Forschern im Bereich Chemieingenieurwesen steht ein leistungsstarkes neues Werkzeug zur Verfügung: aktives maschinelles Lernen. In einem kürzlich veröffentlichten perspektivischen Artikel in MaschinenbauDas Forschungsteam von Kevin M. Van Geem an der Universität Gent erforscht das Potenzial des aktiven maschinellen Lernens für die Revolutionierung des Bereichs der Chemietechnik. Durch die Kombination von maschinellem Lernen mit der Versuchsplanung verspricht aktives maschinelles Lernen eine Steigerung der Effizienz und Kosteneffizienz der Forschung auf allen Längenskalen des Chemieingenieurwesens.
Aktive Algorithmen für maschinelles Lernen bieten im Vergleich zu herkömmlichen Algorithmen für die Versuchsplanung eine größere Flexibilität und eine überlegene Leistung. Doch trotz ihres Potenzials sind die Einsatzmöglichkeiten des aktiven maschinellen Lernens in der Chemietechnik noch begrenzt. Der Artikel identifiziert drei Hauptherausforderungen, die seiner weiten Verbreitung im Wege stehen: die Überzeugung experimenteller Forscher, die Sicherstellung von Flexibilität bei der Datenerstellung und die Verbesserung der Robustheit aktiver Algorithmen für maschinelles Lernen.
Die von Van Geems Team durchgeführte Umfrage unterstreicht das breite Spektrum aktiver maschineller Lernanwendungen in der Chemietechnik. Dennoch betont der Artikel die Notwendigkeit, aktives maschinelles Lernen unter experimentellen Forschern bekannt zu machen und die bestehenden Hindernisse zu überwinden. Um diese Herausforderungen anzugehen, schlägt der Artikel gemeinsame Anstrengungen zwischen Experten für maschinelles Lernen und Chemieingenieuren vor.
Die Zusammenarbeit würde nicht nur das Bewusstsein für aktives maschinelles Lernen schärfen, sondern auch die Anpassung und Optimierung von Algorithmen auf der Grundlage spezifischer experimenteller Einheiten und Verfahren erleichtern.
Um die Hürde einer suboptimalen anfänglichen experimentellen Auswahl zu überwinden, wird die Integration von Transferlernen und aktivem Lernen mit Multi-Fidelity-Modellen vorgeschlagen. Darüber hinaus betont der Artikel, wie wichtig es ist, allgemeine Algorithmen für aktives maschinelles Lernen anzupassen, um den Einschränkungen verschiedener Setups gerecht zu werden und so den Anwendungsbereich des aktiven maschinellen Lernens zu erweitern.
Aktives maschinelles Lernen hat das Potenzial, verschiedene Aspekte der Chemieingenieurforschung zu revolutionieren, vom Molekül- und Katalysatordesign bis hin zum Reaktions- und Reaktordesign. Um jedoch sein volles Potenzial auszuschöpfen, ist es entscheidend, die Lücke zwischen Experten für maschinelles Lernen und Chemieingenieuren zu schließen. Auf diese Weise können nicht nur aktive maschinelle Lernalgorithmen feinabgestimmt, sondern auch die Leistung dieser Algorithmen verbessert werden.
Der Artikel schließt mit der Hervorhebung der Bedeutung der Harmonisierung von Synthetisierbarkeit und Kreativität beim aktiven maschinellen Lernen. Vielversprechende Durchbrüche auf diesem Gebiet werden es Chemieingenieuren ermöglichen, aktives maschinelles Lernen als wesentliches Werkzeug zu nutzen und autonome und effiziente wissenschaftliche Entdeckungen zu ermöglichen. Letztlich wird dies zu einer nachhaltigeren Chemieindustrie der Zukunft beitragen.
Nan Zhang, Herausgeber des Fachgebiets Chemie, Metallurgie und Werkstofftechnik von Maschinenbaukommentierte: „Da aktives maschinelles Lernen immer ausgereifter wird, sieht die Zukunft für Chemieingenieure rosig aus. Die zunehmende Automatisierung und die Entwicklung effizienterer Algorithmen werden den Weg für neuartige Entdeckungen und Fortschritte auf diesem Gebiet ebnen. Mit besserer Zusammenarbeit und breiterer Akzeptanz, aktiv.“ Maschinelles Lernen ist auf dem besten Weg, ein vertrauenswürdiger Bestandteil des Werkzeugkastens des Chemieingenieurs zu werden.“
Mehr Informationen:
Yannick Ureel et al., Aktives maschinelles Lernen für Chemieingenieure: Eine glänzende Zukunft liegt vor uns!, Maschinenbau (2023). DOI: 10.1016/j.eng.2023.02.019