Optimización de reacciones basada en datos en química de procesos

A los equipos de química de procesos se les pide cada vez más que produzcan reacciones robustas y escalables en plazos ajustados, con restricciones normativas y múltiples objetivos, a menudo en espacios de parámetros de alta dimensión en los que los experimentos son costosos y las interacciones no lineales. La optimización bayesiana aborda este problema con un modelo sustitutivo probabilístico para guiar la selección de experimentos, lo que permite a los equipos aprender eficazmente a partir de datos limitados, mientras que las variantes de aprendizaje por transferencia hacen posible reutilizar la información de campañas anteriores en químicas relacionadas.

Este artículo esboza la metodología y las consideraciones prácticas para aplicar la optimización bayesiana y los enfoques multitarea al desarrollo de procesos en el mundo real, incluyendo variables mixtas continuas/categóricas, restricciones, ruido y compensaciones multiobjetivo. Ilustramos estos conceptos con estudios de casos publicados e industriales que destacan una convergencia más rápida y un menor número de experimentos en comparación con las estrategias de optimización convencionales. Por último, describimos cómo pueden ponerse en práctica estos métodos con flujos de trabajo accesibles a los químicos de laboratorio e integrados con sistemas de laboratorio digital, automatización y modelado cinético para permitir una experimentación escalable y autodirigida en bucle cerrado.