作者：Ani Marrs-Riggs
人工智能正在改变化学品与材料行业的研发方式，但坚实的数据基础是成功的关键。
尽管如今人工智能对我们生活的几乎每个方面的影响都在被广泛讨论，但化学品与材料行业对此的讨论相对较少。然而，事实是，行业内的许多企业正在积极探索人工智能的多种应用。
根据IBM最近的一项调查，80%的化学品行业高管表示，人工智能将在未来三年对其业务成功至关重要，74%的化学品公司已经开始在研发中实施人工智能。
麦肯锡最近的一篇文章指出，化学品行业中人工智能的潜力尚未被充分挖掘，这源于“行业对科学数据创新的依赖、客户数据的可用性（尽管通常是分散的），以及行业复杂且精细的制造流程。”作者认为，生成式人工智能为数据增添了智能性和完整性，并预计生成式人工智能在能源和材料领域的应用可能创造高达1400亿美元的价值。
数据与信息学
利用所有这些数据并使其准备好用于人工智能部署是挑战的重要部分，而Elsevier正站在这一领域的前沿——通常与组织合作，帮助他们根据FAIR原则（可查找性、可访问性、互操作性和可重用性）组织数据。Elsevier的SciBite帮助可持续技术全球领导者庄信万丰（Johnson Matthey）解决了他们的“非结构化数据问题”，负责该项目的JM团队迫切希望“看到生成式人工智能的应用，使其更加易于访问。”
材料信息学是数据与人工智能的结合，利用机器学习进行发现、设计和优化。信息学的一个关键目标是连接材料科学家和数据科学家的工作。正如IDTechEx的Sam Dale在一篇文章中指出的那样：“如果整合得当，材料信息学将成为一套加速科学家研发过程并利用其专业知识的赋能技术。”
快速行动与创新
人工智能和机器学习有能力加速通常繁琐的分子和材料发现过程，这标志着化学品公司的一大飞跃，通过加快流程，他们将节省大量时间和成本。尽管生成式人工智能并非没有挑战——从需要严格监督以保持其准确性和完整性，到其能源使用对环境造成的负面影响——但一些企业已经在使用它并取得了令人印象深刻的成果。
麦肯锡举了一个北美化学品公司的例子，该公司希望开发一种新涂层，以解决其终端市场应用中的挑战：
“通过使用生成式人工智能，该公司利用外部数据及其专有的研发数据挖掘了材料领域，最终确定了能够提供所需功能的分子。这使得公司从缓慢且昂贵的用户定制周期转变为快速定制周期，成本仅为原来的一小部分。”
另一个值得注意的成功案例是陶氏聚氨酯与微软Azure机器学习的合作，显著加速了陶氏在新聚氨酯配方方面的工作：“团队之前的所有知识、专业知识和关于先前柔性泡沫配方的记录都被输入到机器学习人工智能模型中，”微软的文章解释道。“然后，这些模型能够利用这些知识预测哪些领域可能存在空白，从而提出可能的新型柔性泡沫。原本需要多位专家四到六个月的工作，算法可以在几秒钟内筛选数百万种可能的组合，并提出有潜力的实验领域。”
提升化学品与材料制造的安全性
人工智能还可以提高化学品和材料制造过程的安全性。在制造车间，它可以用于分析传感器和设备生成的数据，以更好地确定何时可能发生故障。有了这些预测信息，组织可以在问题发生之前安排维护，从而提前避免潜在问题。
例如，Surveily是一家利用人工智能进行实时危险检测和预测分析以减少事故的公司。Surveily的软件识别路径障碍、监控工人数量、检测工人安全合规性并监控其他可能的安全隐患，在检测到这些问题时提供警报，以便主动解决问题，而不是被动应对。
寻找更可持续的材料
人工智能能够使流程更快、更安全，这足以让化学品与材料行业的企业认真考虑如何将其应用于研发。然而，更重要的是，人工智能有潜力通过开发更环保的材料和更生态友好的制造流程来推动可持续发展。
当然，地球的健康足以成为优先考虑绿色制造的理由，但总有可能对利润的担忧会阻碍可持续发展的追求。通过加速寻找可持续选项，人工智能可以增加对环境更清洁、更绿色、更健康的化学品、材料和制造流程的发现和采用。
数据基础
尽管许多化学品与材料组织计划利用人工智能，有些已经在使用，但行业范围内的转型真正依赖于良好的数据基础。组织内部数据并能够将其与有价值的外部数据整合是解锁洞察力和解决问题的关键。
Elsevier一直处于这项工作的前沿，通过以下步骤策划高质量的数据集：
数据脚手架——使用内部和外部来源构建数据并填补缺失的空白
数据丰富——基于内部专家知识添加本体细节，使用现有外部本体找到隐藏的链接等
知识图谱——创建文档或术语之间的链接，以发现它们如何连接的洞察力
“我们在构建本体论并将其用于创建成功产品方面有着悠久的历史，”Elsevier的客户与工程全球顾问Chris Cogswell博士在最近一次关于人工智能与知识管理的网络研讨会上表示。“这些是我们可以为您的组织提供的服务，无论是作为数据服务供应商，还是作为您推动创建人工智能数据检索工具的一部分。”