بعد ظهر يوم 9 أكتوبر، قررت الأكاديمية الملكية السويدية للعلوم منح جائزة نوبل في الكيمياء لعام 2024 لثلاثة علماء. من بينهم نموذج الذكاء الاصطناعي AlphaFold2 الذي يتنبأ بهياكل البروتين المعقدة، والذي أصبح نقطة محورية عالمية. وذهبت الجائزة إلى ديميس هاسابيس البالغ من العمر 48 عامًا وديميس هاسابيس البالغ من العمر 39 عامًا وجون جامبر البالغ من العمر 39 عامًا، مما يسلط الضوء على الإمكانات الهائلة للذكاء الاصطناعي في مجال الكيمياء. يُلخص هذا المقال بعض تطبيقات الذكاء الاصطناعي في العمليات الكيميائية، ويعرض إسهامات الذكاء الاصطناعي في تحسين كفاءة الصناعة ودفع عجلة التحول الرقمي.
1. تطبيقات الذكاء الاصطناعي في التخليق الكيميائي
مكّنت الأتمتة ومراقبة التفاعل في الوقت الحقيقي من إجراء تجارب غنية بالبيانات، وهي ضرورية لمعالجة تعقيدات التخليق الكيميائي مثل تخليق كربونات الإيثيلين و تخليق حمض متعدد اللبنيك. من خلال الجمع بين التحليل في الوقت الحقيقي مع أدوات التعلم الآلي (ML) والذكاء الاصطناعي (AI)، يصبح من الممكن تسريع تحديد ظروف التفاعل المثلى وتسهيل التوليف المستقل الخالي من الأخطاء.
تتطلب معظم عمليات تخليق الجزيئات تحولات متعددة الخطوات، وموازنة مدخلات المواد (مثل المذيبات والكواشف والمحفزات)، ومعاملات التفاعل (درجة الحرارة، وترتيب الإضافة، والوقت)، واستراتيجيات التنقية. إن التعامل مع هذه التحديات متعددة العوامل يشبه الإبحار في متاهة بموارد محدودة. تاريخيًا، كان على الكيميائيين الاعتماد على التجارب السابقة، وصياغة استراتيجيات حذرة، واتخاذ قرارات بناءً على بيانات محدودة. وقد أدت أتمتة الذكاء الاصطناعي إلى تغيير هذا المشهد من خلال تحسين كل من كمية ودقة تحليل بيانات التفاعل بشكل كبير، مما يتيح اتخاذ قرارات أفضل في إطار زمني أقصر. على سبيل المثال، يمكن لتقنيات التجارب عالية الإنتاجية (HTE) أن تحقق بسرعة في ظروف التفاعل المحتملة، ولكن هذه التقنيات غالبًا ما توفر عائدات التحليل في نقاط زمنية محددة، مما يؤدي إلى فقدان التفاصيل الحاسمة المتعلقة بآليات التفاعل أو حركية التفاعل.
الشكل: تحليل كروماتوغرافيا سائلة فائقة الكفاءة لتفاعل سوزوكي-مياورا المتقاطع مع تفاعل سوزوكي-مياورا، يوضح مناطق الذروة المختلفة للمواد الأولية والنواتج، وكذلك المنتجات الثانوية الشائعة، بمرور الوقت.
تُعد أدوات التعلّم الآلي والذكاء الاصطناعي مكملات قوية لسير العمل المستند إلى البيانات في التجارب، مما يسرع من تحديد ظروف التفاعل. يمكن للنماذج التنبؤية المبنية من البيانات التجريبية عالية الإنتاجية (HTE) أو مصادر الأدبيات أن تقترح شروط التفاعل للتحويلات التي لم يتم اختبارها من قبل. وعلاوة على ذلك، من خلال دمج خوارزميات تحسين التعلم الآلي مع تنفيذ التفاعل الآلي وأخذ عينات نقطة النهاية واستخراج البيانات، تم إنشاء منصات تحسين مستقلة. يمكن أن تقلل هذه الطرق من عدد التجارب اللازمة لتحديد الظروف المثالية، ولكنها تميل إلى تبسيط النتائج التجريبية إلى درجات كمية واحدة، مثل المحصول أو النسب المئوية للانتقائية المجسمة. وعلى الرغم من أن هذه الاستراتيجيات لها مزاياها، إلا أن اختزال النتائج التجريبية إلى قياس واحد في وقت محدد يبالغ في تبسيط التعقيد المتأصل في التفاعلات الكيميائية.
