布鲁克林,纽约——机器学习算法可以预测股市的波动,控制复杂的制造过程,使导航机器人和无人驾驶车辆,和更多。

现在,纽约大学Tandon工程学院的研究人员开发一套新的功能在这一领域的人工智能,人工神经网络结合红外热成像控制和解释化学反应远超过传统方法的精度和速度。更多创新仍然是这种技术开发和测试在小说微反应器,使化学发现迅速,环境浪费远远少于标准大规模的反应。

”这个系统可以减少决策过程对某些化学生产过程从一年到几周内,节省大量的化学废物和能源在这个过程中,“瑞安·哈特曼说,纽约大学化学和生物分子工程学助理教授经脉,一篇论文的第一作者详细描述了该方法在《华尔街日报》计算机与化学工程。

去年,哈特曼引入一种新的微型化学反应堆带来反应通常在大型批量反应堆进行高达100公升的化学物质到微尺度,仅使用每毫升的液体——几小滴。这些微流体反应堆是有用的分析催化剂制造或发现化合物在药物开发和研究交互,他们承诺要减少浪费,加快创新,提高化学研究的安全。

哈特曼和他的团队已经增加了这些反应堆的实用程序通过两个额外的配对技术:红外测温术,一种成像技术,捕捉热地图显示热化学反应时的变化,人工智能和纪律监督机器学习在一个算法学习解释研究人员基于输入选择的数据控制实验。

搭配在一起,他们允许研究人员捕捉热能的变化在化学反应-所表示的颜色变化对热图像,来解释这些变化很快。由于非接触式红外测温术的本质,技术甚至可以用于反应在极端温度或在极端条件下,如一个生物反应器,需要一个无菌字段。

研究小组是第一个训练人工神经网络控制和解释的红外热图像热电的微流体装置冷却。的潜在影响创新和可持续发展意义重大。大型化工企业可能屏幕数以百计的催化剂,同时开发新的聚合物,例如,每个反应可能需要超过100公升的化学品和24小时或更长时间。筛选的催化剂使用当前实验室流程可能需要一年。利用哈特曼的方法,整个过程可以在几周内完成,指数更少的浪费和能源使用。哈特曼估计一个工业罩用于控制气体大规模化学测试期间使用尽可能多的能源每年平均美国房屋。

随着哈特曼,研究小组包括纽约大学Tandon博士生本杰明Rizkin和18岁的卡琳娜波波维奇,布鲁克林技术高中生加入哈特曼的实验室作为灵感的一部分,国家科学基金会(NSF)资助的项目提供天才低年级和高年级的学生完成论文项目的机会在哈特曼流化学与化学工程微系统实验室。

NSF的资助也支持团队的研究,使学生在实验室建立世界上第一个人工智能微反应器。

纸”,人工神经网络控制Thermoelectrically-Cooled微流体使用计算机视觉基于红外温度记录,“是可用的https://www.sciencedirect.com/science/article/pii/S0098135418308184?via%3Dihub。