Recent advances in the digital transformation of crystallization process development and operation: Synergy between model- and AI-driven strategies (Open Access)
Yiming Ma, Xuming Yuan, Ashish Yewale, Brahim Benyahia*
Keywords: Digital design; Crystallization; Data-driven; Machine learning; Process control; Sustainability
DOI: 10.1016/j.partic.2026.01.014
结晶是制药、化工等领域中关键的分离与纯化过程，但其固有的多尺度复杂性（从分子间相互作用到设备尺度的流体力学特性）给工艺开发带来了巨大挑战。近年来，随着计算能力的提升和算法的发展，数据驱动方法在结晶过程研究中受到越来越多的关注，并展现出强大的应用潜力。
本文从数据采集与处理（包括数据获取、增强、验证），不同尺度下实验设计，到建模协同优化等方面，系统梳理了数字化方法在结晶过程全流程中的应用现状与研究进展。面对结晶过程的复杂性，作者提出打破单一建模局限，强调机理模型与数据驱动方法的协同增效。一方面，利用机理模型保障物理一致性与可解释性，另一方面引入机器学习处理高维、非线性、难测量的过程特征。例如，在数据稀缺时通过模型引导的实验设计高效获取信息；在机理不明时用神经网络补偿未建模的动力学行为，在控制环节则用强化学习或混合模型预测控制实现自适应优化。同时，在此基础上，发展可信赖的数字孪生系统，通过虚实交互实现对动态过程的精准监控以及发现工艺流程中的潜在问题。基于数字孪生与人工智能的智能调控，可进一步提升系统的自适应能力，为结晶过程提供更精准的优化路径，实现从分子尺度到工业尺度的全流程优化与控制。
本综述揭示了结晶过程数字化转型的四个趋势，这些趋势正在重新定义其发展范式：（1）数据生态系统超越传统实验，扩展到涵盖合成、增强和实时数据流，以提升预测置信度；（2）采用混合建模方法，将机理原理嵌入数据驱动框架，以确保适应性与物理一致性；（3）过程控制向自适应和不确定性感知系统过渡；（4）日益重视可解释性和不确定性量化，将其作为人工智能驱动系统可信性与合规性的基础。这些趋势标志着从经验性、顺序式工作流程向智能、鲁棒且可靠的结晶系统的转变。
相关研究成果发表于PARTICUOLOGY（Volume 110），欢迎感兴趣的读者扫描下方二维码或者点击文末“阅读原文”进入ScienceDirect官网阅读、下载！
编辑、排版：《颗粒学报》编辑部
文章信息
Ma, Y., Yuan, X., Yewale, A., & Benyahia, B. (2026). Recent advances in the digital transformation of crystallization process development and operation: Synergy between model- and AI-driven strategies. Particuology, 110, 223-253. https://doi.org/10.1016/j.partic.2026.01.014