目录
/CONTENT
01/引言
02/通过增材制造和在线监测实现的智能物理系统
03/人工智能和在线监测的智能网络系统
04/未来前景和机遇
   1.高度集成的系统
   2.面向服务的端到端同步和自进化系统平台 
   3.逆向设计
   4.自动科学发现
05/结论
 
编者按
本期推文主要编译整理了 Xin YeeTai 等发表在 Energy and AI 的综述《可持续化学和工艺的未来:人工智能、数据和硬件的融合》（The future of sustainable chemistry and process: Convergence of artificial intelligence, data and hardware）。论述了在工业 4.0 的背景下，可持续的化学过程可能会成为一个智能实验室，将网络物理系统与先进的人工智能和稳健的检测技术连接起来。它还将创建一个闭环系统，包括合作和协调机器、自我决策系统、自主问题解决和学习系统。此外，还讨论了闭环系统在可持续化学过程中的发展前景和关键挑战

可再生能源发电和绿色合成的可持续化学是一个及时的研究课题，其愿景是在不损害子孙后代的情况下满足当前需求。在工业 4.0 时代，可持续化学和过程正经历着从连续流系统到下一层级操作的剧烈转变，例如通过将人工智能、数据和硬件集成到网络物理系统中的协作和协调机器、自决策系统、自主和自动问题解算器。由于物理空间和网络空间之间缺乏融合，开环系统面临着数据隔离、周期时间慢和资源管理不足等挑战。新兴的研究致力于加速这些循环，通过增材制造、内置在线监测和人工智能减少多步骤过程和实时表征之间的时间。最终目标是同时提出可持续化学过程中的工艺配方、流程合成和分子表征，每个步骤同时发送和接收数据。这一过程被称为“闭环”，它将潜在地创建一个具有高度集成系统的未来实验室，并生成一个面向服务的平台，用于端到端同步、自进化、反向分子设计和自动科学发现。该观点提供了一种方法，分别通过人工智能和增材制造，结合内置在线监测，分别理解网络和物理系统。此外，还讨论了闭环系统在可持续化学过程中的发展前景和关键挑战。

Notice
01 引言
可持续化学过程是一个科学概念，它寻求在不牺牲资源和环境的前提下满足当前的需求。近年来，连续流化学的发展势头日益强劲，从基本的实验室技术发展到实践中复杂的多步骤工艺。与传统的间歇系统相比，它具有搅拌快、传热快、反应时间控制有效、对有毒和高活性化学品实验安全等优点。此外，连续流化学可以更快地发现绿色化学产品和合成路线，大大减少了实验室和工业规模的污染物排放。连续流化学是实验室里的微型连续装置。它被认为是可持续化学工艺从科学研究向工程生产规模化发展的垫脚石。以层流为基础的燃料电池是可持续化学过程的一个显著例子，它利用液体燃料作为可持续资源，在微通道中持续产生能量，并产生水作为副产品，而不会对环境产生负面影响。此外，太阳能是一种巨大的、可靠的、实际上用之不竭的能源，具有均匀的辐照，可以很容易地与连续流反应器集成在一起，在流太阳能电池中产生化学能和电能，如产生单重态氧和去除水中的有毒成分。可持续化学过程的概念也体现在碳捕获和利用上，即以微胶囊或微流体装置的形式持续捕获温室气体，然后转化为绿色合成产品。第四次工业革命，又称工业 4.0，正在形成一种演变，其影响已遍及各个行业，尤其是制造业。在工业 4.0 的背景下，可持续的化学过程可能会成为一个智能实验室，将网络物理系统与先进的人工智能和稳健的检测技术连接起来。它还将创建一个闭环系统，包括合作和协调机器，自我决策系统，自主问题解决和学 习系统。可持续化学过程的智能实验室的目标是通过适应“即插即用”的原则，以尽可能快的速度完全灵活的生产。鲁棒的传感技术可以灵活地嵌入到多步反应和分离过程中进行实时监测。因此，3D 打印提供了最佳的解决方案，因为其灵活和可定制的独特属性，使“即插即用”的原则快速实现。此外，在智能实验室中采用数据驱动策略，可以提高灵活性和智能制造水平。这一策略在很大程度上取决于数据的质量和数量，这可以通过利用先进的传感技术通过内置在线监测过程来保证。此外，智能实验室也被称为“黑灯实验室”、“熄灯实验室”或“无人实验室”，不需要人力。
 