أظهرت العديد من الدراسات نتائج متباينة عند استخدام بيانات أداء التفاعل (مثل العائد) من الأدبيات الموجودة. فالبيانات متحيزة نحو الشروط الأكثر شيوعًا التي يتم نشرها، وغالبًا ما يتم اختيار معاملات التفاعل التقليدية بدلًا من المعاملات المثلى. والأسوأ من ذلك هو أن عدم تجانس القياسات الكمية والظروف المطبقة يجعل من الصعب التمييز بين ما إذا كانت الغلة المبلغ عنها تعكس الفشل التجريبي أو التحديات في فصل المنتج. إن الجهود المبذولة لتنظيم بيانات التوليف آخذة في الظهور ولكنها لا تزال في مراحلها الأولى.
توفر مراقبة التفاعل في الوقت الحقيقي ميزة رئيسية: باستخدام البيانات الحركية الشاملة، يمكن تدريب النماذج التنبؤية. وتعالج هذه البيانات الشاملة القضايا المتعلقة بسلامة البيانات والتحيزات والتبسيط المفرط. ومن خلال تسجيل ملف التفاعل بالكامل، يمكن تسجيل الاختلافات في أداء التفاعل في ظل ظروف تجريبية مختلفة وتفسيرها. وعلاوة على ذلك، يمكن تتبع التطور الكامل للمواد المتفاعلة، مما يسمح بوصف التغيرات في المواد المستهدفة والمنتجات الثانوية والمواد الوسيطة. وتوفر هذه الاتجاهات بيانات مصدرية مفيدة لعمليات التفاعل المستقبلية، حيث أنها تلتقط التحولات المحتملة خارج نطاق التركيز البحثي المباشر. وبشكل عام، تعد أساليب التعلم الآلي (ML) مناسبة تمامًا لتدريب النماذج التي تعكس التعقيد الكامل للتفاعلات.
تتسارع ثورة علم البيانات في الكيمياء التركيبية، مما يؤدي إلى زيادة الطلب على البيانات التجريبية الغنية. وقد تم بالفعل استخدام تحليل التفاعل في الوقت الحقيقي لتقليل الوقت اللازم للوصول إلى الجزيئات المستهدفة بشكل كبير. ومن خلال زيادة دمج طرق جمع البيانات المؤتمتة هذه مع أدوات التعلم الآلي والذكاء الاصطناعي الجديدة، ستنمو قدرتنا على التنبؤ بالظروف المثلى واكتشاف مسارات اصطناعية جديدة بشكل كبير.
2. تطبيقات الذكاء الاصطناعي في عمليات التصنيع الكيميائي
كمكون رئيسي في الصناعات التحويلية، ينطوي التصنيع الكيميائي على العديد من التفاعلات الكيميائية وتحولات المواد. في العمليات الصناعية، يمكن للذكاء الاصطناعي الآن مساعدة المهندسين وعلماء البيانات في تنفيذ المهام الروتينية. ويمكنه المساعدة في دمج مصادر البيانات الخارجية باستخدام اللغة الطبيعية أو لغة الحاسوب والعمل جنباً إلى جنب مع الحلول الأخرى. على سبيل المثال، في عمليات التصنيع الكيميائي، يمكن للذكاء الاصطناعي توليد مخططات نموذجية كبيرة من خلال التدريب على البيانات التشغيلية وقد يقترح اقتراحات خطة عمل بناءً على المعلومات الموجودة، على الرغم من أن القرارات النهائية لا تزال تقع على عاتق المهندسين.
يلعب الذكاء الاصطناعي دوراً أكثر نشاطاً من خلال أتمتة المهام الروتينية. فهو يتبع قواعد وإجراءات محددة مسبقاً، مما يقلل من التدخل البشري في الأنشطة اليومية. يظهر الذكاء الآلي بشكل شائع في العمليات الروبوتية، مثل آلات فرز المواد أو المنتجات على الحزام الناقل.
