论文摘要的专业术语翻译如下：
通过流动化学加速化学工艺开发依赖于获取可靠的动力学模型。基于模型的设计实验（Model-Based Design of Experiments, MBDoE）已成功应用于流动化学平台，以估计低复杂度模型的反应速率参数。然而，其在涉及计算密集型模型的动态实验中的应用仍然具有挑战性，特别是当实验条件必须实时建议时。代理模型可以近似复杂模型，但往往无法重现原始模型的导数，而导数是作为基于梯度的方法的MBDoE所必需的。本研究调查了在MBDoE框架内使用梯度增强型人工神经网络（Artificial Neural Networks, ANNs）作为参数估计的代理模型。通过整合梯度信息，该代理模型能够重现原始第一性原理模型（First-Principles Models）的局部灵敏度结构，确保预测输出值和参数估计所需的梯度的准确性。一项关于竞争性连续反应的案例研究表明，接受梯度信息训练的人工神经网络可用于参数估计，同时将计算成本降低了约200,000倍。这使得适用于实时应用的顺序MBDoE成为可能。
流动化学技术的自动化是提升化学研发效率的关键方向。通过高通量实验（High-Throughput Experimentation, HTE）和流动化学平台，研究人员能够探索广泛的化学空间并优化反应条件，从而加速数据生成过程。然而，在动态实验条件下，特别是需要实时提出实验建议的场景中，应用基于模型的设计实验（Model-Based Design of Experiments, MBDoE）进行参数估计面临巨大挑战。主要瓶颈在于第一性原理模型（First-Principles Models）的计算密集型特性，导致基于梯度的优化过程过于耗时，限制了其在自动化闭环系统中的实时部署。为解决这一问题，研究人员开展了利用梯度增强型人工神经网络（Gradient-Enhanced Artificial Neural Networks, ANNs）作为代理模型的研究，旨在通过机器学习方法近似复杂动力学模型及其灵敏度，从而实现高效的实时参数估计。该研究发表在《Digital Discovery》期刊上。
研究人员主要采用了梯度增强型神经网络（Sobolev-trained neural networks）作为核心技术方法。利用PyTorch库中的自动微分（Automatic Differentiation, AD）技术，在训练过程中不仅最小化模型输出误差，还最小化输出关于模型参数的梯度误差。通过拉丁超立方采样（Latin Hypercube Sampling, LHS）生成包含稳态和瞬态条件的训练数据集，并结合D-最优性准则（D-optimality criterion）进行序贯实验设计，以最大化费雪信息矩阵（Fisher Information Matrix, FIM）的行列式。研究中涉及的样本队列来源包括基于第一性原理模型生成的计算机模拟数据（in silico experiments），具体案例为管式微反应器中L-酪氨酸碘化反应产生的瞬态流出曲线数据。
在研究结果部分，研究人员首先通过一阶反应（A → B）的示例验证了梯度增强型ANN的有效性。研究得出，与仅使用输出值训练的标准ANN相比，引入梯度信息显著提高了模型对转化率及其对速率常数灵敏度的预测精度，特别是在操作范围的边界区域，标准ANN在此类区域通常表现较差。此外，梯度增强型训练避免了产生违背物理意义的正梯度预测。其次，在竞争性连续反应（L-酪氨酸碘化）的案例分析中，研究人员对比了标准ANN、仅优化输出的标准ANN以及梯度增强型ANN在MBDoE框架中的表现。结果表明，梯度增强型ANN能够更准确地重现第一性原理模型的局部灵敏度结构。在低噪声条件下，梯度增强型ANN的覆盖率（Coverage Probability）达到60%，而标准ANN仅为4%-7%，且标准ANN往往无法收敛至真实参数值，存在系统性偏差。梯度增强型ANN则能更可靠地收敛至真实参数。最后，计算成本评估显示，梯度增强型ANN在敏感性矩阵计算上的耗时仅为0.005秒，相比第一性原理模型的970秒，计算成本降低了约200,000倍，使得实时序贯实验设计成为可能。
在讨论部分，研究人员指出，准确的梯度重现对于确保MBDoE中参数估计的可靠性至关重要。标准ANN虽然在输出预测上表现良好，但其对灵敏度的近似误差会导致实验设计算法在代理模型不可靠的区域（如边界）选择实验，形成偏差反馈循环。梯度增强型ANN通过保留局部灵敏度结构，有效解决了这一问题。尽管覆盖率未达到名义上的95%，但这部分归因于在小样本量下FIM近似的不确定性局限。研究结论部分总结如下：梯度增强型神经网络通过整合导数信息，能够以极高的效率替代计算密集型的第一性原理模型，用于流动化学自动化平台中的实时参数估计。该方法显著降低了计算成本，提高了参数估计的鲁棒性和准确性，为构建全自动化、自我驱动的流动化学实验平台提供了可行的技术框架。未来工作需在实际自动化平台上进行验证，并探索处理高维参数空间的方法。
