Заменить опытного химика искусственным интеллектом на химическом производстве невозможно. Но создать виртуального агента-помощника, который бы не просто делал прогнозы, но самостоятельно генерировал гипотезы для проверки и реализации, вполне реально. ИХТЦ совместно с коллегами из ТГУ реализует амбициозный пилотный проект химической цифровизации на реальном малотоннажном производстве.
От прогнозов к принятию решений
Сейчас исследования на стыке искусственного интеллекта и химии переживают взрывной рост. Ежегодно выходит порядка 10–20 тыс. публикаций в научных и специализированных журналах на эту тему. Если раньше в основном речь шла о реактивном, прогностическом ИИ (дизайн молекул, виртуальный скрининг, предсказание реакций и синтеза, метаанализ данных, открытие новых материалов), то в последнее время реализуются проекты с проактивным ИИ в виде автономных виртуальных сотрудников и роботизированных лабораторий.
Алгоритмы способны предлагать молекулы и новые материалы, предсказывать реакции с беспрецедентной скоростью. Но все это на бумаге (или in silico с компьютерной симуляцией эксперимента). И этого, очевидно, недостаточно. Все эти прогнозы нужно проверять «вручную». И, чтобы модель ИИ обучалась, необходимо загружать результаты проверок обратно, делать это в промышленно значимых масштабах. Для этого требуются воспроизводимые и быстрые эксперименты.
Такие проекты, где роботы генерируют воспроизводимые наборы данных и питают системы машинного обучения в постоянном цикле обратной связи, управляя следующей итерацией, уже реализуются. Химики по-прежнему контролируют ситуацию, но повторяющаяся точная работа становится все более автоматизированной.
Например, немецкая компания Dunia, основанная в 2022 г., разработала IRIS, первую в Европе коммерческую беспилотную лабораторию для поиска материалов. Платформа сочетает в себе машинное обучение с модульной химической робототехникой для тестирования катализаторов и электрохимических систем. Пропускную способность IRIS оценивают в сотню химиков (как мощность двигателей в лошадиных силах).
Химическая компания Celanese вместе с поставщиками технических решений Radix и Cognite запустила для своих производств платформу JO для унифицированного управления всеми данными. Это как раз пример агентного ИИ. Операторы, технические специалисты и менеджеры общаются с интерфейсом на обычном языке, как с коллегой. Платформа оптимизирует рабочую нагрузку оборудования, помогает с проверками, техническим обслуживанием. Сейчас у нее порядка 40 сценариев применения.
Для ИИ в лабораториях и на реальном химическом производстве существуют свои ограничения: безопасность, нормативная база, качество и разрозненность данных, устаревшая инфраструктура. Здесь человеческий надзор не может быть исключен по определению. Но перспективы агентного ИИ для помощи в принятии более точных и оперативных решений огромны.
Кстати, в октябре ФРС США опубликовало отчет об уровне развития компетенций, связанных с ИИ в развитых экономиках. За 12 лет США вложили почти 500 млрд долларов в развитие AI-технологий, Китай ― четверть триллиона. Причем, если в Штатах это частные инвестиции, то половину денег в КНР вложили государственные фонды. Показателен также график уровня проникновения ИИ в промышленность (на уровне использования сотрудниками). Почти ⅔ работников в 6 странах прошли дополнительное обучение для использования ИИ.
Проект ИХТЦ и ТГУ в области ИИ
С сентября 2025 года при участии Лаборатории искусственного интеллекта в химии и материаловедении при Томском государственном университете ИХТЦ реализует проект по внедрению системы искусственного интеллекта на реальном производстве в малотоннажной химии. В рамках проекта создается роботизированная установка синтеза тартрата натрия, цифровая надстройка которой станет нейросетевым аппаратчиком, наподобие автопилота в современной китайской машине.
Концептуально проект имеет четыре уровня:
- Экспериментальная установка, «железо» (реактора, приемники, теплообменники и т. д.).
- Система управления КИПиА (датчики, термопары, аналитические приборы и т. д.).
- Программно-аппаратный комплекс SCADA, система диспетчерского контроля и сбора данных.
- Надстройка на базе искусственного интеллекта.
Экспериментальная установка собирается на Химическом факультете ТГУ, а цифровая часть в настоящее время тестируется в ИХТЦ.
«Мы не можем прийти на завод и презентовать свою систему ИИ, ради которой нужно менять все датчики. Она должна изначально учитывать аппаратные возможности, которые есть на реальных производствах. То есть подключиться к действующим системам SCADA, MES и прочим инструментам анализа и управления экономикой предприятия. Сама стадия «сращивания» ИИ и установки должна произойти на условиях и правилах, существующих сейчас в промышленности».
Дмитрий Решетников, руководитель проекта, начальник отдела предпроектной подготовки ИХТЦ
Даже прогностическая модель на основе статистического анализа реальных экспериментальных данных ― это уже неплохой уровень. Следующий уровень реализации ― «цифровые двойники», и такие решения становятся все более популярны. В том числе это подтверждает рост заказов на математическое моделирование производственных процессов в ИХТЦ. В текущем проекте планируется добавить обратную связь к установке. Система будет не только обучаться на имеющихся данных, но и будет иметь возможность прогнозировать и выдавать рекомендации.
Полностью автоматизированные установки в химическом производстве невозможны. Это связано с ограничениями в действующем нормативном законодательстве ― техникой безопасности. Но в ряде ситуаций такие установки могут быть крайне полезными: мы работаем с разными средами, часть из которых являются высокоопасными. Дистанционные системы управления все равно будут обладать определенным временным лагом для принятия решений. ИИ сможет управлять установкой, но в качестве базового принципа в ИХТЦ закладывают, что первым целевым указанием должно быть решение человека.
Технической «начинкой» для надстройки установки с искусственным интеллектом будут так называемые физически информированные нейросети или PINN-модели. От привычных нам «развлекательных» нейросетей, которые генерируют изображения, видео и отвечают на вопросы пользователей, PINN в самой своей структуре учитывают модель реального мира, то есть согласуются с физическими законами.
Тем временем китайские физики уже сконструировали ИИ-модель PhyE2E, которая способна самостоятельно выводить физические законы из сырых данных.
ИХТЦ обладает обширными компетенциями в области классического математического моделирования. Данные из архивов, из базы SCADA станут первоосновой для подготовки модели. То есть физический базис объединяется со статистическим. Дальше по мере работы и накопления собственных данных, часть их система будет выводить в собственный подархив, а на его основе проводиться калибровка. Ведь условия работы установки со временем меняются: теплообменники могут забиваться, ухудшаться теплопроводность, катализаторы могут терять свою активность. Поэтому потребуется корректировка коэффициентов, что позволит системе оставаться всегда максимально точной.
«На первом этапе все это будет работать как предсказательная модель. Экспертная система должна следить за тем, чтобы параметры, в том числе прогнозные, не выходили за пределы регламентных норм и требований техники безопасности. Если экспертная система видит или прогнозирует нарушения, она будет выводить соответствующие указания, рекомендации по корректировке для оператора. Так должен работать хороший, качественный цифровой двойник. В перспективе система будет планировать изменение режима процесса для поддержания параметров и начать работать в режиме автопилота».
Дмитрий Решетников, руководитель проекта, начальник отдела предпроектной подготовки ИХТЦ