وفي مثال آخر، يمكن للذكاء الاصطناعي التوليدي أن يساعد في الترميز للمهام التي تتطلب إنشاء نماذج التعلم الآلي أو غيرها من العمليات القائمة على لغة الحاسوب. ويمكنه أيضًا تخزين المعلومات واسترجاعها، حيث يعمل كمستودع لحالات الاستخدام والمعلومات المعيارية المقابلة، والتي يمكن الوصول إليها واستخراجها من خلال مطالبات اللغة الطبيعية. وعند دمجها مع تقنيات أخرى، يصبح الذكاء الاصطناعي التوليدي أكثر فعالية. على سبيل المثال، باستخدام التوليد المعزز للاسترجاع (RAG)، يمكن إضافة روبوتات الدردشة إلى قواعد البيانات هذه. من خلال مكالمات واجهة برمجة التطبيقات، يمكن للمهندسين الوصول إلى برامج التحليل الصناعي المتقدمة والتفاعل معها مباشرةً. يمكنهم ببساطة أن يسألوا “ماذا حدث بعد مناوبتي؟” وسيقوم برنامج GPT المدعوم من RAG بتوليد ملخص مفصل للأحداث خلال تلك الفترة الزمنية.
ومع ذلك، فإن تطبيق الذكاء الاصطناعي يطرح أيضاً تحديات فريدة من نوعها. والأهم من ذلك أن جودة البيانات وسلامتها أمر بالغ الأهمية. تعتمد فعالية أنظمة الذكاء الاصطناعي على البيانات التي تعالجها. يمكن أن تؤدي البيانات غير الدقيقة أو غير المكتملة إلى رؤى وقرارات خاطئة. لذلك، فإن توفير بيانات دقيقة لهذه الحلول أمر ضروري.
لا يزال تصنيع العمليات الكيميائية في المرحلة التجريبية لتطبيق الذكاء الاصطناعي. تتعلم الشركات كيفية ومكان الاستفادة من مزايا هذه الحلول مع التخفيف من المخاطر المحتملة. ونظرًا لأن عمليات التصنيع لا تزال تتطلب مهارات اتخاذ القرار لدى المهندسين، فإن الصناعة تمضي قدمًا بحذر. ومع ذلك، يقوم عدد متزايد من الشركات الكيميائية بتجربة التحول الرقمي، مع ظهور تطبيقات عملية مثل نماذج التعلم الآلي ولوحات المعلومات بشكل مطرد.
3. الذكاء الاصطناعي في “كشف الشذوذ” في العمليات الكيميائية
غالبًا ما يُشار إلى اكتشاف الشذوذ كحالة تطبيقية للذكاء الاصطناعي. على سبيل المثال، يمكن لخبراء الأعمال البحث عن القيم المعيارية في بيانات السلاسل الزمنية لتحديد الحالات الشاذة في الأنماط المتوقعة. يتم عرض هذه الحالات الشاذة بطريقة سهلة الفهم، مما يتيح استجابات وقرارات سريعة. من خلال إنشاء علامات فريدة لمعلمات الدُفعات المثالية من البيانات السياقية، يساعد اكتشاف الحالات الشاذة في تحديد الحالات الشاذة واكتشافها. في الحالات الأكثر تقدمًا، يمكن للنماذج المطورة باستخدام خرائط التنظيم الذاتي (SOM) اكتشاف كل من الحالات الشاذة العالمية والمحلية ضمن سياقات متعددة المتغيرات.
في إحدى الشركات الكيميائية المتخصصة، أدرك مهندسو العمليات فوائد استخدام هذه التقنية للكشف عن الشذوذ. ومن خلال معالجة البيانات التشغيلية باستخدام برنامج تحليل صناعي متقدم، طوّر علماء البيانات نماذج تتضمن أجهزة استشعار ناعمة، ودرجات اكتشاف الشذوذ، وتنبيهات الصيانة التنبؤية.
أدى دمج قدرات التعلم الآلي هذه إلى تحسينات تشغيلية كبيرة في الشركة. وتجدر الإشارة إلى أنه تم تقليل وقت معالجة الدفعات بمقدار 101 تيرابايت 3 تيرابايت، أي ما يعادل دفعة واحدة أقل في اليوم. وبالإضافة إلى ذلك، أدى التحسن في الكفاءة التشغيلية إلى انخفاض استهلاك الطاقة بمقدار 91 تيرابايت 3 تيرابايت.
الخلاصة: يتطور الذكاء الاصطناعي بشكل مطرد، ويتقدم التقدم التكنولوجي بسرعة. من خلال تسخير كميات كبيرة من البيانات الموجودة، يمكن للمهندسين الحصول على رؤى فورية لتحسين العمليات. وفي الوقت نفسه، تتخذ الشركات العديد من الخطوات الضرورية للاستفادة من الذكاء الاصطناعي لتحقيق النجاح في المستقبل.
