بعد ظهر يوم 9 أكتوبر ، قررت الأكاديمية الملكية السويدية للعلوم منح جائزة نوبل في الكيمياء لثلاثة علماء. من بينها ، نموذج AI AlphaFold2 ، الذي يتنبأ بهياكل البروتين المعقدة ، أصبح نقطة محورية عالمية. ذهبت الجائزة إلى زعيم جوجل آي ديميس هاسابيس البالغ من العمر 48 عامًا وجون جامبر البالغ من العمر 39 عامًا ، مما يبرز الإمكانات الهائلة لمنظمة العفو الدولية في مجال الكيمياء. يلخص هذا المقال بعض تطبيقات الذكاء الاصطناعي في العمليات الكيميائية ، ويعرض مساهمات الذكاء الاصطناعي في تحسين كفاءة الصناعة وتعزيز التحول الرقمي.
مكنت الأتمتة ورصد التفاعل في الوقت الحقيقي من إجراء تجارب غنية بالبيانات ، وهي ضرورية لمعالجة تعقيدات التخليق الكيميائي مثلتوليف كربونات الإثيلينوتوليف حمض اللبنيك. من خلال الجمع بين التحليل في الوقت الفعلي مع التعلم الآلي (مل) وأدوات الذكاء الاصطناعي (AI) ، يصبح من الممكن تسريع تحديد ظروف التفاعل المثلى وتسهيل التوليف الذاتي الخالي من الأخطاء.
يتطلب معظم توليف الجزيئات تحولات متعددة الخطوات ، وموازنة مدخلات المواد (مثل المذيبات ، والكواشف ، والمحفزات) ، ومعلمات التفاعل (درجة الحرارة ، وترتيب الإضافة ، والوقت) ، واستراتيجيات التنقية. إن معالجة هذه التحديات المتعددة العوامل أقرب إلى التنقل في متاهة بموارد محدودة. تاريخيًا ، كان على الكيميائيين الاعتماد على التجارب السابقة ، وصياغة استراتيجيات حذرة ، واتخاذ القرارات بناءً على بيانات محدودة. لقد حولت AI automation هذا المشهد من خلال تحسين كمية ودقة تحليل بيانات رد الفعل بشكل كبير ، مما يتيح اتخاذ قرارات أفضل في إطار زمني أقصر. على سبيل المثال ، يمكن لتقنيات التجريب عالية الإنتاجية (HTE) أن تحقق بسرعة في ظروف التفاعل المحتملة ، ولكن هذه التقنيات غالبًا ما توفر نتائج التحليل في نقاط زمنية ثابتة ، تفتقد التفاصيل المهمة المتعلقة بآليات التفاعل أو الحركية.
الشكل: تحليل كروماتوغرافي سائل فائق الكفاءة لتفاعل اقتران سوزوكي-مياورا ، يظهر مناطق ذروة مختلفة لمواد ومنتجات البدء ، فضلاً عن المنتجات الثانوية الشائعة ، بمرور الوقت.
التعلم الآلي وأدوات الذكاء الاصطناعي هي مكملات قوية لتدفقات العمل التي تعتمد على البيانات في التجارب ، وتسريع تحديد ظروف التفاعل. يمكن للنماذج التنبؤية المبنية من بيانات تجريبية عالية الإنتاجية (HTE) أو مصادر أدبية أن تقترح ظروف رد فعل للتحولات التي لم يتم اختبارها مسبقًا. علاوة على ذلك ، من خلال دمج خوارزميات تحسين التعلم الآلي مع تنفيذ التفاعل الآلي ، وأخذ العينات من نقطة النهاية ، واستخراج البيانات ، تم إنشاء منصات تحسين مستقلة. يمكن لهذه الأساليب تقليل عدد التجارب اللازمة لتحديد الظروف المثالية ، لكنها تميل إلى تبسيط النتائج التجريبية إلى درجات كمية واحدة ، مثل نسب العائد أو الانتقائية المجسمة. في حين أن هذه الاستراتيجيات لها مزاياها ، فإن تقليل النتائج التجريبية إلى قياس واحد في وقت محدد يبالغ في تبسيط التعقيد الكامن في التفاعلات الكيميائية.
