Modèle de prédiction intelligent pour la chromatographie en colonne basé sur l'automatisation et l'apprentissage automatique

La séparation efficace des composés reste un défi persistant en chimie synthétique, la chromatographie en colonne servant d'outil de purification critique. Les méthodes traditionnelles nécessitent une expertise approfondie et un travail répétitif—domaines où l'IA offre des avantages significatifs. Cette étude présente une plateforme pilotée par l'IA pour automatiser la collecte de données et optimiser les processus de séparation. En utilisant l'apprentissage profond, le système prédit les paramètres clés de séparation, tandis que l'apprentissage par transfert permet son adaptation à diverses spécifications de colonnes. Un nouveau métrique, la probabilité de séparation (𝑆𝑝), quantifie la probabilité d'une isolation réussie des composants et a été validé expérimentalement. Cette approche améliore la précision, réduit l'intervention manuelle et élargit le champ d'application des techniques chromatographiques, offrant ainsi une solution plus efficace et évolutrice pour la purification chimique.