Un equipo de Imperial College y BASF ha ganado el premio Computers & Chemical Engineering Best Paper Award 2023 por técnicas de inteligencia artificial que podrían impulsar la I+D química.
La prestigiosa revista de ingeniería de sistemas de procesos calificó el artículo como el mejor de más de 280 publicados ese año.
El proceso de ensayo y error en la investigación y el desarrollo de productos químicos es costoso y algunos experimentos llevan semanas. Por eso, los químicos necesitan encontrar configuraciones de fabricación óptimas con la menor cantidad de experimentos posible.
El artículo del candidato a doctorado José Pablo Folch y sus colegas de BASF e Imperial adapta un conjunto de técnicas estadísticas bayesianas clásicas, que se utilizan para obtener la información más útil posible de un número finito de experimentos, a los métodos específicos de investigación y desarrollo (I+D) utilizados por las empresas químicas.
“El equipo editorial valoró la forma en que el trabajo de los autores abarcó la teoría y la práctica al desarrollar nuevos enfoques de optimización bayesiana y aplicarlos a una aplicación industrialmente relevante”, dijo el profesor Stratos Pistikopoulos de Texas A&M, editor en jefe de Computación e Ingeniería Química.
“Es fantástico recibir el reconocimiento de la revista insignia de la comunidad de ingeniería de sistemas de procesos por un trabajo que es a la vez pionero desde el punto de vista académico y tiene un valor práctico importante para la industria”, dijo la coautora Ruth Misener, profesora del Departamento de Computación y del Centro EPSRC para la Capacitación de Doctorado en Estadística y Aprendizaje Automático.
Un desafío de I+D
La experimentación es fundamental para la I+D en las industrias químicas. Antes de montar una nueva línea o instalación de producción, los químicos industriales prueban una serie de parámetros de fabricación, como los ajustes de temperatura y las materias primas, para maximizar la pureza del producto y minimizar los costes económicos y ambientales.
“Es fantástico recibir el reconocimiento de la revista insignia en ingeniería de sistemas de procesos por un trabajo pionero e importante para la industria”. Profesora Ruth Misener Computación
Este proceso de ensayo y error es costoso, ya que algunos experimentos requieren semanas o meses y recursos importantes. Por lo tanto, los químicos deben encontrar configuraciones de fabricación casi óptimas con la menor cantidad posible de iteraciones de sus experimentos.
El equipo Imperial y BASF detrás del triunfo Informática e ingeniería química En este artículo se ha creado un nuevo algoritmo basado en la optimización bayesiana, una técnica estadística que puede utilizarse para ayudar a obtener los mejores parámetros de fabricación en un pequeño número de experimentos.
La optimización bayesiana utiliza un pequeño conjunto de datos experimentales iniciales para producir una curva que modela la relación entre un parámetro de fabricación determinado (por ejemplo, la temperatura) y el rendimiento (por ejemplo, la pureza), y asigna distintos niveles de certeza a diferentes partes de la curva en función de los datos disponibles.
Indica a los experimentadores qué valor de parámetro deben probar a continuación, encontrando un compromiso entre los valores de prueba que ya se espera que produzcan un buen rendimiento y los experimentos de mayor riesgo cuyos resultados son muy inciertos pero que podrían producir un mejor rendimiento. Actualiza la curva y los intervalos de confianza para cada punto de datos después de cada iteración antes de recomendar la siguiente iteración.
Avances de la química
El algoritmo ideado por los investigadores mejora la optimización bayesiana clásica al adaptarse mejor a las prácticas experimentales particulares utilizadas en la I+D química.
“El aprendizaje automático está creciendo rápidamente y en este artículo hemos demostrado cómo aplicar algunas técnicas de vanguardia del aprendizaje automático a la química. El desafío es asegurarnos de que las matemáticas realmente describan el problema del mundo real: la colaboración con químicos y científicos de datos de BASF nos ha permitido hacerlo”, dijo Folch.
“Hay varias cosas en química que no funcionan bien con la optimización bayesiana”, añadió el profesor Misener. “Este artículo trata de dos de ellas: la ‘multifidelidad’, el hecho de que algunas fuentes de datos devuelven datos más fiables que otras. La otra, el ‘lote asincrónico’, es que los experimentos tardan cantidades de tiempo variables y es posible que se estén ejecutando varios experimentos a la vez”.
Un método muy utilizado en la investigación y el desarrollo de productos químicos consiste en realizar experimentos con aproximaciones relativamente rápidas y económicas de los procesos de fabricación en desarrollo. Por ejemplo, los investigadores que desarrollan técnicas para fabricar baterías de vehículos eléctricos podrían complementar sus experimentos lentos y costosos sobre las baterías de bolsillo que se utilizan en los vehículos con aproximaciones que utilicen baterías de botón fáciles de producir.
El nuevo algoritmo está diseñado para recomendar estos experimentos más baratos pero menos precisos para probar valores de parámetros donde los resultados previstos son altamente inciertos, y experimentos más costosos pero precisos donde los resultados son menos inciertos.
También está diseñado para tener en cuenta el hecho de que los experimentos más rápidos arrojan resultados más rápidamente que los más lentos y precisos. Ayuda a evitar que los recursos queden inactivos al basar sus experimentos recomendados en los datos actualmente disponibles y en los resultados que se desconocen pero que se espera que lleguen.
Los investigadores utilizaron una prueba empírica utilizando datos de baterías proporcionados por BASF para demostrar que su algoritmo puede identificar configuraciones de fabricación más óptimas que la optimización bayesiana clásica con una cantidad limitada de experimentación.
Innovación en el mundo real
La investigación se llevó a cabo como parte de una asociación a gran escala entre Imperial y BASF, la compañía química más grande del mundo, que trabaja para desarrollar formas avanzadas de química y llevarlas al mundo exterior para crear un sector químico más eficiente y sostenible.
La asociación ha dado lugar recientemente a la formación de una empresa derivada, SOLVE, fundada por el Dr. Linden Schrecker con el Sr. Folch como director científico, que está incorporando nuevas técnicas de experimentación e inteligencia artificial como las descritas en el artículo ganador del CACE en uso activo por parte de las industrias química y farmacéutica, creando beneficios para la economía y el medio ambiente.
Combinación de modelado de fidelidad múltiple y optimización bayesiana por lotes asincrónica por Jose Folch, Robert M Lee, Behrang Shafei, David Walz, Calvin Tsay, Mark van der Wilk y Ruth Misener.
Oportunidades de asociación para la industria
Las empresas que deseen obtener información sobre cómo colaborar o comercializar investigaciones universitarias pueden descubrir oportunidades contactando a Imperial Enterprise.