أظهرت العديد من الدراسات نتائج مختلطة عند استخدام بيانات أداء التفاعل (مثل المحصول) من الأدبيات الموجودة. تكون البيانات منحازة نحو أكثر الحالات المنشورة شيوعًا ، وغالبًا ما تختار معلمات التفاعل التقليدية بدلاً من المعلمات المثلى. والأسوأ من ذلك أن عدم تجانس القياسات الكمية والظروف المطبقة يجعل من الصعب التمييز بين ما إذا كانت العوائد المبلغ عنها تعكس إخفاقات تجريبية أو تحديات في فصل المنتجات. الجهود المبذولة لتنظيم البيانات التوليفية آخذة في الظهور ولكنها لا تزال في المراحل المبكرة.
توفر مراقبة التفاعل في الوقت الفعلي ميزة رئيسية: باستخدام البيانات الحركية الشاملة ، يمكن تدريب النماذج التنبؤية. تعالج هذه البيانات الشاملة القضايا المتعلقة بسلامة البيانات والتحيزات والتبسيط الزائد. من خلال تسجيل ملف تعريف رد الفعل بالكامل ، يمكن التقاط الاختلافات في أداء رد الفعل في ظل ظروف تجريبية مختلفة وتفسيرها. علاوة على ذلك ، يمكن تتبع التطور الكامل للمواد المتباينة ، مما يسمح بوصف التغييرات في المواد المستهدفة ، والمنتجات الثانوية ، والمواد الوسيطة. توفر هذه الاتجاهات مصادر بيانات مفيدة لعمليات التفاعل في المستقبل ، لأنها تلتقط التحولات المحتملة خارج تركيز البحث المباشر. بشكل عام ، تعد أساليب التعلم الآلي (ML) مناسبة تمامًا لنماذج التدريب التي تعكس التعقيد الكامل لأساليب التعلم الآليايجاءات.
تتسارع ثورة علم البيانات في الكيمياء الاصطناعية ، مما يؤدي إلى زيادة الطلب على البيانات التجريبية الغنية. تم استخدام تحليل التفاعل في الوقت الفعلي بالفعل لتقليل الوقت اللازم للوصول إلى الجزيئات المستهدفة بشكل كبير. من خلال دمج طرق جمع البيانات الآلية هذه مع أدوات ML و AI الجديدة ، فإن قدرتنا على التنبؤ بالظروف المثلى واكتشاف مسارات اصطناعية جديدة ستنمو بشكل كبير.
كمكون رئيسي في صناعات العمليات ، ينطوي التصنيع الكيميائي على العديد من التفاعلات الكيميائية وتحولات المواد. في العمليات الصناعية ، يستطيع الذكاء الصناعي الآن مساعدة المهندسين وعلماء البيانات في تنفيذ المهام الروتينية. يمكن أن يساعد في دمج مصادر البيانات الخارجية باستخدام لغة طبيعية أو لغة الكمبيوتر والعمل بالتزامن مع حلول أخرى. على سبيل المثال ، في عمليات التصنيع الكيميائية ، يمكن AI إنشاء مخططات نموذجية كبيرة من خلال التدريب على البيانات التشغيلية وقد تقترح اقتراحات خطة عمل بناءً على المعلومات الموجودة ، على الرغم من أن القرارات النهائية لا تزال بيد المهندسين.
يلعب AI دورًا أكثر نشاطًا من خلال أتمتة المهام الروتينية. يتبع القواعد والإجراءات المحددة مسبقًا ، مما يقلل من التدخل البشري في الأنشطة اليومية. عادة ما يُرى الذكاء الآلي في العمليات الآلية ، مثل آلات فرز المواد أو المنتجات على الحزام الناقل.