它运用人工智能实践预测、自动化和自主、自行为和自决策的方法，在可持续化工过程中进行智能控制、调度、设计、过程控制质量和维护。例如，巴斯夫正在实施工业 4.0，将 3D 打印应用于现场设施、连接系统以及用于过程管理和控制以及虚拟工厂调试的先进预测和分析模型。施耐德电气采用了 3D 打印、先进的人工智能和先进的传感器，使生产率提高了 2-7%，能源利用率提高了 30%，运营成本降低了 50%。将增材制造、先进 AI 和鲁棒传感器应用于工业规模工艺，在提高工艺效率、能源利用率和成本效益方面显示出显著的势头。如前所述，AI、数据和硬件是智能实验室的基础模块。人工智能是对人类智能的一种模拟，它被编程在机器中，使它们能够像“科学家”一样思考和行动，比如学习和解决问题。在可持续化工过程中，神经网络、机器学习和遗传算法等人工智能算法是监测、优化和控制中常见的数据驱动方法。因此，将先进的传感技术嵌入到多步骤过程中进行在线监测，可以保证数据的质量和数量，这是数据驱动方法的主要关注点。通过内置在线方法，可以获得化学过程的实时数据，如反应物使用量、产品收率以及操作条件，如 pH、温度和压力，这些都是离线分析技术无法获得的。在线方法直接测量工艺流程，不需要去除或转移样品，而在线方法自动分析样品材料，不需要分配工艺。将先进的传感技术集成到反应室需要灵活的硬件设计，这可以通过增材制造(AM)方便。AM 也被称为 3D 打印，是一种绿色制造技术，从数字输入建立三维物理输出，而不需要传统的工具。该定制工具为需要定制、灵活性和设计复杂性的应用程序提供了优势。AM 在燃料电池、流动化学等能源产生装置中的应用也得到了广泛的讨论。除此之外，人们还非常希望将人工智能、数据和硬件结合到实验室规模的研究中，以简化之后的升级过程。到目前为止，许多工作已经分别讨论了智能工厂的网络和物理系统。网络系统指的是人工智能和数据的融合，数据通过先进的感知技术产生，并被人工智能算法用于执行任务，如在云空间的自我优化和预测。相比之下，物理系统描述了智能实验室的硬件，如多步反应器、分离器和检测技术，它们可以通过 AM 技术实现物理集成，用于内置在线监测。在这样的网络和物理系 统中，如果没有 AM，网络系统的鲁棒性将受到低自定义能力与强大的检测技术 连接的阻碍，从而导致构建可靠模型的高质量数据的丢失。另一方面，如果没有 人工智能，物理系统将只能执行实时监控，而没有智能反馈和控制，限制了物理 系统的可扩展性和功能。因此，人工智能、数据和硬件的融合可以实现智能可持 续化学的物理和虚拟意义。
 
Notice
02 通过增材制造和在线监测实现的智能物理系统
这里的物理系统指的是用于反应器、分离器和先进检测等可持续化学过程的智能实验室的硬件。由于对实时信息的需求，有必要通过增材制造将它们集成到外壳和套管中，以便进行内置在线监测。AM 可以减少生产集成先进检测的定制反应室的周期时间。这种无与伦比的方法可以鼓励研究人员执行一种更迭代的方法，在现有的硬件中嵌入特定的几何形状。因此，可以根据工艺的要求，立即修改设计。此外，它还可以避免有价值但寿命较短的中间体检测的损失。目前，各种检测技术，如温度监测、光谱学和成像，已通过 3D 打印用于在线监测在可持续化学应用中得到了报道。例如，Monaghan 通过超声波添加剂制造（UAM）开发了多材料结构光谱学，将纤维药物嵌入金属微反应器中，用于 B维生素烟酰胺和荧光素的现场监测，如图 1 A 所示。通过启用 AM 的现场监测，研究人员可以从反应物的使用中获得实时数据，而使用离线分析技术无法看到产品形成和中间体生成。Maier 等人通过选择性激光熔化（SLM）开发了带有在线氧传感器的不锈钢反应器。这被证明是研究格氏试剂在流动中氧化的一种有前途的方法。这两项工作都表明了 AM 技术在制造高度复杂的金属器件方面的稳健性，这些器件适用于可持续化学过程中的高温高压应用，同时在更自由的设计中保持高精度的测量。在空气污染监测的另一个应用中，熔融灯丝制造（FFF）用于制造带有嵌入式半导体空气质量传感器的光催化气相反应器，该传感器测量电阻变化。这种 3D 打印气体传感器采用廉价的方法制造，并配有现成的组件，如光催化过滤器和模数转换器。采用 AM 技术还可以安装更强大的检测单元，并改进系统性能评估。例如，在燃料电池系统中，电流密度和功率密度是评估性能的标准实时信息。采用熔融沉积模型（FDM）在高温聚合物电解质燃料电池上嵌入电子顺磁共振（ERP）光谱，用于阴极电导率测量。Polyjet 技术提供了一种快速且经济高效的方法，当使用商业 X 射线计算机断层扫描仪提供的低强度 X 射线进行水分布可视化（图 1 B）时，设计足够小的夹具，以实现良好的信噪比，否则很难通过常规机加工制造。这项工作突出了使用鲁棒传感器实时监测层流燃料电池的机会。Menzel 等人通过 FDM 提出了一个 3D 打印化学合成系统，包括反应器、分离器、压力调节器和泵，如图1 C所示，该系统为多步化学合成创建了一个完整的连续流系统。 在低成本 3D 打印技术上对耐高温和耐化学腐蚀的聚合物（如聚醚醚酮）进行 3D 打印，为可持续化学过程中的高温和腐蚀应用创造了机会。
 

