Optimisation des réactions en fonction des données dans la chimie des procédés

Les équipes de chimie des procédés sont de plus en plus sollicitées pour fournir des réactions robustes et évolutives dans des délais serrés, des contraintes réglementaires, avec des objectifs multiples - souvent dans des espaces de paramètres à haute dimension où les expériences sont coûteuses et les interactions non linéaires. L'optimisation bayésienne aborde ce problème avec un modèle de substitution probabiliste pour guider la sélection des expériences, permettant aux équipes d'apprendre efficacement à partir de données limitées, tandis que les variantes d'apprentissage par transfert permettent de réutiliser les informations des campagnes précédentes dans des chimies apparentées.

Cet article décrit la méthodologie et les considérations pratiques pour l'application de l'optimisation bayésienne et des approches multitâches au développement de processus dans le monde réel, y compris les variables continues/catégorielles mixtes, les contraintes, le bruit et les compromis multi-objectifs. Nous illustrons ces concepts par des études de cas publiées et industrielles qui mettent en évidence une convergence plus rapide et un nombre réduit d'expériences par rapport aux stratégies d'optimisation conventionnelles. Enfin, nous décrivons comment ces méthodes peuvent être opérationnalisées avec des flux de travail accessibles aux chimistes de laboratoire et intégrées aux systèmes de laboratoire numérique, à l'automatisation et à la modélisation cinétique pour permettre une expérimentation évolutive et autonome en boucle fermée.