Command Palette
Search for a command to run...
Reac-Discovery Intègre La Modélisation Mathématique, l'apprentissage Automatique Et Les Expériences Automatisées Pour Relever Les Défis De Polyvalence Des Systèmes De Laboratoire autonomes.
Par le passé, la technologie d'impression 3D était utilisée pour créer avec précision des « structures périodiques à pores ouverts (POC) » présentant des pores réguliers dans le domaine de l'ingénierie des réacteurs. Ces structures, appelées réacteurs « en grille », permettaient un écoulement fluide des gaz, des liquides et de la chaleur, améliorant potentiellement l'efficacité des réactions. L'intégration de l'intelligence artificielle (IA) a encore renforcé la capacité d'autorégulation du laboratoire : des plateformes automatisées peuvent surveiller la température, le débit et la progression de la réaction en temps réel et optimiser de manière autonome les plans expérimentaux en fonction de ces données.Ces systèmes, appelés laboratoires autonomes (SDL), apportent une précision et une rapidité sans précédent à la conception des réacteurs.
Cependant, malgré les avancées réalisées grâce à la combinaison de la numérisation et de l'automatisation des expériences, la recherche actuelle ne dispose toujours pas d'un modèle unifié pour les paramètres géométriques tels que la porosité, la surface et la tortuosité. Les méthodes traditionnelles, comme la simulation par dynamique des fluides numérique (CFD), présentent non seulement des limites telles qu'un faible rendement et des coûts de calcul élevés, mais la conception de réacteurs structurés repose souvent sur l'expérience manuelle et des logiciels dédiés.L’absence d’un cadre universellement applicable entraîne une réutilisabilité et une universalité limitées entre les différents systèmes.
En réponse aux limites des méthodes traditionnelles, une équipe de recherche de l'Institut espagnol de recherche sur les matériaux IMDEA a lancé la plateforme numérique semi-autonome Reac-Discovery.Sur la base d'une structure périodique à pores ouverts, un système en boucle fermée avec des modules intégrés de conception, de fabrication et d'optimisation est adopté, qui peut effectuer une évaluation multi-réacteurs en parallèle et a les fonctions de surveillance en temps réel de la résonance magnétique nucléaire (RMN), d'optimisation de l'apprentissage automatique (ML) des paramètres de processus et des descripteurs topologiques.Tout en améliorant les performances, l’efficacité de la réaction et en réduisant la consommation de matériaux, la polyvalence du système est augmentée.
Les résultats de recherche pertinents ont été publiés dans Nature Communications sous le titre « Reac-Discovery : une plateforme basée sur l'intelligence artificielle pour la découverte et l'optimisation de réacteurs catalytiques à flux continu ».
Points saillants de la recherche :
* Intégrer la modélisation mathématique, l'apprentissage automatique et les systèmes expérimentaux automatisés pour intégrer l'ensemble du processus de réacteur catalytique, de la conception géométrique et de l'impression 3D à l'optimisation expérimentale ;
* L'intégration de paramètres topologiques dans l'espace d'optimisation dépasse les limites des méthodes traditionnelles de contrôle de variables uniques telles que la température et le débit, et permet une optimisation simultanée de la structure géométrique et des conditions du processus ;
* Construire un modèle de prédiction des performances basé sur un réseau neuronal, développer un système d'algorithme basé sur l'apprentissage automatique et utiliser le modèle de performance pour obtenir une évaluation et une itération rapides des performances du réacteur, améliorant ainsi considérablement l'efficacité expérimentale et l'utilisation des ressources.
Adresse du document :
Suivez le compte officiel et répondez « Periodic Drilling » pour obtenir le PDF complet
Autres articles sur les frontières de l'IA :
Générer de manière autonome des ensembles de données pour prendre en charge l'optimisation en boucle fermée
Cette étude n'a pas utilisé de jeux de données accessibles au public. Grâce à la plateforme Reac-Discovery, l'équipe de recherche a généré de manière indépendante un jeu de données internes multidimensionnelles couvrant la géométrie, l'imprimabilité et les performances de réaction pendant l'expérience. Basé sur les trois modules fonctionnels de la plateforme, Reac-Gen, Reac-Fab et Reac-Eval, le jeu de données généré par cette étude est divisé en trois parties :
* Ensembles de données structurelles paramétrées : Reac-Gen utilise des modèles mathématiques paramétrés pour générer des structures périodiques à cellules ouvertes (POC). Le résultat est contrôlé par des paramètres tels que la taille, le seuil et la résolution, fournissant ainsi des données quantitatives pour l'optimisation topologique.
* Ensemble de données d'imprimabilité : généré par Reac-Fab après avoir établi la correspondance entre les paramètres structurels et les résultats d'impression ;
* Ensemble de données de performance de réaction : Reac-Eval est généré par l'enregistrement en temps réel des données de température, de débit, de concentration et de rendement au cours d'expériences parallèles dans le laboratoire autonome (SDL).
