Machine learning-algoritmen kunnen schommelingen op de aandelenmarkt voorspellen, controle van complexe productieprocessen, navigatie mogelijk maken voor robots en voertuigen zonder bestuurder, en nog veel meer.

Nutsvoorzieningen, onderzoekers van de NYU Tandon School of Engineering maken gebruik van een nieuwe reeks mogelijkheden op dit gebied van kunstmatige intelligentie, het combineren van kunstmatige neurale netwerken met infrarood thermische beeldvorming om chemische reacties te controleren en te interpreteren met precisie en snelheid die conventionele methoden ver overtreffen. Nog innovatiever is het feit dat deze techniek is ontwikkeld en getest op nieuwe microreactoren waarmee chemische ontdekkingen snel kunnen plaatsvinden en met veel minder milieuverspilling dan standaard grootschalige reacties.

"Dit systeem kan het besluitvormingsproces over bepaalde chemische productieprocessen van een jaar terugbrengen tot een kwestie van weken. besparing van tonnen chemisch afval en energie in het proces, " zei Ryan Hartman, een assistent-professor chemische en biomoleculaire engineering aan NYU Tandon en hoofdauteur van een paper waarin de methode in het tijdschrift wordt beschreven Computers en chemische technologie .

Vorig jaar, Hartman introduceerde een nieuwe klasse van geminiaturiseerde chemische reactoren die reacties die traditioneel worden uitgevoerd in grote batchreactoren met maximaal 100 liter chemicaliën naar de microschaal brengt, met slechts microliter vloeistof - een paar kleine druppels. Deze microfluïdische reactoren zijn nuttig voor het analyseren van katalysatoren voor het vervaardigen of ontdekken van verbindingen en het bestuderen van interacties bij de ontwikkeling van geneesmiddelen, en ze beloven afval te verminderen, snelheid innovatie, en de veiligheid van chemisch onderzoek te verbeteren.

Hartman en zijn team hebben het nut van deze reactoren vergroot door ze te combineren met twee aanvullende technologieën:infraroodthermografie, een beeldvormingstechniek die een thermische kaart vastlegt die veranderingen in warmte tijdens een chemische reactie weergeeft, en begeleid machine learning, een discipline van kunstmatige intelligentie waarin een algoritme leert gegevens te interpreteren op basis van input die is geselecteerd door onderzoekers die de experimenten controleren.

Samen, ze stellen onderzoekers in staat om veranderingen in thermische energie tijdens chemische reacties vast te leggen - zoals aangegeven door kleurveranderingen op het thermische beeld - en deze veranderingen snel te interpreteren. Vanwege het contactloze karakter van infraroodthermografie, de techniek kan zelfs worden gebruikt voor reacties die werken bij extreme temperaturen of in extreme omstandigheden, zoals een bioreactor die een steriel veld vereist.

Het onderzoeksteam is de eerste die een kunstmatig neuraal netwerk traint om infrarood thermische beelden van een thermo-elektrisch gekoeld microfluïdisch apparaat te controleren en te interpreteren. De potentiële effecten op zowel innovatie als duurzaamheid zijn aanzienlijk. Grote chemische bedrijven kunnen honderden katalysatoren screenen terwijl ze nieuwe polymeren ontwikkelen, bijvoorbeeld, en voor elke reactie kan meer dan 100 liter chemicaliën en 24 uur of langer nodig zijn. Het screenen van dat aantal katalysatoren met de huidige laboratoriumprocessen kan een jaar duren. Met behulp van de benadering van Hartman, het hele proces kan in weken worden voltooid, met exponentieel minder afval en energieverbruik. Hartman schat dat een enkele industriële afzuigkap die wordt gebruikt om dampen te beheersen tijdens grootschalige chemische tests, evenveel energie per jaar verbruikt als het gemiddelde Amerikaanse huis.