决策导向主动学习：用AI加速关键材料回收工艺研发

从实验室到工业规模：关键材料回收面临的核心挑战

关键材料——尤其是稀土元素——是新能源汽车、风力发电机和高性能电子产品不可或缺的原料。然而，如何从废旧材料（如报废的钕铁硼永磁体）中高效回收这些元素，一直是一个复杂的工程难题。选择合适的回收工艺进行规模化放大，需要将实验室结果与产品需求、工艺成本以及规模效应三者有机联系起来，这远非简单的实验试错所能解决。

近期一篇来自 arXiv 的研究论文（arXiv:2609.09413v1）提出了一套名为「决策导向主动学习」（Decision-Focused Active Learning）的方法框架，试图用人工智能手段直接切入这一痛点。该研究基于美国太平洋西北国家实验室（PNNL）的 CICERO 工作流数据展开分析，CICERO 全称为「用于关键元素回收与优化的计算智能系统」，其核心是实现自主选择性沉淀的自动化实验。

主动学习如何大幅减少实验次数

用更少的实验找到最优回收方案

传统的实验设计往往采用「空间填充」（space filling）策略，即在参数空间中均匀布点，逐一测试，这种方式效率低下且成本高昂。而主动学习（Active Learning）的核心思想是利用已有的实验结果来智能选择下一个最有价值的实验方向，从而以更少的实验次数逼近最优解。

研究团队构建了一个条件回顾性基准测试，使用拟合模型和回收钕铁硼（NdFeB）磁体的实验记录进行验证。结果颇具说服力：自适应策略仅需 16 到 24 个「井位」（wells，即单次独立实验）就能达到记录中的最大富集度，而非自适应的空间填充方法则需要多达 48 次实验。这意味着实验成本可以削减一半以上。

主动学习本质上是一种迭代式机器学习范式。它通过代理模型（surrogate model，通常是高斯过程或贝叶斯神经网络）对未知实验点的输出进行预测，同时量化预测不确定性，再以采集函数（acquisition function，如期望改善EI、置信上界UCB等）来权衡「开发已知最优区域」与「探索未知高不确定性区域」之间的取舍。每轮实验结束后，新数据被纳入模型更新，形成闭环。相较于传统的拉丁超立方体抽样或全因子实验设计，主动学习在高维参数空间（例如同时调控pH、温度、沉淀剂浓度、搅拌速率等多个变量）中的优势尤为显著，能够将有效实验数量压缩至传统方法的数分之一。

富集度：衡量回收效果的关键指标

在稀土回收研究中，「富集度」（Enrichment）被定义为选择性回收后稀土元素与铁的比值相对于原料进料中该比值的提升程度。这是一个衡量分离纯度效果的核心指标。研究还提出了一种两阶段重构方法，能够在仅 16 个井位时就使两种自适应方案达到并列的最优表现。

不同材料体系的回收差异与权衡

研究并未止步于单一材料。团队对回收的钐钴（SmCo）磁体进行了条件分析，揭示了在第二轮实验中「纯度」与「名义产率」之间存在权衡关系——名义产率是基于假设初始量计算出的回收比例。这种权衡意味着，在实际工艺决策中，追求更高纯度可能要以牺牲产量为代价，反之亦然。

此外，针对钕铁硼的第一轮回收路线，不同路径在富集度上表现出明显差异。而对于石油天然气开采产生的「采出水」（produced water）这一更为复杂的场景，其工艺排序结果高度依赖于相态和稀释假设，仍需进一步实验确认。这提醒我们，AI 驱动的优化方法在不同材料体系和场景下的适用性并非一成不变，需要针对性验证。

钕铁硼（NdFeB）和钐钴（SmCo）同属稀土永磁体，但其化学组成与回收难点存在本质差异。NdFeB磁体的主相为Nd₂Fe₁₄B，含铁量极高（约65 wt%），回收时铁的干扰是最大挑战，因此「富集度」（稀土/铁比值的提升）成为核心指标。SmCo磁体则以钐与钴为主体，钴本身也是战略性关键金属，回收时需同时兼顾钐与钴的分离，使得纯度与产率之间的权衡更为复杂。而「采出水」（produced water）中稀土元素浓度极低，且共存的钙、镁、钠等竞争离子浓度高出数个数量级，基质干扰远比磁体回收严峻。这三类体系的差异正说明了为何同一AI框架在不同场景下需要独立验证，而非直接移植参数。

决策导向优化：以贝叶斯风险最小化为目标

这篇论文最具创新性的贡献，在于提出了一种全新的批次选择标准：按照对下游贝叶斯风险（Bayes Risk）的预期降低程度来选择实验批次。

所谓贝叶斯风险，指的是在当前认知（信念）状态下，可选工艺决策中的最小预期损失。换言之，研究者不再单纯以「找到最优实验参数」为目标，而是直接瞄准「让最终的工艺决策损失最小化」。这一转变将实验设计与最终的商业化决策紧密绑定，体现了「决策导向」这一命名的深意。

在探索性模拟中，研究团队发现，一种先对候选方案进行筛选的混合策略，其估计损失低于当前已实现的、在多路线与多条件间联合搜索的方法。不过研究者也坦诚指出，涉及合成两阶段策略的差异相对于估计不确定性而言较小，尚不能下定论。这种严谨的自我审视，恰恰是高质量研究应有的态度。

贝叶斯风险（Bayes Risk）是统计决策理论中的经典概念，定义为在参数先验分布下损失函数的期望值。在本文语境中，「参数」对应工艺性能的不确定模型，「损失」则与选择了次优工艺路线所带来的经济或质量代价挂钩。传统主动学习通常以预测精度或模型不确定性为优化目标，属于「以学习为中心」的框架；而决策导向主动学习（Decision-Focused Active Learning）则直接最小化最终决策误差，跳过了「先拟合最精确的模型再做决策」这一中间步骤。这一思路与近年来兴起的「端到端学习优化」（predict-then-optimize vs. end-to-end optimization）研究脉络一脉相承，其核心洞见是：对于决策者而言，模型在决策边界附近的精度远比全局精度更重要，因此实验资源应优先分配在能够改变最终工艺选择的参数区间。

迈向可复现的前瞻性验证方案

值得称道的是，论文没有停留在回顾性分析层面，而是勾勒出了一套预注册的前瞻性测试方案。这套方案要求在共享的损失函数和日志标准下开展验证，具体包括：

• 明确并规范化测量指标与实验记录
• 定义清晰的工艺决策及其相关输出
• 提供可信的经济输入参数
• 在预期的目标规模上进行验证

这种预注册的做法在科学研究中日益受到重视，能够有效避免事后数据挖掘带来的偏差，提升研究结论的可信度和可复现性。

AI与材料科学深度融合的前景

这项研究是人工智能与材料工程交叉领域的一个典型案例。它不仅展示了主动学习在减少昂贵实验次数方面的实际价值，更重要的是，它把优化目标从「实验室指标最优」提升到了「工业决策损失最小」的高度。

在全球对关键材料需求持续攀升、供应链安全备受关注的背景下，这种能够加速工艺研发、降低放大风险的智能方法，具有相当的现实意义。当然，正如作者所强调的，从模拟和回顾性验证走向真实规模的前瞻性验证，仍有大量工作要做，包括测量标准的统一、经济模型的完善以及规模化的实际检验。这也为后续研究指明了清晰的方向。