for Chemical Engineers: A Bright Future Lies Ahead ! [J]. Engineering, 2023, 27(8): 23–30.

扫二维码 | 查看原文

原文链接：https://www.engineering.org.cn/engi/EN/10.1016/j.eng.2023.02.019

推荐阅读

东华大学研究团队：废棉织物变身智能热电气凝胶

兼具修补和缓冲特性的超疏水耐磨涂层，聚焦于卓越的耐冲蚀性能

热管理技术的革新：可重构热穹实现针对带热源目标的三维热隐身

突破！东南大学团队完成基于5μm厚向列相液晶的高效圆极化相控阵设计、校准和实验验证

惊！江南大学新型模型精准筛选益生菌，勇战骨质疏松等代谢疾病

特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。