Black-Box ottimizzazione del processo chimico

La black-box dell'ottimizzazione del processo chimico

Sistemi chimici intelligenti

Relying on decision support per decidere quale esperimento eseguire successivamente

Foto di National Cancer Institute su Unsplash

Introduzione

Progettare e ottimizzare i processi chimici è uno dei compiti principali dell’ingegneria dei processi. Quando si configura un sistema chimico (ad esempio, un’operazione unitaria) con un gran numero di parametri di progettazione, sorge spesso la domanda su come arrivare rapidamente alla progettazione ottimale(i). Se si avesse un modello del sistema, si potrebbe risolvere il problema numericamente, ovvero ottimizzando rispetto a una metrica specifica (ad esempio, resa, proprietà dei materiali, costo, ecc.). Spesso, tuttavia, ciò non è possibile perché le relazioni (cinetiche, fenomeni fisici, ecc.) non sono completamente comprese – o forse nemmeno conosciute. Pertanto, formulare equazioni non è possibile.

In tali casi, l’unica opzione rimasta è trovare una progettazione ottimale mediante modelli empirici alimentati con dati provenienti da esperimenti. Tradizionalmente, ad esempio, si può fare riferimento a superfici di risposta e central composite designs per identificare le condizioni operative ottimali. Queste fanno uso di approssimazioni locali di secondo ordine e di salita/discesa del gradiente per individuare la migliore configurazione.

Tuttavia, questo articolo si concentra su una strategia alternativa, ovvero l’ottimizzazione bayesiana, che è correlata all’apprendimento per rinforzo ed è stata applicata con successo alla progettazione di materiali, reazioni chimiche e farmaci. Offre vantaggi come una maggiore flessibilità dei modelli e l’elaborazione di informazioni multifidelity. Quest’ultima fa riferimento al fatto che dati di qualità mista provenienti da fonti diverse possono essere utilizzati per l’ottimizzazione, ad esempio quando i modelli fisici sono almeno rudimentalmente disponibili.

Definizione del problema

Banditi a braccia multiple

Potreste chiedervi, perché abbiamo bisogno di un altro metodo di ottimizzazione? Risponderò a questa domanda impostando il seguente scenario per voi. Vi trovate di fronte a una macchina a slot con k braccia, ovvero avete k braccia da tirare e ogni braccio i ha una probabilità pᵢ di darvi una ricompensa rᵢ. Evidentemente, il vostro obiettivo sarà massimizzare la vostra ricompensa totale R, ma avete solo un numero finito di tentativi (budget) T. Questo è il cosiddetto…