化工科研范式智能化轉型的思考與展望

李藍宇，黃新燁，王笑楠，邱彤

（清華大學化學工程系，北京 100084）

圖靈獎得主、關系型數(shù)據(jù)庫的鼻祖吉姆·格雷于2007 年1 月11 日的NRC-CSTB 大會上進行了“科學方法的革命”的演講，提出了科學研究的“第四范式”[1]。不同于以記錄和描述自然現(xiàn)象為主的第一范式、以理論研究和歸納總結為主的第二范式和計算機仿真代替實驗成為科研常規(guī)方法的第三范式，第四范式的科學研究以數(shù)據(jù)密集型分析和人工智能為驅動提升科研效率。計算化學和人工智能的發(fā)展給化工領域帶來了革新，涌現(xiàn)出了一系列輔助實驗和研究的智能化手段，對傳統(tǒng)的實驗體系帶來變革性的影響。通過計算機輔助，可以將部分需要耗費人力的工作轉為計算機自動建模、計算、自動化實驗，加快計算和實驗的速度，減輕科研人員的工作量。

1 國內外化工實驗室智能化轉型最新進展

近年來，國內外化工實驗室的智能化轉型已有一系列跨越式進展，逐步從應用基礎人工智能算法工具（如機器學習）輔助實驗數(shù)據(jù)的建模分析，到進一步與自動化、高通量實驗相結合，融合發(fā)展并通過系統(tǒng)集成，最終形成以一體化閉環(huán)智能實驗室為代表的最新形態(tài)。

1.1 智能化研究工具

實驗研究的一般流程包括文獻閱讀、提出假設、計算建模、實驗分析、歸納總結。目前，各個科研環(huán)節(jié)都已經(jīng)涌現(xiàn)相關的智能化算法工具輔助科研。在文獻閱讀階段，可以利用自然語言處理技術輔助文獻綜述。如麻省理工大學的Olivetti團隊[2]嘗試將自然語言處理運用在材料學中，輔助將材料學中的不同數(shù)據(jù)信息進行集中收集與分析。在提出假設階段，多倫多大學的Pascal Friederich 團隊[3]嘗試通過機器學習產生人類可解釋的科學假設，并分別在分子化學和量子光學兩個領域取得了階段性成果。在計算建模階段，普林斯頓大學的Zhang 團隊[4]提出了一種深度電位生成器的主動學習程序，用于構建準確且可遷移的勢能面模型，對材料進行分子建模，并對合成途徑和材料穩(wěn)定性進行預測[5]。

除了學術界的積極參與外，工業(yè)界也針對智能實驗室進行了大量的探索。2011 年時任美國總統(tǒng)奧巴馬提出了材料基因組計劃[6]，目標是通過整合材料計算、高通量實驗和數(shù)據(jù)庫全面提高先進材料從發(fā)現(xiàn)到應用的速度，降低成本。對此，谷歌于2019年設立了Google Accelerated Science 團隊[7]，應用機器學習和人工智能加速自然科學的進展（主要研究對象包括醫(yī)學圖像解讀、蛋白質設計、藥物研發(fā)和材料研發(fā)）。另外，IBM于2020年開發(fā)了利用深度學習、機器學習、大數(shù)據(jù)輔助有機化學合成的人工智能工具——IBM RXN for Chemistry，正向反應產物預測精度高達89%[8]，是領域發(fā)展的重要里程碑。此外，在日本，旭化成、三菱化學、三井化學、住友化學與東麗工業(yè)等約20 家日本化工企業(yè)也通過化學材料開放平臺組成橫向協(xié)作，收集并利用材料結構信息，開發(fā)了可以在較少實驗條件下進行高精度預測的人工智能技術，助力提高研發(fā)效率、節(jié)省研發(fā)時間。

