Нобелевский приз по химии снова присужден ИИ: как искусственный интеллект трансформирует химико-промышленные процессы 

Синтез большинства молекул требует многоэтапных превращений, баланса входных данных о материалах (например, растворителей, реагентов, катализаторов), параметров реакции (температуры, порядка добавления, времени) иочистных стратегий. Преодоление этой многофакторной задачи аналогично поиску в лабиринте с ограниченными ресурсами. Исторически химики вынуждены были полагаться на предыдущий опыт, разрабатывать осторожные стратегии и принимать решения на основе ограниченных данных. Автоматизированные технологии ИИ изменили эту ситуацию, значительно увеличив количество и точность анализа реакционных данных, что позволило принимать лучшие решения за более короткое время. Например, технология высокопроизводительных экспериментов (ВПЭ, HTE) может быть использована для быстрого исследования возможных условий реакций, но эти технологии обычно предоставляют только аналитический выход при фиксированном времени реакции, упуская ключевые детали, связанные с механизмом или кинетикой реакции (как показано на рисунке ниже).

Кросс-сочетание Сюзуки–Мияуры, анализируемое с помощью ультраэффективной жидкостной хроматографии (УЭЖХ), демонстрирует различные площади пиков исходных веществ, продуктов и распространённых побочных продуктов в зависимости от времени. а — при фиксации небольшого количества временных точек достигается ограниченное понимание процесса; б — визуализация того же превращения в виде полного профиля реакции мгновенно предоставляет всесторонний взгляд на реакцию. а.у. — произвольные единицы; XPhos Pd G2 — хлор(2-дициклогексилфосфино-2′,4′,6′-триизопропил-1,1′-бифенил)[2-(2′-амино-1,1′-бифенил)]палладий(II); ТГФ — тетрагидрофуран.

Инструменты машинного обучения (МО) и искусственного интеллекта (ИИ) являются мощным дополнением к рабочих процессам, управляемым экспериментальными данными, и могут ускорить выявление условий реакций. Прогностические модели строятся на основе экспериментальных данных, полученных из высокопроизводительных экспериментов (ВПЭ, HTE) или литературных источников, и могут рекомендовать условия для проведения неизвестных превращений. Кроме того, путём интеграции алгоритмов оптимизации машинного обучения с роботизованным проведением реакций, отбором проб в конечной точке и извлечением данных была создана платформа автономной оптимизации. Использование этих методов позволяет сократить количество экспериментов, необходимых для выявления идеальных условий, но оба примера упрощают экспериментальные результаты до единственного количественного показателя, такого как выход или процент стереоселективности. Эти стратегии имеют определённые преимущества, но упрощение экспериментальных результатов до единого измерения за фиксированное время скрывает сложность самой химической реакции.

Многие исследования показали, что получение данных о характеристиках реакций (выхода) из существующей литературы даёт противоречивые результаты. Данные смещены в пользу наиболее часто публикуемых условий, что приводит к выбору обычных параметров реакции вместо оптимальных. Хуже того, гетерогенность количественных измерений и применяемых условий или технологий делает невозможным различить, является ли сообщаемый выход результатом экспериментальной неудачи или трудностей с разделением. Попытки систематизации синтетических данных появляются, но находятся ещё на ранней стадии.

Реальное время мониторинг реакций предоставляет ключевое преимущество: с использованием полных кинетических данных можно обучать прогностические модели. Эти всесторонние данные решают все проблемы, связанные с полнотой данных, отклонениями и чрезмерным упрощением. Во-первых, зафиксировав полный профиль реакции, можно поймать и объяснить различия в характеристиках реакций при работе разных исследователей. Во-вторых, это позволяет записать полное развитие реактантов, описать эволюцию целевых материалов, побочных продуктов и интермедиатов. Эти тенденции в будущем станут полезным исходным данными о процессе реакции, так как они фиксируют возможные превращения, которые не являются основным объектом исследования. В целом, паттерны методов машинного обучения идеально подходят для обучения сложных паттернов всей реакции.

Революция в области данных в синтетической химии ускоряется, что усиливает потребность в обогащённых экспериментальных данных. Анализ реакций в реальном времени уже используется для значительного сокращения времени, необходимого для получения целевых молекул. Дополнительное сочетание этих автоматизированных методов сбора данных с новыми инструментами машинного обучения и искусственного интеллекта, по нашему прогнозу, приведёт к экспоненциальному росту способности прогнозировать оптимальные условия и открывать новые синтетические пути.

II.Применение ИИ в химико-промышленных производственных процессах