En la tarde del 9 de octubre, la Real Academia Sueca de las Ciencias decidió conceder el Premio Nobel de Química 2024 a tres científicos. Entre ellos, el modelo de IA AlphaFold2, que predice estructuras complejas de proteínas, se convirtió en el centro de atención mundial. El premio recayó en Demis Hassabis, líder de IA de Google, de 48 años, y John Jumper, de 39, lo que pone de manifiesto el inmenso potencial de la IA en el campo de la química. Este artículo resume algunas aplicaciones de la IA en los procesos químicos, mostrando las contribuciones de la IA para mejorar la eficiencia de la industria y avanzar en la transformación digital.
1. Aplicaciones de la IA en la síntesis química
La automatización y la monitorización de las reacciones en tiempo real han permitido realizar experimentos ricos en datos, esenciales para abordar las complejidades de la síntesis química, tales como síntesis de carbonato de etileno y síntesis de ácido poliláctico. Combinando el análisis en tiempo real con herramientas de aprendizaje automático (ML) e inteligencia artificial (AI), resulta posible acelerar la identificación de las condiciones óptimas de reacción y facilitar la síntesis autónoma sin errores.
La mayoría de las síntesis de moléculas requieren transformaciones en varios pasos, equilibrando los insumos materiales (como disolventes, reactivos y catalizadores), los parámetros de reacción (temperatura, orden de adición y tiempo) y las estrategias de purificación. Enfrentarse a estos retos multifactoriales es como recorrer un laberinto con recursos limitados. Históricamente, los químicos tenían que confiar en experiencias pasadas, formular estrategias prudentes y tomar decisiones basadas en datos limitados. La automatización de la IA ha transformado este panorama al mejorar significativamente tanto la cantidad como la precisión del análisis de los datos de reacción, lo que permite tomar mejores decisiones en menos tiempo. Por ejemplo, las técnicas de experimentación de alto rendimiento (HTE) pueden investigar rápidamente las posibles condiciones de reacción, pero estas técnicas a menudo proporcionan rendimientos de análisis en puntos temporales fijos, perdiendo detalles cruciales relacionados con los mecanismos o la cinética de reacción.
Figura: Análisis de cromatografía líquida supereficiente de la reacción de acoplamiento cruzado Suzuki-Miyaura, que muestra diferentes áreas de pico de materiales de partida y productos, así como subproductos comunes, a lo largo del tiempo.
El aprendizaje automático y las herramientas de IA son potentes complementos de los flujos de trabajo basados en datos en experimentos, lo que acelera la identificación de las condiciones de reacción. Los modelos predictivos creados a partir de datos experimentales de alto rendimiento (HTE) o de fuentes bibliográficas pueden sugerir condiciones de reacción para transformaciones no probadas previamente. Además, mediante la integración de algoritmos de optimización de aprendizaje automático con la ejecución robótica de reacciones, el muestreo de puntos finales y la extracción de datos, se han creado plataformas de optimización autónomas. Estos métodos pueden reducir el número de experimentos necesarios para identificar las condiciones ideales, pero tienden a simplificar los resultados experimentales en puntuaciones cuantitativas únicas, como los porcentajes de rendimiento o estereoselectividad. Aunque estas estrategias tienen sus ventajas, reducir los resultados experimentales a una única medición en un momento fijo simplifica en exceso la complejidad inherente a las reacciones químicas.
Muchos estudios han mostrado resultados contradictorios al utilizar los datos de rendimiento de la reacción (como el rendimiento) de la bibliografía existente. Los datos están sesgados hacia las condiciones más comúnmente publicadas, seleccionando a menudo parámetros de reacción convencionales en lugar de los óptimos. Peor aún, la heterogeneidad de las mediciones cuantitativas y las condiciones aplicadas dificulta distinguir si los rendimientos notificados reflejan fallos experimentales o problemas en la separación de productos. Están surgiendo iniciativas para sistematizar los datos de síntesis, pero aún se encuentran en sus primeras fases.
La monitorización de reacciones en tiempo real ofrece una ventaja clave: al utilizar datos cinéticos exhaustivos, se pueden entrenar modelos predictivos. Estos datos exhaustivos resuelven los problemas relacionados con la integridad de los datos, los sesgos y la simplificación excesiva. Al registrar el perfil de reacción completo, se pueden captar e interpretar las diferencias en el rendimiento de la reacción en distintas condiciones experimentales. Además, puede seguirse la evolución completa de los reactivos, lo que permite describir los cambios en los materiales objetivo, los subproductos y los productos intermedios. Estas tendencias proporcionan datos fuente útiles para futuros procesos de reacción, ya que capturan transformaciones potenciales fuera del foco de investigación inmediato. En general, los métodos de aprendizaje automático (AM) son adecuados para entrenar modelos que reflejen toda la complejidad de las reacciones.
