AutoChemSchematic AI：面向化学制造放大的物理感知智能体自动化
机器学习
2025-08-19 v3 人工智能
信息检索
摘要
生成式 AI 的最新进展加速了新型化学品和材料的发现。然而，由于合成鸿沟——即需要开发全新的制造工艺，将这些发现放大到工业生产仍然是一个主要瓶颈。这一挑战需要详细的工程蓝图：用于设备布局和物料/能量流的 PFD，以及用于工艺工厂运行的 PID。当前的 AI 系统尚无法可靠地生成这些关键工程示意图，这为新型发现的制造放大构成了根本障碍。我们提出了一个闭环的物理感知框架，用于自动生成工业上可行的 PFD 和 PID。该框架集成了三个关键组件：(1) 为自动生成 PFD 和 PID 而训练的领域专用小语言模型(SLMs)；(2) 包含 1,020 余种化学品的工艺流和仪表描述的分层知识图谱，用于图检索增强生成(GRAG)；(3) 一个开源化工过程模拟器，用于对新型化工过程进行建模、仿真、优化和分析。SLMs 通过在合成数据集上的多阶段流水线进行训练，并通过模拟器在环验证以确保可行性。为了提高计算效率，该框架实施了由重要性启发式引导的结构剪枝(宽度和深度)，以在保持准确率的同时减小语言模型规模，随后进行了高级推理优化，包括 FlashAttention、Lookahead Decoding、带有 KV-cache 量化的 PagedAttention 以及测试时推理缩放。实验结果表明，我们的框架能够以高保真度生成经模拟器验证的工艺描述。
引用
@article{arxiv.2505.24584,
title = {AutoChemSchematic AI: Agentic Physics-Aware Automation for Chemical Manufacturing Scale-Up},
author = {Sakhinana Sagar Srinivas and Shivam Gupta and Venkataramana Runkana},
journal= {arXiv preprint arXiv:2505.24584},
year = {2025}
}