Actuellement, les données générées par le cadre en boucle fermée, de la génération de la structure à la vérification des performances, ont été téléchargées sur Zenodo.
Lien vers le jeu de données :
https://hyper.ai/datasets/45520
Reac-Discovery : Intégration de trois modules pour réaliser un processus intégré en boucle fermée
L'architecture globale de Reac-Discovery est centrée sur l'apprentissage automatique (ML), formant une boucle fermée de processus intégré de « génération-fabrication-évaluation-optimisation » basée sur le retour d'informations sur les données.La plateforme en boucle fermée est principalement divisée en trois modules : Reac-Gen, Reac-Fab et Reac-Discovery. Les fonctions de chaque module sont interconnectées pendant le fonctionnement :
* Reac-Gen : Génération paramétrique et analyse géométrique de structures périodiques à cellules ouvertes (POC), avec rétroaction fournie par l'apprentissage automatique (ML) ;
* Reac-Fab : Validation de l'imprimabilité et de la fabrication d'un réacteur à l'aide d'un algorithme d'impression 3D haute résolution, suivi d'une fonctionnalisation catalytique ;
* Reac-Eval : En s'appuyant sur l'apprentissage automatique et l'analyse des données de surveillance par résonance magnétique nucléaire (RMN) en temps réel, un réseau de neurones artificiels (RNA) est utilisé pour optimiser simultanément le procédé et la géométrie. Les résultats expérimentaux sont ensuite intégrés au modèle d'apprentissage automatique central pour piloter le cycle d'auto-apprentissage et d'auto-itération du réacteur.
Reac-Gen : Modélisation géométrique et conception paramétrique
Le module Reac-Gen est le module de départ du système Reac-Discovery, responsable de la conception de la géométrie du réacteur et de la modélisation paramétrique.Ce module génère des structures périodiques à pores ouverts basées sur un ensemble d'équations mathématiques prédéfinies, notamment Gyroid, Schwarz, Schoen-G, etc., et génère diverses topologies géométriques à l'échelle « macro + micro » en ajustant les trois paramètres principaux : taille (S), seuil horizontal (L) et résolution (R).Parmi les trois modules, Reac-Gen est principalement responsable de la modélisation numérique et de la quantification structurelle. Son flux de travail est divisé en trois étapes principales :
Tout d'abord, les paramètres géométriques clés de la structure sont saisis. Le système construit un modèle dans un champ scalaire tridimensionnel basé sur des équations mathématiques prédéfinies et génère des surfaces implicites par calcul d'isosurfaces afin de déterminer la forme globale et la topologie interne du réacteur.
* Projection des équations dans un espace tridimensionnel et exécution algorithmique du maillage, de la mise à l'échelle et du recadrage cylindrique pour adapter la structure à la forme du réacteur, produisant ainsi une structure tridimensionnelle haute fidélité. Simultanément, la régularité des limites et la continuité des pores sont automatiquement corrigées afin de garantir une connectivité physique et une stabilité raisonnables de la structure lors de l'impression et des simulations de fluides.
Génère des fichiers de fabrication et d'analyse de données à introduire dans le module suivant, Reac-Fab, fournissant des données de base pour la prédiction ultérieure de l'imprimabilité, la fabrication 3D et l'analyse des données de performance.
Dans l'étape de sortie des données, les fichiers de données générés par Reac-Gen sont divisés en deux catégories :
* Fichier STL : pour l'impression 3D ;
* Fichier de caractéristiques structurelles (XLSX) : enregistre les descripteurs géométriques tels que la surface, la porosité, la tortuosité, le diamètre hydraulique, etc.
Reac-Fab : de la vérification de la faisabilité à l'impression d'échantillons
Le module Reac-Fab est principalement responsable de la fabrication physique du réacteur.La technologie d'impression 3D par stéréolithographie haute résolution (SLA) est utilisée pour la construction des structures. Le flux de travail de ce module se divise en deux étapes :
* Recevez les données STL et structurelles de sortie de Reac-Gen, utilisez des modèles d'apprentissage automatique pour prédire l'imprimabilité de la structure et effectuez les réglages d'impression et l'étalonnage de l'équipement ;
* La structure est imprimée grâce à la technologie SLA haute résolution. Grâce à des formulations et des paramètres de matériaux optimisés, les échantillons imprimés sont soumis à des traitements de fonctionnalisation tels que la modification chimique de surface et l'immobilisation de composants catalytiques actifs.
