Modelos de aprendizado de máquina para dar suporte à P&D química são reconhecidos com o prêmio de Melhor Artigo

Uma equipe da Imperial e da BASF ganhou o prêmio Computers & Chemical Engineering Best Paper Award 2023 por técnicas de IA que podem impulsionar a P&D química.

O prestigiado periódico de engenharia de sistemas de processos classificou o artigo como o melhor entre mais de 280 publicados naquele ano.

O processo de tentativa e erro em P&D químico é custoso, com alguns experimentos levando semanas. Então, os químicos precisam encontrar configurações de fabricação ideais com o mínimo de experimentos possível.

O artigo do candidato a doutorado Jose Pablo Folch e colegas da BASF e do Imperial adapta um conjunto de técnicas estatísticas bayesianas clássicas, que são usadas para obter as informações mais úteis possíveis de um número finito de experimentos, aos métodos específicos de pesquisa e desenvolvimento (P&D) usados ​​por empresas químicas.

“A equipe editorial apreciou a maneira como o trabalho dos autores abrangeu teoria e prática ao desenvolver novas abordagens de otimização bayesiana e aplicá-las a uma aplicação industrialmente relevante”, disse o professor Stratos Pistikopoulos da Texas A&M, editor-chefe de computadores e engenharia química.

“É fantástico receber o reconhecimento do principal periódico da comunidade de engenharia de sistemas de processo por um trabalho que é academicamente pioneiro e tem importante valor prático para a indústria”, disse a coautora Ruth Misener, professora do Departamento de Computação e do Centro EPSRC de Treinamento de Doutorado em Estatística e Aprendizado de Máquina.

Um desafio de P&D

A experimentação é essencial para P&D nas indústrias químicas. Antes de montar uma nova linha de produção ou instalação, os químicos industriais testam uma série de parâmetros de fabricação, como configurações de temperatura e matérias-primas, para maximizar a pureza do produto e minimizar os custos econômicos e ambientais.

“É fantástico receber o reconhecimento do principal periódico em engenharia de sistemas de processo por um trabalho pioneiro e importante para a indústria.” Professora Ruth Misener Computação

Esse processo de tentativa e erro é em si custoso, com alguns experimentos levando semanas ou meses e recursos significativos para serem realizados. Os químicos, portanto, precisam encontrar configurações de fabricação quase ótimas com o mínimo possível de iterações de seus experimentos.

A equipe Imperial e BASF por trás da vitória Computadores e Engenharia Química artigo criou um novo algoritmo baseado na otimização bayesiana, uma técnica estatística que pode ser usada para ajudar a obter os melhores parâmetros de fabricação em um pequeno número de experimentos.

A otimização bayesiana usa um pequeno conjunto de dados experimentais iniciais para produzir uma curva que modela a relação entre um determinado parâmetro de fabricação (por exemplo, temperatura) e desempenho (por exemplo, pureza) e atribui níveis variados de certeza a diferentes partes da curva com base nos dados disponíveis.

Ele informa aos experimentadores qual valor de parâmetro testar em seguida, encontrando um compromisso entre valores de teste que já são esperados para produzir um desempenho forte e experimentos de risco mais alto cujos resultados são altamente incertos, mas podem produzir um desempenho ainda melhor. Ele atualiza a curva e os intervalos de confiança para cada ponto de dados após cada iteração antes de recomendar a próxima iteração.

A química avança

O algoritmo desenvolvido pelos pesquisadores aprimora a otimização bayesiana clássica ao acomodar melhor as práticas experimentais específicas usadas em P&D químico.

“O aprendizado de máquina está crescendo rapidamente, e neste artigo mostramos como aplicar algumas técnicas de ponta do aprendizado de máquina à química. O desafio é garantir que a matemática realmente descreva o problema do mundo real – a colaboração com químicos e cientistas de dados da BASF nos permitiu fazer isso”, disse o Sr. Folch.

“Há várias coisas na química que não funcionam bem com a otimização bayesiana”, acrescentou o professor Misener. “Este artigo lida com duas delas – 'multifidelidade', o fato de que algumas fontes de dados retornam dados mais confiáveis ​​do que outras. A outra, 'lote assíncrono', é que os experimentos levam quantidades variáveis ​​de tempo, e você pode estar executando vários experimentos ao mesmo tempo.”

Uma abordagem amplamente usada em P&D químico é realizar experimentos usando aproximações relativamente rápidas e baratas dos processos de fabricação em desenvolvimento. Por exemplo, pesquisadores desenvolvendo técnicas para fabricar baterias de veículos elétricos podem complementar seus experimentos lentos e custosos nas baterias de bolsa usadas em veículos com aproximações usando baterias de moeda fáceis de produzir.

O novo algoritmo foi projetado para recomendar esses experimentos mais baratos, mas menos precisos, para testar valores de parâmetros onde os resultados previstos são altamente incertos, e experimentos mais caros, mas precisos, onde os resultados são menos incertos.

Ele também foi projetado para acomodar o fato de que os experimentos mais rápidos retornam resultados mais rapidamente do que os mais lentos e precisos. Ele ajuda a evitar que recursos fiquem ociosos ao basear seus experimentos recomendados nos dados disponíveis no momento e nos resultados que são desconhecidos, mas que devem chegar.

Os pesquisadores usaram um teste empírico usando dados de bateria fornecidos pela BASF para mostrar que seu algoritmo pode identificar configurações de fabricação mais otimizadas do que a otimização bayesiana clássica com uma quantidade limitada de experimentação.

Inovação no mundo real

A pesquisa foi realizada como parte de uma parceria de larga escala entre a Imperial e a BASF, a maior empresa química do mundo, que está trabalhando para desenvolver formas avançadas de química e levá-las ao mundo exterior para criar um setor químico mais eficiente e sustentável.

A parceria resultou recentemente na formação de uma empresa spinout, a SOLVE, fundada pelo Dr. Linden Schrecker com o Sr. Folch como Diretor Científico, que está trazendo novas técnicas de experimentação e IA, como aquelas descritas no artigo vencedor do CACE, para uso ativo pelas indústrias química e farmacêutica, criando benefícios para a economia e o meio ambiente.

Combinando modelagem multifidelidade e otimização bayesiana assíncrona em lote por Jose Folch, Robert M Lee, Behrang Shafei, David Walz, Calvin Tsay, Mark van der Wilk e Ruth Misener.

Oportunidades de parceria para a indústria

Empresas que desejam aprender sobre colaboração ou comercialização de pesquisas universitárias podem descobrir oportunidades entrando em contato com a Imperial Enterprise.