1.2 智能自動化設備

伴隨智能化算法工具的創(chuàng)新應用，高通量實驗及其他適配實驗流程的自動化技術也在近年獲得很大關注，兩者結合后誕生了一系列實驗機器人系統(tǒng)平臺。2016 年至2020 年，麻省理工學院（MIT）的Timothy F.Jamison和Klavs F.Jensen 團隊[9-13]通過硬件、軟件、分析、AI 技術集成，逐步建立連續(xù)流動化學合成系統(tǒng)和基于人工智能規(guī)劃的有機化合物流動合成機器人平臺。2019 年，利物浦大學Andrew Cooper 團隊[14-15]搭建了移動式化工機器人，在8 天內進行了大約700 個實驗后，優(yōu)化了從水中產生氫氣的光催化過程。2019 年至2021 年，英國格拉斯哥大學化學系Leroy Cronin團隊[16-17]基于自然語言處理提出了“從文獻到化合物”的自動化實驗機器人系統(tǒng)，該系統(tǒng)可以自動閱讀和識別文獻中的合成步驟并將其轉化為實驗機器人系統(tǒng)可讀取的指令。同時，該團隊開發(fā)了通用的自主合成工作流程，并建立可以與任何實驗機器人系統(tǒng)集成、易于使用的交互界面——ChemIDE，僅探索約100 種可能的化學反應就能以超過80%的準確度預測1000個反應的結果。2015 年，伊利諾伊大學香檳分校的Martin Burke 團隊[18]針對有機小分子合成設計了廣泛適用的自動化過程，基于共同模塊策略，實現(xiàn)了14 種不同小分子的合成全自動過程。目前，已有許多研究人員使用高通量機器人平臺優(yōu)化反應條件或篩選催化劑[19-21]。另外，高科技合成設備在制藥行業(yè)也比較常見。例如，輝瑞和默沙東通過高通量的反應篩選體系選擇最佳反應前體和最優(yōu)反應條件。

1.3 智能實驗室

基于上述智能算法工具和自動化設備的發(fā)展，智能實驗室這一話題也在學界引起了廣泛關注，很多實驗平臺正朝著智能化發(fā)展，許多國家也提出并實施了一系列關于科研智能化轉型的戰(zhàn)略計劃。其中，比較典型突出的是德國聯(lián)邦教研部資助的人工智能未來實驗室（KIWI-biolab）的項目[22]，該項目匯聚了人工智能、機器學習和生物過程工程領域的國際頂尖科學家，分成四個任務小組，分別著眼于主動學習、模型預測控制、信號處理和自動化，共同探索如何使用人工智能和機器學習技術自動開展微生物數(shù)據(jù)分析，使計算機能夠在沒有人工干預的情況下設計和優(yōu)化實驗，以期未來實現(xiàn)更有效和可持續(xù)的生產。除此之外，DataHow[23]是2017年起家于蘇黎世聯(lián)邦理工大學的公司，專門從事加工行業(yè)，尤其是在生物制藥和化學領域的數(shù)據(jù)分析和過程建模，它的核心業(yè)務是提供結合數(shù)據(jù)科學、機器學習、流程知識和業(yè)務專長的定制解決方案。劍橋大學也于2020 年11 月與阿斯利康和Shionogi 合作[24]，建立新的數(shù)字分子技術創(chuàng)新中心（iDMT），整合高通量合成、分析、化學信息學、機器學習、機器人技術和反應工程，加速制藥、農用化學品、功能分子和分子材料的研發(fā)。

伴隨智能實驗的快速發(fā)展，國內也逐漸意識到了智能實驗室的重要性，著手立項建立智能實驗室，尤以中國科學院精準智能化學重點實驗室等為代表[25]。中國科學院精準智能化學重點實驗室于2023 年獲批建設，聚焦化學研究范式變革，探索建立化學研究的精準化、智能化雙驅動模式，致力于把實驗室建成精準智能化學領域國際頂尖的研究機構。該團隊開發(fā)的機器化學家“小來”已經(jīng)實現(xiàn)文獻閱讀、實驗設計、自主優(yōu)化的化學品開發(fā)全流程，為化學研究提供了精準化、智能化的解決方案。

