化学工程师依靠模型进行工程设计、研究和日常决策制定，因为这些工作通常会伴有较大的财务和安全方面的风险。数十年来，将人工智能和化学工程进行有机结合用于建模的努力仍未满足预期效果。在过去的五年中，数据和计算资源的可获性不断提高，使基于机器学习的研究再度兴起。研究者最近努力为化学应用和新的机器学习框架开发大型数据库、基准测试集和表征，这些努力促进了机器学习技术在研究领域的推广。与传统建模技术相比，机器学习具有显著的优势，包括灵活性、精度和执行速度。但有利也有弊，比如机器学习中黑盒模型就缺乏可解释性。其最大的机遇包括在时间有限的应用场合中使用机器学习，比如需要高精度的实时优化和规划技术，并且可以建立具有自学习能力的模型去识别模式，从数据中学习，并随着时间的推移变得更加智能。然而，现在人工智能研究最大的挑战是不恰当的使用，因为大多数化学工程师只在计算机科学和数据分析方面受到有限的培训。尽管如此，机器学习肯定也会成为化学工程师建模工具箱中值得信赖的基础工具。
随着工业4.0 和智能制造等概念和系统的普及，传统制造业将见证向新模式的转型，以更好地响应用户的需求并实现安全、高效、智能化的操作。在此背景下，本文聚焦于信息物理生产系统（CPPS）的概念，从整体上阐述了CPPS在这一产业转型中的三个关键驱动作用，即数据驱动的生产系统、分布式的智能制造和保证数据安全的集成区块链技术。通过这三个方面的具体技术和系统实现，基于数据驱动的建模和优化，智能信息物理系统将助力流程工业和制造业转型。同时，分布式的智能制造可以更高效地实现产业升级和低碳化发展。区块链技术可以进一步确保数据共享的可靠性和安全性，实现跨子系统的整合。本文详细分析了最近发表的文献研究和行业相关案例支持，并对现有挑战和发展方向进行了总结展望。
基于对流程工业特点和运行现状的分析，以及全球智能制造产业的发展，本文提出了一种流程工业智能制造新模式，即工业人工智能、工业互联网与流程工业的深度融合。本文分析了流程工业现有的由企业资源规划、制造执行系统和过程控制系统组成的三层结构的发展现状，并对流程工业所采用的决策、控制和运行管理进行了总结。在此基础上，阐述了流程工业智能制造的含义，提出了人机合作的智能优化决策系统和智能自主控制系统的愿景。最后，分析了实现流程工业愿景功能所需要攻克的科学挑战和关键技术。
世界人口的不断增长要求加工业以更高效和更可持续的方式生产食品、燃料、化学品和消费品。功能性过程材料是这一挑战的核心。传统上，人们根据经验或者通过反复试验的方法来发现新型先进材料。随着理论方法和相关工具的不断改进和计算机能力的提高，现在流行使用计算方法来指导材料选择和设计，这种方法也非常有效。由于材料选择与材料使用的过程操作之间存在很强的相互作用，必须同时进行材料设计和过程设计。尽管有这种重要联系，但由于通常需要使用不同规模的多个模型，材料和过程的集成设计并不容易。混合建模为解决此类复杂的设计问题提供了一个有前景的选择。在混合建模中，用数据驱动模型描述原本计算成本高昂的材料特性，而用机理模型表示众所周知的过程相关原理。本文重点介绍了混合建模在多尺度材料和过程设计中的重要性。首先介绍通用设计方法，然后选择了六个重要的应用领域：四个来自化学工程领域，两个来自能源系统工程领域。对于选定的每个领域，讨论了使用混合建模进行多尺度材料和过程设计的最新研究。最后，本文给出了结论，指出当前研究的局限性和未来的发展空间。
由于人们对气候变化和环境保护的日益关注，智慧发电已成为常规火力发电厂和可再生能源系统经济安全运行的关键。面对日益增长的系统规模及其各种不确定性，传统的基于模型的第一定律方法已难以满足系统控制的要求。机器学习（ML）和数据驱动控制（DDC）技术的蓬勃发展为这些传统方法提供了一种替代方案。本文回顾了机器学习和数据驱动控制技术在发电系统监测、控制、优化和故障检测方面的典型应用，特别着重于揭示这些方法在评价、消除或耐受相关不确定性影响方面的作用。本文为智慧发电控制技术提供了一个从调节层到规划层的总体视角，分别从可见性、机动性、灵活性、经济性和安全性（简称'五性'）方面对机器学习和数据驱动控制技术的优势进行阐释。最后，对未来研究和应用进行了展望。