图 1 （A）UAM 池光谱测量示意图，其特征是垂直于微流控通道嵌入涂层光纤，用于分析荧光素溶液 （B）具有三维打印池支架和流场夹具的 X 射线计算机断层扫描系统内的可视化设置 （C）使用三维打印反应器、泵、BPR 和膜分离器

 Notice
03 人工智能和在线监测的智能网络系统
在可持续的化学过程中，网络系统采用人工智能提供的智能，使用内置在线检测生成的数据执行自我优化和预测等任务。此前，人工智能已被用于离线数据分析，其中数据用于构建（通常）替代模型，并执行预测健康状态、预测和优化等任务。结果表明，在趋势观察和大图像可视化方面具有离线数据分析的能力。然而，仍然需要人力来关注过程并进行控制。最近，可持续化学正逐渐发展成为具有自我优化方法的“黑暗实验室”，人工智能算法取代了人类的工作，与内置在线检测和控制技术相结合，以执行交互式、自我行为和自主操作的闭环。到目前为止，直接搜索方法（如通过分支和拟合的稳定噪声优化（SNOBFIT））是极少数成功应用于多步骤过程、下游过程和产品合成中的自优化的单目标优化方法之一。Clayton 等人采用 SNOBFIT 算法来最大化多步反应萃取过程中水相中的𝛼- 甲基苄胺浓度，如图 2 所示。通过控制入口 pH 值和进料体积比，该单目标优化 器收敛，最终提供 90%的分离效率。在反应萃取过程中应用了相同的算法，通过 减少可能导致反应器堵塞的副产物的生成来优化产率。通过严格控制进料流量、 进料体积比和温度等反应参数，反应收率达到 66%。通过调节四个参数，如进料流量、进料体积比、温度和停留时间，抑制剂合成的单一优化实现了 89%的产率。 
然而，在实践中，优化过程中还应考虑经济和环境因素。通过引入一组称为帕累托前沿的最优解，提出了一种解决方案，其中非占优解是一个在不对另一个产生不利影响的情况下无法改进的解。它实现了多目标优化，自动学习可行的工艺条件，并由于所需实验数量少而提高了材料利用率。后来，Clayton 等人开发 了 Thomson 采样高效多目标优化（TSEMO）算法，以在多步 Claisen-Schmidt 缩合反应中同时最大化产物纯度、时空产率（STY）和反应质量效率（RME），如 图 2 B 所示。多目标 TSEMO算法收敛到帕累托前沿，成功地突出了产品纯度、 STY 和 RME 之间的完全权衡。它能够从帕累托前沿同时优化涉及多个目标的多步骤过程，并有可能提高过程设计期间的资源利用率和决策。除了连续流化学过程外，TSEMO还可用于批量顺序设计。最近报道了应用优化算法、多目标遗传算法（MOGA）与机械和数据驱动方法相结合来评估化学过程性能的灵活性。Yan 等人和 Xu 等人分别用人工神经网络（ANN）和深度神经网络（DNN）编制了 MOGA，以评估固体氧化物燃料电池的性能。数据驱动算法有效地解决了输入和输出之间的相关性，而非支配排序遗传算法（NSGA-II）能够优化多目标函数。然而，DNN 和 ANN 是数据驱动的“黑匣子”方法，其中数据输入和输出过程的描述不明确，外推有限，可解释性较差。为了解决这个问题，Yang 等人提出了数据 驱动和机制驱动的混合，以提高数据驱动模型的可解释性，以及流化催化裂化模拟中第一原理模型的可追溯性。结果表明了混合模型的有效性，提供了更好的数 据相关性。将混合模型与优化算法相结合将是可持续化学和过程研究的一个新方向。
 

