Istraživači hemijskog inženjerstva imaju na raspolaganju moćan novi alat: aktivno mašinsko učenje. U nedavnom perspektivnom članku objavljenom u Inženjeringu, istraživački tim Kevina M. Van Geema na Univerzitetu u Gentu istražuje potencijal aktivnog mašinskog učenja u revoluciji u oblasti hemijskog inženjerstva. Kombinovanjem mašinskog učenja sa dizajnom eksperimenata, aktivno mašinsko učenje obećava da će poboljšati efikasnost i isplativost istraživanja, obuhvatajući sve skale dužine hemijskog inženjerstva.
Algoritmi aktivnog mašinskog učenja nude veću fleksibilnost i superiorne performanse u poređenju sa tradicionalnim dizajnom eksperimentalnih algoritama. Međutim, uprkos njihovom potencijalu, primene aktivnog mašinskog učenja u hemijskom inženjerstvu su i dalje ograničene. Članak identifikuje tri ključna izazova koji ometaju njegovo široko usvajanje: ubeđivanje eksperimentalnih istraživača, obezbeđivanje fleksibilnosti u kreiranju podataka i povećanje robusnosti algoritama aktivnog mašinskog učenja.
Istraživanje koje je sproveo Van Geemov tim ističe širok spektar aktivnih aplikacija mašinskog učenja u hemijskom inženjerstvu. Ipak, članak naglašava potrebu popularizacije aktivnog mašinskog učenja među eksperimentalnim istraživačima i prevazilaženja postojećih barijera. Za rešavanje ovih izazova, članak predlaže saradnju između stručnjaka za mašinsko učenje i hemijskih inženjera.
Saradnja ne bi samo podigla svest o aktivnom mašinskom učenju, već bi takođe olakšala prilagođavanje i optimizaciju algoritama zasnovanih na specifičnim eksperimentalnim jedinicama i procedurama.
Prevazilaženje barijere suboptimalne početne eksperimentalne selekcije, predlaže se integracija transfernog učenja i aktivnog učenja sa modelima više vernosti. Štaviše, članak naglašava važnost prilagođavanja opštih algoritama aktivnog mašinskog učenja kako bi se zadovoljila ograničenja različitih podešavanja, čime se proširuje domen primene aktivnog mašinskog učenja.
Aktivno mašinsko učenje ima potencijal da revolucioniše različite aspekte istraživanja hemijskog inženjerstva, od dizajna molekula i katalizatora do dizajna reakcija i reaktora. Međutim, da bi se otključao njegov puni potencijal, ključno je premostiti jaz između stručnjaka za mašinsko učenje i hemijskih inženjera. Na taj način ne samo da se mogu fino podesiti aktivni algoritmi mašinskog učenja, već se mogu poboljšati i performanse ovih algoritama.
Članak se završava naglašavanjem značaja harmonizacije sintetizabilnosti i kreativnosti u aktivnom mašinskom učenju. Obećavajuća otkrića u ovoj oblasti omogućiće hemijskim inženjerima da iskoriste aktivno mašinsko učenje kao suštinski alat, omogućavajući autonomna i efikasna naučna otkrića. Na kraju, ovo će doprineti održivijoj hemijskoj industriji u budućnosti.
Nan Zhang, urednik predmeta hemijsko, metalurško i inženjerstvo materijala u Inženjerstvu , prokomentarisao je: „Kako aktivno mašinsko učenje nastavlja da sazreva, budućnost hemijskih inženjera izgleda svetla. Povećanje automatizacije i razvoj efikasnijih algoritama će utrti put za nova otkrića i napredak u ovoj oblasti. Uz bolju saradnju i šire usvajanje, aktivno mašinsko učenje je spremno da postane pouzdano sredstvo u kompletu alata hemijskih inženjera.“