本文通过将对象跟踪形式化为序列决策过程，使控制理论与计算机视觉实现同步。强化学习（RL）智能体成功跟踪了两种液体之间的界面，这通常是化学、石化、冶金和石油行业中跟踪的关键变量。该方法使用少于100 张图像来创建环境，智能体无需专家知识即可从中生成自己的数据。与依赖大量参数的监督学习（SL）方法不同，这种方法需要的参数少得多，这自然降低了维护成本。除了经济性外，该智能体还对环境不确定性（如遮挡、强度变化和过度噪声）具有鲁棒性。在闭环控制情境下，基于界面位置的偏差被选作训练阶段的优化目标。该方法展示了RL方法在油砂行业中的实时对象跟踪应用。本文除了介绍界面跟踪问题外，还详细回顾了最有效的RL方法之一——actor-critic策略。
由于数据驱动的过程监测方法具有普遍性，且不依赖反应机理，其已经成为复杂工业系统过程监测的主流。然而，大多数数据驱动的过程监测方法均假设历史训练数据和在线测试数据遵循相同的分布。事实上，由于工业系统恶劣的环境，从实际工业过程中收集的数据总是受到许多因素的影响，如多变的操作环境、原材料的变化和生产指标的修改。这些因素通常会使在线监测数据和历史训练数据分布不同，从而导致过程监测任务中的模型失配。因此，当将从训练数据中学习的模型应用于实际的在线监测时，很难实现精确的过程监测。为了解决操作环境变化导致的历史训练数据和在线测试数据之间的分布差异问题，提出了一种鲁棒的迁移字典学习（RTDL）算法用于工业过程监测。RTDL是表示学习和域自适应迁移学习的协同方法。该方法将历史训练数据和在线测试数据分别作为迁移学习问题的源域和目标域。然后将最大均值差异正则化和线性判别分析正则化引入字典学习框架，可以减少源域和目标域之间的分布差异。这样，即使源域和目标域的特征在实际变化的操作环境的干扰下明显不同，仍可以学习鲁棒的字典。这样的字典可以有效地提高过程监测和模态识别的性能。通过数值仿真和两个工业系统的实验验证了该方法的有效性和优越性。
工业过程多目标优化研究因算法和设备的不完善，已经大幅限制了工业过程的智能化发展。为了提升流程工业过程的操作水平，本文提出了一种基于云服务平台和分布式系统的混合智能优化框架。在这个智能优化系统中，工业实时数据首先暂存于本地服务器，经过清洗整理后上传至云数据库中；然后在可拓展的云平台上部署分布式系统用于运行智能优化算法；最后将基于深度学习和进化算法的多目标混合优化算法打包上传至云计算平台。通过将多目标优化服务运行于数字孪生云上工厂，钢铁厂高炉铁水产量增加了83.91 t·d﹣1，焦炭比降低了13.50 kg·t﹣1，硅含量平均降低了0.047%。
槽电压是广泛使用且可在线测量的铝电解槽信号，多种电解槽槽况分析和控制用参数由槽电压计算得到。槽电压频域分段是设计获取这些参数的数字滤波器通带的依据。在对槽电压定性分析的基础上，本文提出子带瞬时能量谱（sub-band Instantaneous energy spectrum, SIEP），并用其对多种槽况下槽电压的频域特性进行定量表示，最终给出了槽电压槽况敏感频域分段方法。该频域分段方法将槽电压有效频段划分为低频信号区[0, 0.001] Hz和低频噪声区[0.001, 0.050] Hz；将低频噪声区再细分为[0.001, 0.010] Hz的铝液异常波动频段和[0.01, 0.05] Hz 的次低频噪声频段。与基于经验模态分解的瞬时能量谱比较，SIEP能更精细地表示槽电压有效频段内任意频段的能量随时间变化规律。该槽电压频域分段方法对槽况更敏感，可更细致地获取在线槽况信息，为工业电解槽槽况监测和控制决策提供更可靠、准确的在线依据。
中药方剂化学组成高度复杂，其药理作用具有多成分、多靶点的特点，使得阐明其生物活性化合物极具挑战性。茵陈蒿汤被广泛用于治疗黄疸相关疾病。尽管近年来茵陈蒿汤的药效及活性成分被不断证实，但仍然缺乏对其效应成分、效应机制和功能靶点的深入系统分析，尤其是临床研究方面。本研究建立了一个整合临床和动物实验平台用于发现茵陈蒿汤的活性化合物和潜在靶点。首先采用基于超高效液相色谱-四极杆飞行时间质谱（UPLC-Q-ToF-MS）技术的代谢组学方法结合中药血清药物化学方法揭示茵陈蒿汤的血清代谢谱和化学成分谱。此外，通过网络药理学和智能途径分析平台构建化合物-靶标-通路关联网络。最终发现茵陈蒿汤中8 个活性小分子与5 个核心靶点极度相关，并通过酶联免疫吸附测定实验进行生物学验证。结果表明茵陈蒿汤通过靶向胆固醇7α-羟化酶（CYP7A1）、多药耐药相关蛋白2（ABCC2）、多药耐药相关蛋白3（ABCC3）、尿苷二磷酸葡萄糖醛酸基转移酶1A1（UGT1A1）和法尼醇X受体（FXR）来调节包括初级胆汁酸生物合成、卟啉和叶绿素代谢以及胆汁分泌在内的代谢通路，从而发挥利胆退黄的作用。该整合策略可以成功地用于中药方剂活性小分子及其作用靶点的发现。
