可在数秒内生成气候友好型水泥配方的人工智能

水泥工业产生的二氧化碳排放量约占全球总量的8%——超过全球整个航空业的排放量。保罗·舍勒研究所（PSI）的研究人员开发了一种基于人工智能的模型，该模型有助于加速发现新的水泥配方，这些配方可以在保持相同材料质量的同时降低碳足迹。

水泥厂的旋转窑需加热至1400摄氏度的高温，将研磨后的石灰石烧成熟料（即成品水泥的原料）。这种高温通常难以仅靠电力实现，而是通过高能耗的燃烧过程产生，该过程会释放大量二氧化碳（CO2）。然而令人意外的是，燃烧过程产生的排放量实际上不到总排放量的一半：绝大部分排放蕴含在生产熟料和水泥所需的原材料中——石灰石中化学结合的CO2在高温窑炉转化过程中被释放。

降低排放的一个有效策略是改良水泥配方本身——用替代胶凝材料置换部分熟料。这正是PSI核工程与科学中心废物管理实验室跨学科团队的研究方向。研究人员没有仅依赖耗时的实验或复杂模拟，而是开发了一种基于机器学习的建模方法。"通过该方法，我们可以模拟和优化水泥配方，使其在保持同等优异机械性能的同时显著减少CO2排放，"该研究第一作者、数学家罗曼娜·博伊格（Romana Boiger）解释道，"无需在实验室测试数千种变体，我们的模型能在数秒内生成实用配方建议——就像拥有一本气候友好型水泥的数字食谱。"

借助这种创新方法，研究人员能精准筛选出符合目标标准的水泥配方。"决定最终性能的材料成分组合可能性极其广阔，"该研究发起人兼合著者、PSI传输机理研究组负责人尼科劳斯·普拉西亚纳基斯（Nikolaos Prasianakis）指出，"我们的方法通过遴选有潜力的候选配方进行后续实验研究，大幅缩短了开发周期。"该研究成果已发表于期刊《材料与结构》(Materials and Structures)。

精准配方

目前工业副产品（如钢铁生产的炉渣和燃煤电厂的粉煤灰）已被用于部分替代水泥配方中的熟料以降低CO2排放。然而全球水泥需求如此巨大，仅靠这些材料无法满足需求。"我们需要的是可大量获取且能生产出高质量、可靠性水泥的材料组合，"PSI水泥系统研究组负责人、研究合著者约翰·普罗维斯（John Provis）强调。

但寻找此类组合充满挑战："水泥本质上是矿物粘合剂——在混凝土中，我们用水、水泥和砾石人工合成矿物来凝聚整个材料，"普罗维斯解释道，"可以说我们在加速模拟地质形成过程。"这种地质作用（更准确地说，其背后的物理过程）极其复杂，计算机建模相应地需要巨大算力且成本高昂。因此研究团队选择依托人工智能技术。

人工智能作为计算加速器

人工神经网络是通过现有数据训练以加速复杂计算的计算机模型。训练过程中，网络接收已知数据集，通过调整内部连接的相对强度或"权重"进行学习，从而快速可靠地预测类似关系。这种权重成为一种捷径——替代计算密集型物理建模的更快速方案。

PSI研究人员同样利用了神经网络。他们自主生成了训练所需数据："借助PSI开发的开源热力学建模软件GEMS，我们计算了不同水泥配方在水化过程中形成的矿物及发生的地球化学反应，"尼科劳斯·普拉西亚纳基斯说明。通过将这些结果与实验数据及力学模型结合，研究人员建立了可靠的机械性能预测指标——从而判断水泥的材料质量。针对每种组分，他们还应用了相应的CO2因子（特定排放值）来计算总CO2排放量。"这是一项极其复杂且计算密集的建模工作，"科学家坦言。

但这项努力物有所值——基于这些生成数据，AI模型得以学习。"训练后的神经网络现在能在毫秒级计算任意水泥配方的机械性能，比传统建模快约一千倍，"博伊格解释道。

从输出到输入

如何运用该AI寻找最优水泥配方——即实现最低CO2排放与最高材料质量？一种方法是尝试不同配方，用AI计算其性能，再筛选最佳方案。但更高效的途径是逆转该过程：不再穷举所有选项，而是逆向求解——何种水泥组成能满足目标CO2平衡与材料质量要求？

机械性能和CO2排放均直接取决于配方。"从数学角度看，这两个变量都是成分的函数——成分变化将引起相应特性改变，"数学家阐释道。为确定最优配方，研究人员将问题转化为数学优化任务：寻找能同时最大化机械性能和最小化CO2排放的组成。"本质上我们在求解最大值和最小值——由此可直接推导出目标配方。"

为实现目标，团队在工作流程中整合了另一项AI技术——受自然选择启发的遗传算法。这使得他们能精准识别出最优化结合两大目标变量的配方。

这种"逆向方法"的优势在于：无需盲目测试大量配方再评估其性能；可直接针对特定指标搜寻配方——即追求最高机械性能与最低CO2排放的组合。

潜力巨大的跨学科方法

在研究人员识别的水泥配方中，已存在多个潜力候选。"部分配方具备真正应用价值，"约翰·普罗维斯指出，"不仅体现在减碳效果和质量上，还包括生产过程中的实际可行性。"但为完成开发闭环，这些配方还需实验室验证。"我们可不会未经测试就直接用它们造塔，"尼科劳斯·普拉西亚纳基斯笑着补充。

本研究主要作为概念验证——证明仅通过数学计算即可识别潜力配方。"我们的AI建模工具可按需扩展，整合更多维度，如原料生产或可获得性，以及建材的应用场景（例如海洋环境或沙漠环境中水泥混凝土的不同表现），"罗曼娜·博伊格表示。尼科劳斯·普拉西亚纳基斯展望道："这只是开端。此类通用工作流程带来的时间效益巨大，为各类材料与系统设计提供了极具前景的解决方案。"

若缺少跨学科背景，该项目根本无法实现："我们需要水泥化学家、热力学专家、AI专员——以及能整合所有领域的团队，"普拉西亚纳基斯强调，"此外还有与EMPA等研究机构在SCENE项目框架内的重要交流。"SCENE（瑞士净零排放卓越中心）是旨在为工业和能源供应领域大幅减少温室气体排放提供科学解决方案的跨学科研究计划，本研究在此项目下完成。