通过机器学习和自动化高吞吐量实验推进稀土 (4F) 和动氨酸 (5F) 分离
Logan J Augustine1, Yufei Wang2, Sara L Adelman2
1Theoretical Division, Los Alamos National Lab, Los Alamos, New Mexico 87545, United States.
ACS sustainable chemistry & engineering
|November 15, 2024
概括
这项研究引入了一种结合人工智能和机器人的新方法,以优化液体液体提取. 这种方法显著加快了改进的分离条件的发现,减少了实验的努力和成本,特别是放射性材料.
科学领域:
- 应用化学应用化学
- 化学工程是化学工程的重要组成部分.
- 核化学 核化学 核化学
背景情况:
- 传统的分离技术需要进行广泛的实验探索以优化.
- 开发可持续和高效的替代品,以经典的方法,如液体液体提取至关重要.
- 庞大的实验空间使得确定最佳条件变得具有挑战性.
研究的目的:
- 通过人工智能和机器人技术加速液体液体提取的优化.
- 为了证明一种更有效,更可持续的化学分离方法.
- 为了减少在优化分离过程中的实验力度和成本.
主要方法:
- 贝叶斯优化与高通量机器人实验的整合.
- 在液体液体提取 (Th4+) 的应用.
- 由人工智能指导的实验参数的系统探索.
主要成果:
- 通过减少努力实现了优化的实验条件 (估计减少了74%).
- 在113个独特条件下进行了339次分布比测量.
- 与传统方法相比,证明了加速发现和优化.
结论:
- 人工智能驱动的机器人系统显著提高了分离过程优化的效率.
- 这种方法可以节省大量的时间和成本,特别是在危险材料方面.
- 该方法提高了可持续性,并最大限度地减少了人类在化学分离中的暴露.