Le module utilise un algorithme de classification basé sur un réseau neuronal pour vérifier l'imprimabilité. Cet algorithme utilise 236 échantillons expérimentaux comme données d'apprentissage. Le modèle compare les pondérations théoriques des principaux descripteurs géométriques aux pondérations expérimentales afin de déterminer si la structure est imprimable.Les données expérimentales démontrent que cette méthode atteint une précision de prédiction de 91%, améliorant ainsi l'efficacité de la fabrication et réduisant les coûts expérimentaux. De plus, le module peut être exécuté sans expérimentation préalable approfondie, ce qui améliore l'applicabilité et l'évolutivité de l'algorithme sur différents systèmes d'impression, comme l'impression FDM avec PLA.
Reac-Eval : Vérification expérimentale et optimisation duale
Reac-Eval est le module central de vérification et d'optimisation expérimentales de la plateforme Reac-Discovery. Ce module permet d'évaluer simultanément plusieurs réacteurs catalytiques structurés conçus par Reac-Gen et imprimés par Reac-Fab.Il peut surveiller et contrôler automatiquement les réactions multiphasiques en temps réel.Tout le matériel est intégré via une interface Python unifiée pour garantir une intégration fluide entre les données expérimentales, les modèles prédictifs et les systèmes de contrôle. Le workflow Reac-Eval se déroule en cinq étapes :
* Définir les conditions limites telles que le débit gaz-liquide, la température, la concentration et la plage de descripteurs topologiques, générer des paramètres de couverture de combinaison expérimentale randomisés et terminer l'initialisation expérimentale et le réglage des conditions ;
* Exploiter plusieurs réacteurs structurés en parallèle sur une plate-forme autopropulsée, surveiller la progression de la réaction en temps réel à l'aide de la RMN de paillasse et collecter des données de performance ;
* Sur la base de l'apprentissage automatique et du modèle de réseau neuronal M1, les variables et les paramètres du processus sont optimisés, et la formation répétée basée sur l'ensemble de données initial n'atteint pas les résultats d'optimisation attendus ;
* Optimiser les paramètres géométriques du réacteur en se basant sur le modèle de réseau neuronal M2 ;
* Générer une conception de réacteur optimisée basée sur les résultats de prédiction de M2, effectuer une vérification expérimentale secondaire et renvoyer les données qui ne répondent pas aux attentes au modèle pour une formation plus approfondie.
En général, tout en réalisant une double optimisation des paramètres du processus et de la topologie géométrique, le module Reac-Eval construit un cycle automatisé d'expérimentation, de modélisation et de rétroaction basé sur une plate-forme autonome.
Double vérification de l'effet de l'application Reac-Discovery
Afin de démontrer l'efficacité pratique de Reac-Discovery dans le couplage multi-échelle et l'optimisation par apprentissage automatique, l'équipe de recherche a sélectionné deux réactions catalytiques hétérogènes typiques : l'hydrogénation de l'acétophénone et la cycloaddition de CO₂. Impliquant des transformations gaz-liquide-solide triphasiques, l'hydrogénation douce de l'acétophénone et la thermodynamique très complexe de la cycloaddition de CO₂ constituent les bases pour vérifier la robustesse, la stabilité et la répétabilité du système en auto-optimisation et en reconstruction topologique.
Vérification de la réaction d'hydrogénation de l'acétophénone
Dans l’expérience de vérification de la réaction d’hydrogénation de l’acétophénone, l’équipe de recherche a sélectionné la réaction d’hydrogénation de l’acétophénone comme objet de test.En utilisant des nanoparticules de palladium immobilisées (PdNP) comme catalyseurs, la capacité d'optimisation de Reac-Discovery dans des réactions catalytiques hétérogènes complexes a été évaluée à l'aide d'une approche d'optimisation en deux étapes :
Première phase d'optimisation (G1) : Neuf géométries gyroïdes ont été générées avec Reac-Gen pour construire des réacteurs présentant des porosités et des surfaces significativement différentes. Le module Reac-Eval a réalisé 60 expériences d'hydrogénation, en suivant les réactions en temps réel par résonance magnétique nucléaire (RMN) et en collectant des données pour l'entraînement du modèle de corrélation M1.
* Deuxième étape d'optimisation (G2) : Sur la base du modèle M2, le descripteur structurel est intégré au processus d'apprentissage pour réaliser une optimisation conjointe de la structure et des performances.
