眾所周知，機器學習算法可以擁有預測股市波動，控制復雜的制造過程，實現機器人和無人駕駛車輛的導航等能力。

近期，紐約大學Tandon工程學院的研究人員正在利用人工智能領域的一系列新功能，將人工神經網絡與紅外熱成像技術相結合，以精確和速度控制和解釋化學反應，遠遠超過傳統方法。更具創新性的事實是，這種技術是在新型微反應器上開發和測試的，這種微反應器允許化學發現快速進行，并且比標準大規模反應的環境浪費少得多。

“該系統可以將某些化學制造過程的決策過程從一年縮短到幾周，從而節省了大量的化學廢物和能源，”紐約大學化學與生物分子工程助理教授Ryan Hartman說。 Tandon和一篇論文的主要作者，詳細介紹了計算機與化學工程期刊中的方法。

去年，Hartman推出了一種新型的微型化學反應器，它將傳統上在大批量反應器中進行的反應與高達100升的化學物質一起使用，僅使用微升的液體 - 幾滴小滴。這些微流體反應器可用于分析制造或發現化合物的催化劑以及研究藥物開發中的相互作用，并且它們有望減少浪費，加速創新并提高化學研究的安全性。

Hartman和他的團隊通過將它們與另外兩種技術配對來增加這些反應堆的效用：紅外熱成像技術，一種捕獲顯示化學反應過程中熱量變化的熱圖的成像技術，以及監督機器學習，一種人工智能學科，其中算法學習基于控制實驗的研究人員選擇的輸入來解釋數據。

它們配對在一起，使研究人員能夠捕獲化學反應過程中熱能的變化 - 如熱圖像上的顏色變化所示 - 并快速解釋這些變化。由于紅外熱成像的非接觸性質，該技術甚至可以用于在極端溫度或極端條件下操作的反應，例如需要無菌場的生物反應器。

研究團隊是第一個培訓人工神經網絡來控制和解釋熱電冷卻微流體裝置的紅外熱圖像的研究團隊。對創新和可持續性的潛在影響是巨大的。例如，大型化學公司可能會在開發新聚合物時篩選數百種催化劑，每次反應可能需要100多升化學品，24小時或更長時間。使用當前的實驗室工藝篩選多個催化劑可能需要一年的時間。使用Hartman的方法，整個過程可以在幾周內完成，浪費和能源使用量會少得多。哈特曼估計，在大規模化學測試中，用于控制煙霧的單一工業罩每年使用的能源與美國普通家庭一樣多。