人工智能可在数秒内生成气候友好型水泥配方

水泥行业约占全球二氧化碳排放量的百分之八——超过全球整个航空业的排放量。保罗谢尔研究所 (PSI) 的研究人员开发了一种基于人工智能的模型，有助于加速发现新型水泥配方，以期在保持相同材料品质的同时获得更优的碳足迹。

水泥厂的旋转窑需加热至灼热的1400摄氏度，才能将磨碎的石灰岩烧成熟料（即现成水泥的原材料）。毫不意外，如此高温通常无法仅靠电力实现，而是源于高能耗的燃烧过程，该过程会释放大量二氧化碳 (CO2)。然而，令人惊讶的可能是，燃烧过程产生的排放量占比不到一半，远低于此。大部分排放存在于生产熟料和水泥所需的原材料中：高温窑炉转化过程中，石灰岩中化学结合的二氧化碳被释放出来。

减少排放的一个可行策略是改良水泥配方本身——用替代胶凝材料部分替代熟料。这正是保罗谢尔研究所核能与科学中心废物管理实验室的一个跨学科团队所研究的方向。研究人员没有仅依赖耗时的实验或复杂的模拟，而是开发了一种基于机器学习的新建模方法。"这使我们能够模拟和优化水泥配方，从而在保持同等高水平力学性能的同时显著减少二氧化碳排放量，"该研究的第一作者、数学家罗曼娜·博伊格解释道。"无需在实验室测试成千上万种变体，我们可以在几秒钟内用模型生成实用的配方建议——这就像拥有一本气候友好型水泥的数字烹饪书。"

凭借这种新方法，研究人员能够有选择地筛选出那些符合期望标准的配方。"材料成分（最终决定最终性能）的可能性范围极其广阔，"该研究的发起人兼共同作者、PSI输运机制研究组负责人尼古拉奥斯·普拉西亚纳基斯表示。"我们的方法通过筛选出有前景的候选配方进行后续实验研究，可显著加速开发周期。"该研究结果发表在期刊《Materials and Structures》上。

精准配方

现今，工业副产品如炼铁产生的矿渣和燃煤电厂的飞灰已被用于水泥配方中部分替代熟料，从而减少二氧化碳排放。然而，全球对水泥的需求如此巨大，仅靠这些材料无法满足需求。"我们需要的是那些可大量获取、并能生产出高质量可靠水泥的材料的恰当组合，" PSI水泥系统研究组负责人、该研究的共同作者约翰·普罗维斯说。

然而，寻找这样的组合具有挑战性："水泥本质上是一种矿物粘合剂——在混凝土中，我们使用水泥、水和砾石来人工合成将整个材料粘结在一起的矿物，"普罗维斯解释道。"可以说我们是在加速进行地质学。"这种地质作用——或者更准确地说，其背后的一系列物理过程——极其复杂，在计算机上建模相应地计算量大并且成本高昂。这就是研究团队依赖人工智能的原因。

人工智能作为计算加速器

人工神经网络是一种计算机模型，通过使用现有数据进行训练，以加速复杂计算。在训练过程中，网络被输入已知数据集，并通过调整其内部连接的相对强度或"权重"进行学习，从而能够快速可靠地预测类似关系。这种权重充当了一种捷径——是替代计算密集型物理建模的一种更快选择。

PSI的研究人员也利用了这样一个神经网络。他们自己生成了训练所需的数据："借助在PSI开发的开源热力学建模软件GEMS，我们计算了——针对不同水泥配方——固化过程中形成哪些矿物以及发生哪些地球化学过程，"尼古拉奥斯·普拉西亚纳基斯解释道。通过将这些结果与实验数据和力学模型相结合，研究人员能够推导出力学性能的可靠指标——从而也推导出水泥的材料品质。对于所使用的每种组分，他们还应用了相应的二氧化碳因子（一个特定的排放值），从而可以确定总二氧化碳排放量。"这是一项非常复杂且计算密集的建模工作，"科学家说。

但付出是值得的——利用这种方式生成的数据，人工智能模型得以学习。"训练好的神经网络现在能在毫秒级内计算出任意水泥配方的力学性能，而非秒或分钟级——这比传统建模快了约一千倍，"博伊格解释道。

从输出到输入

如何利用该人工智能找到最优的水泥配方——即二氧化碳排放量最低且材料品质高？一种可能是尝试各种配方，使用人工智能模型计算其性能，然后选择最佳变体。然而，更高效的方法是逆转这一过程。无需尝试所有选项，而是反过来提问：哪种水泥成分能满足关于二氧化碳平衡和材料品质的期望规格？

力学性能和二氧化碳排放量都直接取决于配方。"从数学角度看，这两个变量都是成分的函数——如果成分改变，各自的特性也随之改变，"数学家解释道。为了确定最优配方，研究人员将问题表述为一个数学优化任务：他们寻求一种组成，能同时最大化力学性能并最小化二氧化碳排放。"本质上，我们在寻找一个最大值和一个最小值——由此我们可以直接推导出期望的配方，"数学家说。

为了找到解决方案，团队在工作流程中集成了一项额外的人工智能技术：所谓的遗传算法——一种受自然选择启发的计算机辅助方法。这使他们能够有选择地识别出理想结合了两个目标变量的配方。

这种"逆向方法"的优势在于：无需盲目测试无数配方然后评估其产生的性能；取而代之的是，可以有针对性地搜索满足特定期望标准的配方——在本例中，即在最低二氧化碳排放量下的最高力学性能。

潜力巨大的跨学科方法

在研究人员识别出的水泥配方中，已有一些有前景的候选方案。"其中一些配方具有真正的潜力，"约翰·普罗维斯说，"不仅在减排和品质方面，而且在生产实际可行性方面也是如此。"然而，要完成开发周期，这些配方首先需要在实验室进行测试。"我们可不会未经测试就用它们马上建一座塔，"尼古拉奥斯·普拉西亚纳基斯笑着说。

该研究主要作为一个概念验证——即证明有前景的配方可以纯粹通过数学计算来识别。"我们可以根据需要扩展我们的人工智能建模工具，并整合更多方面，例如原材料的生产或可获得性，或者建材的预期使用环境——例如在海洋环境中（水泥和混凝土表现不同），甚至在沙漠中，"罗曼娜·博伊格说。尼古拉奥斯·普拉西亚纳基斯则展望未来："这仅仅是个开始。这种通用工作流程所带来的时间节省是巨大的——使其成为各种材料和系统设计中极具前景的方法。"

若非研究人员的跨学科背景，该项目永远无法结出硕果："我们需要水泥化学家、热力学专家、人工智能专家——以及一个能将这一切整合起来的团队，"普拉西亚纳基斯说。"此外，在SCENE项目框架内与其他研究机构（如EMPA）的重要交流也至关重要。"SCENE（瑞士净零排放卓越中心）是一个跨学科研究项目，旨在为工业和能源供应领域大幅减少温室气体排放开发科学合理的解决方案。该研究即是该项目的一部分。