雖然智能化工研發(fā)領域目前具有巨大的發(fā)展?jié)摿Γ趪鴥韧馊蕴幱谄鹗继剿麟A段，對于化工智能實驗室和智能研究院缺乏清晰的定義。因此，本文旨在凝練智能實驗室和研究院內涵，提出具體、實質的化工智能化研究院藍圖和建設大綱，為化工行業(yè)的研究人員和企業(yè)提供前瞻性的視角和啟示，推動領域智能化高效發(fā)展。

2 化工研發(fā)智能化轉型思考與實踐

化工產業(yè)通?？梢愿鶕?jù)化工價值鏈不同階段劃分為上游勘探開采等原材料生產供應環(huán)節(jié)和下游加工轉化環(huán)節(jié)。研發(fā)階段主要包括基礎研究、工藝開發(fā)和優(yōu)化實驗等?；A研究實驗通常在實驗室尺度進行，旨在深入了解物質轉化規(guī)律，探索新的化學反應、材料性質或工藝過程，包括合成、分析以及數(shù)據(jù)測量和收集等工作。工藝開發(fā)和優(yōu)化實驗則涉及反應條件、催化劑選擇、反應器設計、工藝路線和操作參數(shù)等方面的優(yōu)化，通過實驗數(shù)據(jù)的收集分析來評估工藝性能。除了日常的濕實驗外，也有模擬和計算實驗，這類實驗通常通過計算機模擬與數(shù)值計算，模擬、預測原子、分子或化工過程的行為和性能。面向現(xiàn)階段化工研發(fā)通常包含文獻閱讀、實驗設計、理論分析/模擬計算/實驗、得出結論等主要環(huán)節(jié)，計算機領域的自然語言處理、數(shù)據(jù)儲存、機器學習、深度學習、主動學習、計算機視覺等方法將作為基礎形成一系列智能計算工具并有機結合到化工研發(fā)的每一個環(huán)節(jié)，有望實現(xiàn)智能文獻閱讀、智能實驗、自動報告生成的智能科研閉環(huán)（圖1）。

圖1 面向未來化工研發(fā)的智能科研框架

在此基礎上，更廣義的化工智能研究院架構還將包括：研究院內部的科研管理模式智能化適配更新（此處定義為智能支撐）以及對外的與其他機構、產業(yè)與市場間的數(shù)據(jù)信息傳遞、智能化需求分析和技術支持（此處定義為智能外延）。面向智能化轉型，智能科研管理將涵蓋智能化平臺搭建、開放共享、人才培養(yǎng)及激勵機制，支撐智能科研創(chuàng)新所需要的智能計算和智能科研流程（包括數(shù)據(jù)挖掘、計算推理、機器人輔助實驗或科研、智能化平臺服務等），以數(shù)據(jù)驅動的第四科研范式輔助替代傳統(tǒng)的以人工為主的經(jīng)驗、推導和試錯的研究模式，提高科研工作的質量和效率。同時，通過智能外延向生產、宏觀決策等方向輻射，切實增加科研成果的產業(yè)和市場效益，實現(xiàn)研發(fā)、管理、生產和服務的智能一體化協(xié)同。