图 2（A）SNOBFIT 算法用于通过控制流速进行多步反应萃取系统的单目标自优化，通过操纵𝛼-甲基苄胺和 N-苄基-𝛼-甲基苄胺的流速，调控溶剂体积比和硝酸 pH 值 （B）利用 TSEMO 算法，通过调节苯甲醛和丙酮的流速来调节 CSTR 的溶剂比和温度控制器，对多步 Claisen-Schmidt 缩合过程进行多目标自优化

Notice
04 未来前景和机遇
先前的工作表明，AM 和 AI 可以分别在物理和虚拟上增强内置在线监测， 以实现系统智能化。然而，仍然存在明显的差距，物理系统需要强大的人工智能算法进行智能反馈控制，而网络系统需要来自可由 AM 定制的集成传感技术的 数据。因此，设想需要通过紧密集成物理和网络系统，为可持续的化学过程创建闭环范式，如图 3 所示。该闭环系统有可能创建一个未来的实验室框架，将人工智能扩展到网络空间之外，并实现物理硬件的自动化，例如高度集成的系统、自 进化过程、逆向设计方法、自动科学发现和面向服务的平台。

图 3 在可持续能源化学和过程中，将人工智能、AM 和内置在线监测相结合，以创建闭环系统 

4.1 高度集成的系统 

由于对化学过程自动和自主操作的需求，在多步骤过程中需要许多鲁棒传感器来连续生成准确的实时过程数据。然而，由于需要非标准组件，将先进的传感 技术连接到复杂过程通常不方便。连接的系统通常是空间密集型的，体积庞大， 布线较多，这会增加电磁干扰（EMI）。AM 技术能够制造各种尺寸的定制复杂 3D 对象，并利用“即插即用”原则提高制造灵活性。快速制造速度也有助于通过采用“快速失效，经常失效”策略，通过敏捷迭代方法传播设计创新，如图 4 A 所 示。因此，支持 AM 的高度集成系统有望消除边界，并创建紧凑的装配，允许先进的检测技术灵活地接入多步骤流程，从而提高制造灵活性。高度集成的单元具有体积小、重量轻和布线少的优点，这有利于减少电磁干扰。此外，在高度集成 的系统中可以保证数据质量，以提高系统的透明度和人工智能算法的准确性。最近，通过 AM 技术在片上实验室和片上器官中开发了高度集成的系统。例如，伯克利实验室（Berkeley Lab）的研究人员已经开发出一种全液体 3D 打印芯片上实验室设备，该设备可能被编程为根据需要执行多步骤、复杂的化学反应。此外， 3D 打印提供了将多种材料引入同一集成系统的可能性，以创建可轻松连接到其 他零件的按需装配。这种智能硬件在集成到网络空间时，将提供一种方便的扩展途径，并为从基于概念验证实验室的高集成系统转移到更实用的系统（如芯片上的工厂）带来新的可能性。

 4.2. 面向服务的端到端同步和自进化系统平台 

目前，由于物理过程和虚拟空间之间缺乏收敛性，化学过程中分布式节点的信息，如饲料数据、设备数据、过程参数数据和感官数据，在很大程度上是孤立、 碎片化和停滞的。因此，需要集中式信息管理，例如，如图 4 B 所示的面向服务的平台，以通过云技术聚合信息。Digital twin 在面向服务的平台上提供端到端同步，虚拟地表示物理多步骤过程，并允许监视、控制和故障检测，以克服地理距离的挑战。Maiwald group 开发了一种数字孪生方法，通过云服务器在屏幕上演示核磁共振反应器。此外，面向服务的平台还能够创建一个由人工智能技术支持的自进化系统。自进化系统采用人工智能算法作为主动学习机，不断改进和适应新的输入信息，以创建超预测模型。Zhang 等人提出了逆增强现实的概念。在逆增强现实中，虚拟世界中的角色和环境主体可以通过向物理世界学习来自我发展和进化。因此，面向服务的架构反映了数字孪生平台中的物理过程，并发展为自 进化系统。 

