公司新闻 当前位置：首页>公司新闻>机器学习与连续流连载系列丨使用康宁反应器集成在线光谱，通过半监督机器学习识别化学反应式计量和动力学模型

机器学习与连续流连载系列丨使用康宁反应器集成在线光谱，通过半监督机器学习识别化学反应式计量和动力学模型

发布：康宁反应器技术有限公司

浏览次数：34

教育领域设备更新产品推荐：

康宁连续流教学平台

康宁星云化学版

设备预算：30万以内

康宁星云化学版，可用于连续流动化学的设计性实验教学及研究
可进行液液、气液等各种形式的连续化反应
配合教学平台，康宁赠送《康宁连续流实训实验》教程及国外流动化学教学课件
满足化学、化工、制药、材料、智能制造及相关专业的教学需求

更多产品详情咨询，请拨打4008-121-766。

研究背景

近年来，随着数据储存成本绛低、算力提高和高效算法的提出，AI领域的机器学习突飞猛进。Chat GPT、Sora等AI工具大大提高了人类的效率，很有可能引发第四次工业革命浪潮。英伟达（Nvida） CEO 黄仁勋在近期会议中提到的 “人类生物学才是未来” ，英伟达在药物发现领域持续发力。可见人工智能或机器学习在药物发现、开发和合成生产领域，即将扮演越来越重要的角色。为此了解什么是机器学习，它在药物化学领域会起到什么样的作用，它是如何工作，能帮助我们理解并使用这一工具提高工作效率。下面我们通过印度理工的这篇文章看看，运用康宁反应器集成在线光谱获的数据，通过半监督机器学习的方法识别反应机理，动力学方程。

传统动力学方程建立需要校准模型，使用釜式反应器获得相关数据是一件费时费力的工作。与光谱仪器集成的连续流反应器可快速收集丰富的光谱数据信息。测量的光谱数据和校准模型可用于监测反应进展，阐明反应动力学，并有效地获得反应机理见解。通常使用传统釜式反应器在不同时间取样，获得的浓度信息会受到传质传热的影响，得不到本征动力学模型。该文利用康宁反应器得高效传热传质特征，集成在线光谱工具，实时监控反应进度，避免离线分析造成结果偏离。该文提出一种不需要校准模型的半监督机器学习方法，自动识别反应机理方程的系数及拟合不同动力学方程，通过不同动力学方程拟合的信息熵AIC（Akaike information criterion）来选择较为合适的动力学方程。

图1：实验装置示意图

下期预告：

下一期我们将对机器学习做一次全面感性认识:

它和传统编程有哪些底层差别
为啥把其称为智能
什么是半监督学习

点击关注公众号，我们下期不见不散！

实验装置

康宁反应器（AFR）与原位紫外可见分光光度计（JASCO V-670）集成。实验装如图1所示。反应是在两个康宁AFR流体模块中进行，每个模块体积为0.45 ml。使用温控器（JULABO GmbH）来进行温度控制。HPLC泵（Teledyne SSI）用于将试剂输送入反应器。将反应器出口处的混合物稀释，使得反应被淬灭，反应物料浓度位于线性范围内（比尔-朗伯特定律）不同停留时间下的光谱数据在波长范围为 200–600 nm收集3份,3倍停留时间达到稳态后才收集数据。

图2：不同停留时间下的光谱数据

通过半监督机器学习的方法确定反应方程

通过对光谱数据矩阵的秩的分析，得到Wittig反应的方程数为3. 而通过对化学计量数的矩阵的秩的分析方程数为4.可能原因是因为异构体H和I的反应速率是相互依赖。为了计算反应进度，至少需要3组在3个不同停留时间下的离线浓度分析数据（离线使用HPLC确认浓度）。离线分析得到A，B，G和J的浓度，如图3。从而确认Wittig反应方程为图4所示。