في مثال آخر ، يمكن أن يساعد الذكاء الاصطناعي التوليدي في الترميز للمهام التي تتطلب إنشاء نماذج تعلم الآلة أو العمليات الأخرى القائمة على لغة الكمبيوتر. يمكنه أيضًا تخزين المعلومات واسترجاعها ، حيث يعمل كمستودع لحالات الاستخدام والمعلومات المعيارية المقابلة ، والتي يمكن الوصول إليها واستخراجها من خلال مطالبات اللغة الطبيعية. عندما يقترن بتقنيات أخرى ، يصبح الذكاء الاصطناعي التوليدي أكثر فعالية. على سبيل المثال ، باستخدام الجيل المعزز للاسترجاع (RAG) ، يمكن إضافة روبوتات الدردشة إلى قواعد البيانات هذه. من خلال مكالمات API ، يمكن للمهندسين الوصول إلى برنامج التحليل الصناعي المتقدم والتفاعل معه مباشرة. قد يسألون ببساطة ، "ماذا حدث بعد مناوبتي ؟" ، وسيولد نظام GPT المعزز بخرق البيانات ملخصًا مفصلاً للأحداث خلال تلك الفترة الزمنية.
ومع ذلك ، فإن تنفيذ AI يمثل أيضًا تحديات فريدة. الأهم من ذلك ، جودة وسلامة البيانات أمر بالغ الأهمية. تعتمد فعالية أنظمة الذكاء الصناعي على البيانات التي تعالجها. يمكن أن تؤدي البيانات غير الدقيقة أو غير المكتملة إلى رؤى وقرارات خاطئة. لذلك ، من الضروري توفير بيانات دقيقة لهذه الحلول.
لا يزال تصنيع العمليات الكيميائية في المرحلة التجريبية لتنفيذ AI. تتعلم الشركات كيف وأين تسخر فوائد هذه الحل مع تخفيف المخاطر المحتملة. بما أن عمليات التصنيع لا تزال تتطلب مهارات صنع القرار لدى المهندسين ، فإن الصناعة تسير بحذر. ومع ذلك ، يقوم عدد متزايد من الشركات الكيميائية بتجربة التحول الرقمي ، مع ظهور تطبيقات عملية مثل نماذج التعلم الآلي ولوحات المعلومات بشكل ثابت.
غالبًا ما يُشار إلى الكشف عن الشذوذ كحالة تطبيق AI. على سبيل المثال ، يمكن لخبراء الأعمال البحث عن القيم المرجعية في بيانات السلاسل الزمنية لتحديد الحالات الشاذة في الأنماط المتوقعة. يتم تقديم هذه الحالات الشاذة بطريقة سهلة الفهم ، مما يتيح الاستجابات والقرارات السريعة. من خلال إنشاء علامات فريدة لمعلمات الدُفعات المثالية من البيانات السياقية ، يساعد اكتشاف الشذوذ على تحديد الحالات غير الطبيعية واكتشافها. في الحالات الأكثر تقدمًا ، يمكن للنماذج المطورة باستخدام خرائط ذاتية التنظيم (سوم) اكتشاف الحالات الشاذة العالمية والمحلية ضمن سياقات متعددة المتغيرات.
في شركة كيميائية متخصصة ، أدرك مهندسو العمليات فوائد استخدام هذه التكنولوجيا للكشف عن الشذوذ. من خلال معالجة البيانات التشغيلية باستخدام برامج التحليل الصناعي المتقدمة ، طور علماء البيانات نماذج تتضمن أجهزة استشعار لينة ، كشف الشذوذEs ، وتنبيهات الصيانة التنبؤية.
أدى دمج قدرات التعلم الآلي هذه إلى تحسينات تشغيلية كبيرة في الشركة. على وجه الخصوص ، تم تخفيض وقت معالجة الدفعة بواسطة ، أي ما يعادل دفعة واحدة أقل في اليوم. بالإضافة إلى ذلك ، أدى تحسين الكفاءة التشغيلية إلى خفض استهلاك الطاقة.
الخلاصة: AI تتطور باطراد ، والتقدم التكنولوجي تتقدم بسرعة. من خلال تسخير كميات كبيرة من البيانات الحالية ، يمكن للمهندسين الحصول على رؤى فورية لتحسين العمليات. في الوقت نفسه ، تتخذ الشركات العديد من الخطوات اللازمة للاستفادة من AI لتحقيق النجاح في المستقبل.