开发高电流密度条件下的高性能析氧反应（OER）电催化剂，对于碱性电解水未来清洁能源的商业应用非常重要。鉴于此，我们通过将泡沫镍（NF）浸入Fe(NO3)3溶液，在泡沫镍基底上原位制备了三维（3D）双金属羟基氧化物杂化物（NiFeOOH/NF）。在这种独特的3D结构中，NiFeOOH/NF 杂化物由均匀生长在NF表面的晶态Ni(OH)2和无定形FeOOH物种组成。作为双金属羟基氧化物电催化剂，NiFeOOH/NF杂化物表现出优异的电催化OER活性，其性能不仅超过被报道的其他Ni-Fe 基电催化剂，而且超过商业Ir/C 催化剂。拉曼光谱结果表明，NiFeOOH/NF 杂化物在电催化OER过程中产生的FeOOH和NiOOH物种，被认为是实际的催化活性相。得益于Fe 和Ni 催化位点的协同作用，在严苛的80 ℃、10.0 mol·L﹣1 KOH电解液的工业测试条件下，NiFeOOH/NF杂化物表现出了优异的电催化OER性能，仅需1.47 V和1.51 V的应用电势就能分别达到100 mA·cm﹣2和500 mA·cm﹣2的高催化电流密度。
自动驾驶汽车的快速发展给现有交通出行方式带来了全新面貌和潜在挑战。目前，L3 级及以下驾驶辅助系统已经量产，L4 级在特定场景下的一些应用也逐步开发，通过逐渐提高车辆的自动化、智能化程度来不断向完全自动驾驶发展。然而，针对L5 级自动驾驶汽车的发展思路始终未明确，而现有针对L0~L4级自动驾驶发展过程的研发方式主要基于任务驱动来进行特定场景下的功能开发，难以揭示高等级自动驾驶汽车所需解决问题的本质逻辑和物理机制，进而阻碍了迈向L5 级自动驾驶的途径。本文通过探索高等级自动驾驶系统背后的物理机制，并从驾驶的本质出发，采用推理演绎方式，提出'大脑-小脑-器官'协调平衡框架，基于'乌鸦推理+鹦鹉学舌'的混合模式，探索'自主学习+先验知识'的研究范式，实现自动驾驶汽车'自学习、自适应、自超越'特性。从系统、统一、均衡的角度出发，基于最小作用量原理和统一安全场思想，旨在为高等级自动驾驶汽车，尤其是L5 级自动驾驶的研发提供一种全新的研发思路与有效途径。
麦瘟病由稻瘟菌小麦致病型（MoT）引起，是一种存在于南美洲和孟加拉国的毁灭性病害。由于MoT通常不会在抽穗期之前使小麦显现染病症状，但在抽穗期其侵染会一直加剧，因此仅根据肉眼观察来使用杀菌剂是无效的。为了开发一种在苗期和营养期准确、灵敏检测MoT以控制病害蔓延的方法，我们对来自巴西的两个MoT分离株的基因组进行了测序，并确定了两个DNA片段：MoT-6098 和MoT-6099，它们存在于麦瘟病菌（MoT）基因组中，但不存在于感染稻瘟病菌（MoO）的水稻基因组中。利用聚合酶链反应（PCR），我们在来自南美洲和孟加拉国的53 株MoT和MoO分离株中证实了这两对标记引物的特异性。为了测试这两对标记引物的有效性，我们首先建立了一种环介导等温扩增（LAMP）方法。在等温条件下，这种方法在不使用常规PCR仪器的情况下也能检测MoT。随后，我们使用Cas12a 蛋白及导向RNA（gRNA）靶向MoT-6098 和MoT-6099 序列，两个靶标被识别后，均能激活Cas12a 非特异切割单链脱氧核糖核酸酶（ssDNAase）的活性，我们将依赖靶向Cas12a 激活ssDNase 活性，同时将重组酶聚合酶扩增（RPA）和核酸侧流免疫分析法（NALFIA）相结合，开发出一种准确、灵敏且经济高效地检测受感染小麦植株中MoT特异性DNA序列的方法。这种新技术可应用于田间麦瘟病和其他重要植物病害的快速检测。
如何平衡经济发展与环境保护之间的关系并实现可持续，一直以来是全球备受关注的热门话题，也是突出难题。近年来，我国把生态文明建设摆在全局工作的突出位置，持续推动高质量和绿色低碳发展，特别是自改革开放以来由快速工业化和城镇化带来的环境污染问题开始得以遏制并显著好转。2020年6月10日，我国公布了《第二次全国污染源普查》调查报告，其为生态文明建设成效提供了强有力的定量化评价依据。通过对比第一次和第二次全国污染源普查结果，可知在维持经济总量稳定增长的同时，各类污染物的排放总量正在持续下降且趋势明显。显然，我国新时代绿色发展和生态文明建设策略成效显著，可为其他国家和地区可持续发展道路提供参考。