4.3 逆向设计

在多步流动合成中，开发高纯度的绿色分子需要更深入的了解和搜索工艺配方。直到最近，利用基于现有合成配方的经验探索分子的靶向性质已成为普遍策略。然而，这种正向设计策略通常耗时且成本高昂。迅速解决方案是未来可持续性的挑战之一。为了加速设计过程，逆向设计已成为一个重要的可持续化学信息学平台，由强大的人工智能算法支持。基于化学数据，将根据产品或工艺的预定义目标特性（例如纯度和转化率）推导出流动化学配方（例如流速、温度、压力）。图 4 C 显示了化学信息学中基于人工智能的映射方向，如正向和逆向。最近，逆向设计方法在材料探索中得到了广泛讨论。Sanchez-Lengeling 提出了一种数据驱动的生成模型，该模型可以通过学习现有材料的特性分布来生成具有所需特性的不可见材料。此外，欧洲大规模研究计划“电池 2030+”已实施电池接口基因组-材 料加速平台（BIG-MAP），通过人工智能、高性能计算和自主合成机器人授权的电池材料和接口的逆向计算设计，加速超高性能电池的发现。与这些倡议类似， 在网络物理系统中采用逆向设计也将带来新的可能性，以加快发现可持续的流动合成配方。 

4.4 自动科学发现 

可持续化学从合成到表征的相对缓慢的周期仍然是阻碍科学发现的一个挑战。同样，实验和模拟的复杂性随着变量的数量呈指数级增长，将大多数研究局限在材料空间的狭窄区域。因此，需要一个由鲁棒人工智能算法驱动的自主机器人来将科学家从循环系统中解救出来。最近，Cooper 等人设计了一个机器人助手来搜索光催化剂，如图 4 D 所示。该机器人在八天内每天连续工作 22 小时，在十个可变的实验空间内完成了688 个实验。借助先进的激光扫描和机器人的触觉反馈，这位移动机器人化学家能够在熄灯环境中进行操作，这也是进行光敏光化学反应的一个优势。此外，Macleod 等人开发了一个自动驱动实验室，用于自主合成和表征太阳能电池材料。这些突破清楚地表明了一个愿景，即人工智能在网络空间之外的扩展和物理硬件的自动化带来了加速和自动化的科学研究。

Notice
05 结论
现在很明显，可持续化学研究正在经历一场哲学变革，通过耦合人工智能、 数据和硬件来创建闭环网络物理系统。这一转变将使“未来实验室”发展成为一种自我决策方式、交互式机器、自主问题求解器和学习机器，通过 AM、AI 和内置在线监测。闭环系统由 AM 技术构成了高度集成的系统，增强了先进传感器到多步骤过程的集成。在网络物理系统中采用云技术消除了物理设备和虚拟空间之间的障碍。它将通过集中式信息管理（如面向服务的平台）开发端到端同步和自 进化系统。闭环系统还将提供一个高级搜索平台，通过逆向设计从产品或工艺的目标特性（例如纯度和转化率）探索更绿色的合成路线。最后，网络物理系统还将通过强大的人工智能技术驱动的机器人技术，以加速和自动化的方式为科学发现提供重大突破。

曼森人工智能自动化实验室产品
随着互联网技术的不断革新以及人工智能、大数据时代的到来，信息技术在各个领域日益渗透，借助先进信息技术与前沿管理理念打造智慧实验室，成为未来发展的必经之路。在此创新变革浪潮之下，曼森生物全自动化检测检验实验室解决方案从精益化、智能化、持续化三大方向持续深化创新，为实验室的运营管理与未来发展带来无限可能，成为助力实验室实现自我革新的新引擎。


未完待续

参考文献：The future of sustainable chemistry and process: Convergence of artificial intelligence, data and hardware
 
由于篇幅受限，关于上述生物反应器具体参数详见公众号右下角底部菜单栏→补充资料，自动跳转获取

文章来源：本文由中科院上海生命科学信息中心与曼森生物合作供稿

排版校对：刘娟娟编辑 

内容审核：郝玉有博士
 

如需获取原文献/补充资料 请关注曼森生物公众号