论文标题：AI in Chemical Engineering: A New Chapter of Innovation

期刊：Engineering

DOI：https://doi.org/10.1016/j.eng.2024.07.006

微信链接：点击此处阅读微信文章

任其龙

August 2024

人工智能（AI）与化学工程的融合标志着一个变革性新时代的开启。AI驱动的方法重新定义了传统的方法论，已成为解决化工难题的得力助手。随着化学工程面临日益复杂的系统和严格的可持续发展挑战，AI的引入为化工产业应对这些挑战并不断升级与发展带来了新机遇。

化学工程中的AI应用主要依赖三种机制：数据驱动建模、基于化工知识的建模以及结合两者的混合方法。典型数据驱动的AI建模主要基于海量化工工艺数据，利用特定机器学习算法，构建黑箱数学模型。相比之下，基于化工知识的建模融合了领域专业知识和第一性原理，用以指导AI决策。某些应用需要两种方法的协同组合，需要谨慎地整合数据驱动和基于化工知识的建模方法。为了应对这些挑战并探索创新解决方案，我们邀请了全球化工专家就此主题撰写文章。

介观科学是由李静海院士开创的一个领域，它通过关注不同系统层次的介观尺度问题，来桥接宏观和微观尺度，通过分析复杂系统内主导机制之间的竞争，解决不同学科领域的共同挑战。将介观科学与AI结合已被证明是有效建模复杂系统的一种有前景的方法。郭力教授领导的研究小组提出并实现了一种介观科学指导的深度学习（mesoscience-guided deep learning, MGDL）方法，其在复杂化学系统建模中获得成功应用(DOI: 10.1016/j.eng.2024.01.007)。通过将物理原理和介观知识整合到深度学习架构中，显著提高了模型的准确性和可解释性。他们的工作展示了AI在弥合经验数据与理论理解之间差距的潜力，有效增强了多相系统模型的预测能力。

在化学工程和材料科学中，准确预测纯组分性质是设计和优化化工过程以及开发新材料的基础。历史上，这些性质一直使用经验方法（如基团贡献法）进行估算，这些方法依赖于分子片段的加和贡献来预测沸点、蒸气压和溶解度等性质。然而，这些方法在预测准确性上仍存在一些不足，尤其是对于功能团之间相互作用为非加和性的复杂分子而言。Anjan Tula与陈曦教授团队针对纯组分性质估算，开发了一种增强型机器学习框架(DOI: 10.1016/j.eng.2023.08.024)，该框架利用基团贡献方法和高斯过程，通过将离散分子结构映射到连续域中，改进了复杂分子相互作用的表示，从而可更准确地预测物理化学性质。

在可持续化工研究中，新型溶剂在推进绿色工艺和减少环境影响方面可发挥关键作用。深共熔溶剂（deep eutectic solvents, DESs）是该领域的创新研究热点之一。然而，DESs的理性设计一直受到缺乏能够准确识别合适组分组合并预测溶剂混合物最终性质的预测模型的阻碍。邵庆教授及其团队通过采用识别独特氢键特征的机器学习模型，有效解决了发现新DESs的挑战(DOI: 10.1016/j.eng.2023.10.020)。他们使用各种算法开发的30个模型，显著推进了非离子型设计溶剂的理性设计。

多孔材料是许多环境和能源系统应用不可或缺的组成部分，在这些系统中，准确预测传质与反应过程至关重要。传统的建模方法难以应对这些环境的复杂性，往往无法充分表示多孔材料的异质特性。针对这一难点问题，练成教授和刘洪来教授领导的团队构建了Porous-DeepONet，这是一个用于解决多孔介质中参数化反应传输方程的AI模型(DOI: 10.1016/j.eng.2024.07.002)。通过融入卷积神经网络，增强了模型捕捉多孔介质复杂特征的能力，实现了对传质与反应过程现象的准确预测。

动态化学过程建模对于优化操作和确保安全至关重要。传统模型通常依赖于第一性原理方程，这可能导致计算复杂且成本高昂。机器学习，特别是深度学习技术的出现，为这些过程的建模引入了更高效和准确的方法。申威峰教授的团队开发了轻量级注意力机制-卷积-门控循环单元（lightweight attention mechanism-convolutional-gated recurrent unit, LACG）架构并用于化学过程建模(DOI: 10.1016/j.eng.2024.07.009)。它结合了卷积神经网络、循环神经网络和轻量级注意力机制的架构，在动态化学过程建模中表现出色。

传统上，新材料的发现和开发严重依赖理性设计方法，这需要对材料性质及其微观结构进行深入的理解。然而，这种方法的固有局限性，包括耗时性和探索广阔化学空间的困难，推动了更灵活和高效技术的开发。在这种背景下，胡建军教授及其同事探讨了使用生成式AI进行材料发现的可能性(DOI: 10.1016/j.eng.2024.07.008)，他们认为采用数据驱动策略可快速识别具有优异性能的新材料。刘芯言教授等的综述文章则强调了机器学习在加速非均相催化剂发现中的作用(DOI: 10.1016/j.eng.2023.07.021)。该综述强调了AI在以较低计算成本预测表面反应活性方面的潜力，为催化剂的理性设计提供了路线图。

随着AI继续渗透到化学工程的各个领域，对透明和可信的AI系统的需求也在增长。AI模型越来越多地被用于过程优化、材料发现和预测性维护。然而，这些模型的复杂性常常导致“黑箱”效应，决策过程对用户来说仍然不透明。来自祝京旭教授团队的综述聚焦于化学工程中AI应用的透明度概念(DOI: 10.1016/j.eng.2023.11.024)。通过强调因果关系、可解释性和信息丰富性的重要性，他们提出，应该努力将物理原理与AI相结合，采用混合建模方法，增强化学工程AI模型的可靠性和可解释性。

虽然AI在化学工程中的潜力巨大，但仍然存在一些挑战，具体包括高质量数据的稀缺、对可靠验证指标的需求，以及AI与现有化学工程实践的整合。此外，确保AI模型的可解释性和透明度，对于建立信任和促进其在行业中的广泛应用也至关重要。

尽管面临这些挑战，AI在化学工程领域的未来仍然充满希望。随着AI技术不断进步，学术界与工业界之间的合作也在不断增加。AI与化学工程的融合将重新定义我们解决领域内复杂问题的方式。从材料发现到过程优化，AI有望带来化工领域的变革性成长。我们预计新一代的AI模型将有望处理多模态数据，整合领域知识，并提供实时过程优化。AI驱动的设计平台和数字孪生技术的出现，将大大促进预测性维护、过程优化和可持续化学品生产的不断进步。让我们拥抱这一激动人心的征程，利用AI的力量进一步推动化学工程领域的不断创新和发展。

文章信息：

Qilong Ren. AI in Chemical Engineering: A New Chapter of Innovation. Engineering, 2024, 39(8): 1–2 https://doi.org/10.1016/j.eng.2024.07.006

专题链接：

https://www.engineering.org.cn/engi/EN/volumn/volumn_5436.shtml

更多内容

我国科研团队研发新型难熔高熵合金，超高温强度优异

从艺术的角度诠释超材料

任其龙院士：MOF基材料高效分离过程研究进展

侯立安院士、蒋光明教授团队：NiFe-LDH光催化技术有效去除氮氧化物

Engineering征稿启事：人工智能赋能工程科技