面向未來自動、精準、高效的智能研發(fā)愿景，智能研究院的建設仍需要經(jīng)歷由點到面、由局部發(fā)展到全面完善的過程（圖2）?；ぱ芯吭阂矊膯我画h(huán)節(jié)的智能化應用和試點的模式全面推廣至化工研發(fā)的全流程。本文作者團隊圍繞碳中和與未來智能實驗室等新興交叉學科，開展新能源、低碳技術及人工智能應用的研究，開發(fā)了基于機器學習的多孔碳材料CO2吸附性能預測與智能化CO2吸附材料設計[26]、機器學習指導的CO2分離捕集金屬有機骨架混合基質膜的合成[27]、基于主動學習助力分子尺度材料研發(fā)的高性能光敏劑自我改進發(fā)現(xiàn)系統(tǒng)[28]、基于主動學習和高通量微流控反應體系的微納尺度材料研發(fā)軟硬件平臺[29]、基于主動學習的器件尺度材料開發(fā)[30]、基于機器視覺算法輔助材料儀器表征[31-33]、基于智能優(yōu)化算法的油品性質預測及分子重構[34-35]、基于貝葉斯優(yōu)化的智能實驗優(yōu)化[36]一系列工作，突破“經(jīng)驗指導實驗”的傳統(tǒng)開發(fā)模式，使化工、能源、新材料的開發(fā)效率得到顯著提高。同時，本文作者團隊也對國內外化工實驗室進行了深入調研，發(fā)現(xiàn)目前國內許多實驗室和研究院都有智能化轉型的迫切期望，但是缺乏清晰的智能化發(fā)展規(guī)劃。此外，石化行業(yè)上游研究院具有數(shù)據(jù)集中、數(shù)據(jù)關聯(lián)性強、信息化程度高等特點，目前可以立足于數(shù)字化進展運用大數(shù)據(jù)技術進行局部和全面智能化的同步推進，而下游研究院具有數(shù)據(jù)分散、體系關聯(lián)性弱等特點，目前可以著重展開局部智能化研究，通過試點的方法對智能計算、智能實驗、機器人等方法進行探索，輔以凝練智能化方法，為智能化系統(tǒng)平臺建設奠定基礎。在智能計算方法的開發(fā)中，需要專業(yè)軟件與人工智能同步發(fā)展。在智能科研流程的建設中，需要人工智能、自動化聯(lián)合提效。在智能支撐中，需要平臺、共享、人才、激勵等科研管理手段同步構建。在智能外延中，可以通過物聯(lián)網(wǎng)、5G、區(qū)塊鏈等技術實現(xiàn)高效的數(shù)據(jù)共享、沉浸式交互的技術支持，打造智能化工科研元宇宙。

圖2 智能研究院建設藍圖

實現(xiàn)化工實驗室或研究院的智能化轉型需要有一個兼容、彈性發(fā)展的標準體系，切實有效地為有意向進行智能化轉型的研究院提供指導和參考。為此，本文作者團隊以全面智能化的研究院為目標，提出了從傳統(tǒng)科研出發(fā)的包括信息化、數(shù)字化、局部智能化、全面智能化4個層級的智能研究院建設發(fā)展指標體系（表1、圖3），轉型中的科研實體可以對照自身情況靈活推進智能化轉型。

表1 智能化演進層級

圖3 智能研究院建設大綱

3 結論與展望

在智能化浪潮下，國內外各行各業(yè)正在進行快速的智能化迭代，化工研究院的智能化是大勢所趨。智能計算和智能科研的發(fā)展是化工研發(fā)智能化的關鍵核心。近年來各種智能化方法發(fā)展和應用發(fā)展迅速，但目前許多科研人員對科研領域的智能化普遍缺乏了解，常把信息化、數(shù)字化的概念與智能化混淆。因此，理清各項技術、概念之間的關系并通過培訓提高一線人員的科研智能化意識和能力是開展科研計算、科研流程以及科研服務全面智能化提升的關鍵。另外，科研范式的轉變也離不開科研管理的推動，管理人員和專門的智能化團隊可以在平臺、共享、人才和激勵方面促進化工研發(fā)的智能化發(fā)展。此外，在智能研究院的建設中，企業(yè)的發(fā)展不能受數(shù)字化發(fā)展不完善的掣肘，也不能局限于照搬國外現(xiàn)成的套路。同時，不能局限于現(xiàn)有技術，需要建立長遠的智能化發(fā)展戰(zhàn)略，發(fā)展有自主迭代升級功能的、具有良好智能化與創(chuàng)新生態(tài)的智能研究院。目前智能化研究院在國際上的建成開發(fā)尚處于早期，仍未有全面完成的先例，本文提出了有層次遞進關系的智能研究院演進路徑總綱，有助于協(xié)助集團和相關科研、管理人員評估研究院目前的智能化水平，明確發(fā)展路徑，從而早日實現(xiàn)智能化，占據(jù)先機，引領變革，創(chuàng)造更多的效益。