La revolución de la ciencia de datos en la química sintética se está acelerando, impulsando una mayor demanda de datos experimentales ricos. El análisis de reacciones en tiempo real ya se ha utilizado para reducir drásticamente el tiempo necesario para alcanzar las moléculas objetivo. Al integrar aún más estos métodos automatizados de recopilación de datos con nuevas herramientas de ML y AI, nuestra capacidad para predecir las condiciones óptimas y descubrir nuevas vías sintéticas crecerá exponencialmente.
2. Aplicaciones de la IA en los procesos de fabricación de productos químicos
Como componente clave de las industrias de procesos, la fabricación de productos químicos implica numerosas reacciones químicas y transformaciones de materiales. En las operaciones industriales, la IA puede ayudar ahora a ingenieros y científicos de datos a realizar tareas rutinarias. Puede ayudar a integrar fuentes de datos externas utilizando un lenguaje natural o informático y trabajar conjuntamente con otras soluciones. Por ejemplo, en los procesos de fabricación química, la IA puede generar grandes esquemas de modelos mediante el entrenamiento con datos operativos y puede proponer sugerencias de planes de acción basados en la información existente, aunque las decisiones finales siguen correspondiendo a los ingenieros.
La IA desempeña un papel más activo automatizando las tareas rutinarias. Sigue reglas y procedimientos predefinidos, reduciendo la intervención humana en las actividades cotidianas. La inteligencia de automatización suele verse en procesos robóticos, como máquinas que clasifican materiales o productos en una cinta transportadora.
En otro ejemplo, la IA generativa puede ayudar en la codificación de tareas que requieran la creación de modelos de aprendizaje automático u otras operaciones basadas en el lenguaje informático. También puede almacenar y recuperar información, actuando como repositorio de casos de uso y de la correspondiente información normativa, a la que se puede acceder y extraer mediante indicaciones en lenguaje natural. Cuando se combina con otras tecnologías, la IA generativa resulta aún más eficaz. Por ejemplo, mediante el uso de la Retrieval-Augmented Generation (RAG), se pueden añadir chatbots a estas bases de datos. Mediante llamadas a la API, los ingenieros pueden acceder a programas avanzados de análisis industrial e interactuar directamente con ellos. Podrían simplemente preguntar: “¿Qué ha pasado después de mi turno?” y la GPT habilitada para RAG generaría un resumen detallado de los eventos ocurridos durante ese periodo de tiempo.
Sin embargo, la aplicación de la IA también presenta retos únicos. Lo más importante es la calidad y la integridad de los datos. La eficacia de los sistemas de IA depende de los datos que procesan. Los datos inexactos o incompletos pueden dar lugar a percepciones y decisiones erróneas. Por lo tanto, es esencial proporcionar datos precisos a estas soluciones.
La fabricación de procesos químicos se encuentra todavía en la fase experimental de implantación de la IA. Las empresas están aprendiendo cómo y dónde aprovechar las ventajas de estas soluciones al tiempo que mitigan los riesgos potenciales. Dado que los procesos de fabricación aún requieren la capacidad de toma de decisiones de los ingenieros, el sector está procediendo con cautela. No obstante, cada vez son más las empresas químicas que experimentan con la transformación digital, con aplicaciones prácticas como modelos de aprendizaje automático y cuadros de mando que surgen constantemente.
3. La IA en la “detección de anomalías” en los procesos químicos
La detección de anomalías se cita a menudo como un caso de aplicación de la IA. Por ejemplo, los expertos empresariales pueden buscar valores de referencia en datos de series temporales para identificar anomalías en los patrones esperados. Estas anomalías se presentan de una manera fácil de entender, lo que permite respuestas y decisiones rápidas. Al crear marcadores únicos para parámetros de lotes ideales a partir de datos contextuales, la detección de anomalías ayuda a definir y detectar situaciones anómalas. En casos más avanzados, los modelos desarrollados mediante mapas autoorganizados (SOM) pueden detectar anomalías tanto globales como locales dentro de contextos multivariantes.
En una empresa química especializada, los ingenieros de procesos han reconocido las ventajas de utilizar esta tecnología para la detección de anomalías. Al procesar los datos operativos con un software de análisis industrial avanzado, los científicos de datos han desarrollado modelos que incluyen sensores blandos, puntuaciones de detección de anomalías y alertas de mantenimiento predictivo.
La integración de estas capacidades de aprendizaje automático ha dado lugar a importantes mejoras operativas en la empresa. En concreto, el tiempo de procesamiento de lotes se ha reducido en 10%, lo que equivale a un lote menos al día. Además, la mejora de la eficiencia operativa se ha traducido en una reducción de 9% en el consumo de energía.
Conclusión: La IA evoluciona constantemente y los avances tecnológicos progresan con rapidez. Al aprovechar los grandes volúmenes de datos existentes, los ingenieros pueden obtener información instantánea para optimizar las operaciones. Al mismo tiempo, las empresas están dando muchos pasos necesarios para aprovechar la IA para el éxito futuro.