Les données expérimentales démontrent une grande cohérence entre les prédictions du modèle M1 et les résultats expérimentaux, permettant d'identifier des plages de processus optimales parmi plus d'un million de combinaisons de paramètres, réduisant ainsi considérablement les coûts d'exploration expérimentale. De plus, lors de la phase G2, la précision des prédictions du modèle M2 a été encore améliorée, permettant l'identification de géométries optimales par le criblage et la comparaison de 480 structures POC imprimables. Cela démontre la grande précision et la robustesse de la plateforme Reac-Discovery en optimisation multivariable et en prédiction structure-fonction.
réaction de cycloaddition de CO₂
Pour vérifier davantage l'adaptabilité de la plateforme dans des systèmes multiphasiques complexes, l'équipe de recherche a mené une expérience de vérification en utilisant une réaction de cycloaddition de CO₂ :
* Phase 1 (G1) : Basée sur le module Reac-Eval, 60 séries de conditions expérimentales ont été réalisées via une plateforme expérimentale autonome. Le jeu de données initial a été généré par surveillance par résonance magnétique nucléaire en temps réel. Le modèle de réseau neuronal M1 a été utilisé pour prédire le rendement et sélectionner les conditions théoriquement optimales.
* Phase 1 (G2) : Intégrer les descripteurs géométriques et les paramètres de processus basés sur le modèle M2, optimiser la topologie du réacteur et les conditions de réaction, et déterminer la solution géométrique optimale en comparant les structures POC imprimables.
Les résultats expérimentaux montrent que les conditions optimales théoriques sélectionnées par l'expérience sont totalement cohérentes avec les valeurs prédites, actualisant la limite supérieure de performance du réacteur triphasé immobilisé actuel.Le réacteur Reac-Discovery a maintenu de manière constante des taux de conversion élevés de 40% à 90% dans quatre systèmes époxydes différents, vérifiant la généralisation et la stabilité inter-systèmes de Reac-Discovery.
Intégration de l'IA : les laboratoires autonomes deviennent un nouveau paradigme pour la recherche chimique
L'intégration rapide de l'intelligence artificielle dans la chimie des flux et l'ingénierie des réacteurs fait des laboratoires autonomes un nouveau paradigme de la recherche chimique. En juillet 2025, une équipe de recherche de l'Université d'État de Caroline du Nord a publié un article intitulé « Découverte assistée par apprentissage automatique de la conception de réacteurs à flux ».Pour résoudre les problèmes selon lesquels les expériences chimiques traditionnelles reposent sur des essais et des erreurs manuels, sont inefficaces et manquent de répétabilité, un nouveau cadre de chimie en flux basé sur un laboratoire autonome est proposé.Le cadre combine une plate-forme expérimentale automatisée avec une analyse de données en temps réel et une prise de décision par intelligence artificielle, réalisant une boucle fermée intégrée de conception, d'exécution et d'optimisation de réaction, améliorant considérablement la précision, l'efficacité et l'évolutivité du processus de réaction.
Adresse du document :
https://doi.org/10.1038/s44286-024-00099-1
Une équipe de recherche du département de chimie de l’Université de Toronto utilise également des laboratoires autonomes comme nouveau paradigme pour la recherche chimique.Intégrez du matériel expérimental automatisé, une analyse de données en temps réel, ainsi que la planification et la prise de décision de l'IA pour obtenir une boucle fermée de conception expérimentale, d'exécution, d'analyse et d'optimisation.Cette recherche utilise une plateforme expérimentale automatisée haute fréquence pour générer des données haute densité. L'intégration d'algorithmes d'IA tels que l'optimisation bayésienne et l'apprentissage par renforcement permet une conception autonome et une progression itérative des procédures expérimentales, améliorant ainsi significativement l'efficacité et l'évolutivité des découvertes. Les résultats de la recherche ont été publiés dans ACS Publications sous le titre « Laboratoires autonomes pour la chimie et la science des matériaux ».
Adresse du document :
https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055
En juillet 2025, la Royal Society a publié un article dans Open Science affirmant que le cœur des laboratoires autonomes repose sur l'automatisation matérielle, l'optimisation des algorithmes et le retour d'information par auto-apprentissage. Ces laboratoires peuvent réaliser des expériences et les améliorer de manière itérative sans intervention humaine, créant ainsi une boucle fermée, de la conception expérimentale à la vérification des résultats, accélérant ainsi le processus de découverte en chimie et en science des matériaux. « Les laboratoires autonomes pourraient même remplacer certains postes de recherche scientifique, mais ils pourraient aussi créer de nombreuses nouvelles opportunités. » Actuellement, les laboratoires autonomes sont confrontés à des défis tels que le coût élevé des systèmes, une standardisation insuffisante des données, des capacités limitées de généralisation des modèles et des risques éthiques et de sécurité. Cependant, à mesure que l'intégration des algorithmes et du matériel continue de mûrir, les laboratoires autonomes pourraient remodeler le système de recherche scientifique à l'avenir, créant un modèle d'exploration scientifique plus efficace, reproductible et intelligent.
Liens de référence :
1.https://royalsocietypublishing.org/doi/10.1098/rsos.250646#d717644e1
2.https://www.nature.com/articles/s41467-025-64127-1
3.https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055
4.https://doi.org/10.1038/s44286-024-00099-1