Datengetriebene Reaktionsoptimierung in der Prozesschemie

Prozesschemiker stehen zunehmend vor der Aufgabe, robuste und skalierbare Reaktionen in immer kürzer werdenden Zeiträumen zu entwickeln – meist in hochdimensionalen Parameterräumen, in denen Experimente kostspielig sind und Wechselwirkungen nichtlinear verlaufen. Bayesian Optimization (bayessche Optimierung) adressiert dieses Problem mithilfe einer iterativen Methode auf Basis eines probabilistischen Modells und kann die benötigte Anzahl an Experimenten häufig deutlich reduzieren. Zusätzlich kann vorab gesammeltes Wissen aus früheren Kampagnen effizient genutzt werden.

Dieser Artikel beschreibt die zugrunde liegende Methodik sowie praktische Aspekte der Anwendung von Bayesian Optimization und Transfer-Learning-Methoden in der realen Reaktionsoptimierung und Prozessentwicklung. Diese Konzepte werden anhand publizierter Fallstudien veranschaulicht, die eine deutliche Reduktion der erforderlichen Experimente gegenüber konventionellen Optimierungsstrategien zeigen. Abschließend wird erläutert, wie sich diese Methoden in praxisnahe Arbeitsabläufe für Labor- und Prozesschemiker überführen lassen und wie eine Kopplung mit digitalen und automatisierten Laborsystemen ermöglicht, autonome Labore zu ermöglichen.