Перспективы искусственного интеллекта в химической технологии: наконец-то он здесь?

Нынешний энтузиазм вокруг искусственного интеллекта (ИИ), особенно машинного обучения (МО), ощутим и заразителен. Ожидания, что ИИ «революционизирует» или даже заменит некоторые аспекты человеческой деятельности, породили как пророческие видения, так и опасения. Существует большой интерес к коммерческому потенциалу ИИ: в него привлекаются значительные венчурные и государственные инвестиции по всему миру, особенно в Китае. Взрывные и неожиданные достижения за последнее десятилетие — AlphaGo, автономные автомобили, Alexa, Watson, прогресс в играх, робототехнике, компьютерном зрении, распознавании речи и обработке естественного языка — подпитывают этот импульс. Однако, как и в предыдущие волны ИИ (экспертные системы в 1980‑х и нейронные сети в 1990‑х), сопровождаются ажиотаж и переоценка влияния. Многие химические инженеры оправданно воодушевлены применением МО (например, в дизайне катализаторов), но ИИ в химической технологии не нов: это примерно 35‑летняя исследовательская программа с заметными успехами. Статья адресована химическим инженерам и новым исследователям и преследует три цели: (1) обзор достигнутого и извлечённых уроков; (2) выявление перспективных текущих и будущих возможностей ИИ в химической технологии с более широкой «проверкой реальности», чтобы умерить текущий энтузиазм; (3) фиксация ранних этапов развития для исторической памяти. ХТ находится на переломе, чему способствуют дешёвые и мощные вычисления и коммуникации, прогресс в молекулярной инженерии, растущая автоматизация интегрированных операций, ужесточение экологических ограничений и требования бизнеса к ускоренной поставке продукции. Эти тенденции порождают огромные объёмы разнообразных данных, информации и знаний — ту область, где ИИ, особенно МО, может сыграть важную роль. Наиболее применимы две ветви ИИ: экспертные системы (символическое представление знаний и вывод) и МО (статистические и нейронные подходы, основанные на данных). Экспертные системы, доминировавшие в фазе I (начало 1980‑х — середина 1990‑х), кодируют эвристические знания в виде правил и обеспечивают объяснимость; ранние примеры в химической технологии включают CONPHYDE (прогноз термофизических свойств) и DECADE (дизайн катализаторов). Несмотря на успехи, экспертные системы страдали высокими затратами на разработку и поддержку и плохо масштабировались. Фаза II (с ~1990 г.) сместила акцент на нейронные сети и алгоритм обратного распространения, что позволило автоматически аппроксимировать нелинейные зависимости по данным и продвинуться в моделировании, диагностике отказов, управлении и проектировании продуктов. Параллельно развивались генетические алгоритмы, discovery informatics для дизайна материалов, онтологии, доменно‑специфические языки и среды моделирования, генераторы реакционных сетей и поисковые системы по молекулярным структурам. Тем не менее сохранялись ограничения: многие задачи оставались недостижимы для нейросетей того времени, обучение и разработка были ресурсоёмкими, а дефицит данных и сложность задач ограничивали применимость. Современная эпоха располагает гораздо большей вычислительной мощностью, улучшенными алгоритмами и инструментами программирования, масштабными наборами данных и новыми архитектурами глубокого обучения и последовательностными моделями, что позволило добиться прорывов во многих областях. В то же время многие задачи химической инженерии (синтез, проектирование, диагностика, управление, планирование, оптимизация и управление рисками) сопряжены с нечетко определёнными требованиями, шумными данными, модельной неопределённостью, комбинаторным поиском, нелинейностями и необходимостью быстрых надёжных решений — характеристиками, общими для задач ИИ. Исходя из 35 лет исследований, интеграция символических концепций экспертных систем с современным МО и целенаправленная работа над методологическими и прикладными вызовами представляют реалистичные пути для значимого воздействия ИИ в химической технологии в будущем.