译自Chem-Station网站日本版 原文链接：様々な化学分野におけるAIの活用
翻译：炸鸡
本文旨在通过解读最近几则AI在化学企业中应用的相关新闻，来展示AI在化学领域的卓越表现。
AI自动控制工厂
ENEOS株式会社和Preferred Networks株式会社（PFN）于2023年1月在ENEOS川崎制所的石油化学工厂内的丁二烯萃取装置上启用了石油精炼和石油化学工厂的全自动AI运转系统，并取得了超越人工操作的经济高效运转效率（8月10日Preferred Networks新闻发布）。这个全自动AI系统是由ENEOS和PFN共同研发，基于工厂运行多年所积累的经验，适用于大规模且工序复杂的工厂。
ENEOS公司和PFN公司一直在就化学工厂的AI自动控制系统的研究上相互合作，终于在2021年12月成功实现了丁二烯萃取装置为期两天的自动运转。之后，两家公司再接再厉，于2023年1月实现了超越人工操作且经济高效的运转系统。
该自动运转系统能实时监控工厂内包括温度，压力，流量，产品形状等在内的13个对于工厂运转重要的参数，可以同时调节9个阀门以及配备了363个输入感应器，如此可以很好地预测工厂的生产状态从而达到自动控制工厂的目的。
下图显示了工厂自动运转AI系统在运行前后对运转重要的参数（产品特性值）的优秀的控制性能。与人工操作相比，可以看出运转重要的参数的波动幅度较小，阀门开度的变化也更为平稳。可以说自动运转AI系统成功地稳定了整个设备运行中发生的变动，并让工厂实现了比人工操作更加经济高效的运行。 
工厂启用AI自动运转系统管理工厂前后的运转重要参数（如产品性状值）的波动（参见：Preferred Networksニュースリリース）
现在，常压蒸馏装置等其他工厂设备也在谋求使用自动调节最优化的AI系统，ＥＮＥＯＳ也将计划和其他制油工厂合作采用自动调节最优化的AI系统并且向其他公司提供AI系统。
AI预测皮肤致敏性
Sunstar集团独自开发了一款AI，该款AI在评估化学物质接触皮肤后引发过敏的风险测试中（又称致敏性测试），能够预测过敏的发生强度。以往皮肤致敏性是通过动物实验来评估的。然而，近年来出于对动物保护的考虑，人们迫切需要不使用动物的测试方法。这项新开发的AI，可以在不进行动物实验的情况下预测化学物质的皮肤致敏性强度（引用：8月21日PR TIMES）。
AI在化学行业的应用是来自制造口腔护理用品和日用品的Sunstar公司。在化妆品开发界中，十分重视化学物质接触到皮肤时引发皮肤过敏的风险和皮肤敏化作用。这两项风险以往是通过动物实验进行评估的。但近年来，随着禁止动物实验的呼声在不断推进，所以急需开发不使用动物作为实验对象的皮肤敏化作用评估法。因此，Sunstar构建了一种能够评估皮肤敏化作用的人工智能，并验证了其预测精度。
AI的构建和评价流程(出自：PRTIMES)
动物实验中指示皮肤敏化作用强度的数值为EC3值，该人工智能使用了已知EC3值的195种物质的作为学习、内部验证和外部验证的数据，建立了人工智能模型。AI囊括了一个无论皮肤敏化作用有无都能预测的机器学习模型A，以及针对具有皮肤敏化作用的物质具有高精度预测的模型B。输入数据不仅包括细胞实验结果和分子结构，还包括与类似物质相关的数值。类似物质的数值包括目标物质的EC3值以及相似程度等。 
类似物质的相关数据示意图(出自：PRTIMES)
结果显示，作为预测精度指标的R2值如下：(1)在训练集上为0.995，(2)在验证集上为0.787，(3)在测试集上为0.824。这些数值表明模型具有良好的预测精度。
评估AI预测的准确度(出自：PRTIMES)
通过灵活运用此项AI技术可以指导设计出低致敏性的处方，今后，此AI技术还将进一步走向实用化以及适用范围的明确化，还要经过更多数据的检验。此项研究成功发表于第50届日本毒性学会学术年会。
AI辅助实验条件的筛选
日本Datachemical公司开发的化学领域的AI•机器学习云计算服务器Datachemical LAB于2023年8月17日发布了通用的变量重要性计算功能。(引用：8月22日TECHABLE)
Datachemica公司专注于在化学领域和化学工程领域开展数据科学业务。Datachemical公司推出了化学领域的AI和机器学习云服务——”Datachemical LAB”。该服务在实验条件的统计选择方面提供辅助，并基于获取的数据自动优化20多种算法，从而实现在较少的实验次数下实现高预测精度。
这次更新中，Datachemical公司新增了一个用于确定预测模型中哪些变量对模型的预测结果产生更大影响的“变量重要度计算”新功能。这个新功能使用了CVPFI（Cross-Validated Permutation Feature Importance）的独特算法，这一算法修正了传统的变量重要度计算方法所存在的一些问题，比如只能适用于特定的机器学习模型、在数据较少的情况下难以稳定计算等，CVPFI算法具有通用性，可以在各种情况下进行计算。
在构建预测模型时，CVPFI算法会给出每个变量的重要性。（出自：PRTIMES）
依靠着“变量重要度计算”这个新功能，预测模型的可靠性也得到了大幅提升，今后在各类技术研发中机器学习能够展现出更多的用武之地。
总结和评论
在第一则AI应用新闻中，通过AI实现了工厂的自动运转，运转效率可以超越人工操作，笔者认为这与AI下象棋有异曲同工之妙。但是笔者发现了一个问题: AI控制的自动运转系统控制阀门的方式会与人工手动操作阀门的方式有所不同，这会不会影响零件的磨损程度呢？我想这个问题需要关注。如果长时间依靠AI运转工厂，我还希望能将工厂的维护纳入评价AI系统的标准之一。
在第二则新闻中开发的预测皮肤敏化作用的AI，尽可能减少实验动物的牺牲的同时又不耽误新护肤品的研发。笔者认为管理标准和规制行业组织或国际机构应该积极讨论如何管理人工智能产生的预测值。
第三则新闻中变量的重要度计算在解释得到的预测模型时会很有帮助。模型的准确性固然很重要，但了解到底是哪些变量很重要对理解科学现象也很重要。
本文版权属于 Chem-Station化学空间， 欢迎点击按钮分享，未经许可，谢绝转载.
No comments yet.