能在几秒内设计出气候友好型水泥配方的人工智能

水泥行业产生的二氧化碳排放量约占全球总排放量的8%——超过全球整个航空业的排放量。保罗谢勒研究所（PSI）的研究人员开发了一种基于人工智能（AI）的模型，有助于加速发现新型水泥配方，这些配方可在保证相同材料品质的前提下实现更优的碳足迹。

水泥厂的回转窑需加热至灼热的1400摄氏度，将研磨后的石灰石烧成熟料（即即用型水泥的原材料）。毫无疑问，如此高温通常难以仅靠电力实现，而是需要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不到总排放量的一半，甚至远低于此。大部分排放来源于生产熟料和水泥所需的原材料：高温窑炉转化过程中，石灰石中化学结合的二氧化碳会被释放出来。

减少排放的一个有效策略是改进水泥配方本身——用替代胶凝材料部分替代熟料。这正是PSI核能与科学中心废物管理实验室跨学科团队的研究方向。研究人员摒弃了耗时实验或复杂模拟的传统方法，开发出基于机器学习的建模方法。"通过该方法，我们能够模拟并优化水泥配方，使其在保持同等高水平机械性能的同时显著降低二氧化碳排放量，"该研究第一作者、数学家罗曼娜·博伊格解释道，"我们无需在实验室测试数千种配方变体，只需数秒就能通过模型生成实用配方建议——这相当于拥有一本气候友好型水泥的数字食谱手册。"

利用这种创新方法，研究人员可精准筛选出满足目标标准的水泥配方。"决定材料最终性能的成分组合可能性极其庞大，"该研究发起人兼合著者、PSI传输机制研究组组长尼科劳斯·普拉西亚纳基斯指出，"我们的方法能通过遴选有潜力的候选配方进行后续实验研究，从而显著加速研发周期。"该研究成果已发表于《材料与结构》期刊。

精准配方

目前工业副产品（如炼铁产生的矿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，从而降低二氧化碳排放。然而全球水泥需求如此巨大，仅靠这些材料无法满足需求。"我们需要的是大量可获取且能生产出高品质、高可靠性水泥的精准材料组合，"PSI水泥系统研究组负责人约翰·普罗维斯（本研究合著者）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，我们使用水泥、水和砂砾人工合成使材料固结的矿物质，"普罗维斯解释道，"可以说我们是在加速模拟地质作用。"这种地质作用（更准确地说，是其背后的物理过程集）极为复杂，对其进行计算机建模相应会产生高计算强度和高成本。因此研究团队转而依托人工智能技术。

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，神经网络接收已知数据集，通过调整内部连接的相对强度或称"权重"进行学习，从而快速可靠地预测相似关联。这种权重机制相当于一种捷径——替代了计算密集型的物理建模方法。

PSI研究人员同样采用了此类神经网络。他们自主生成了训练所需数据："利用PSI开发的热力学建模开源软件GEMS，我们计算了不同水泥配方在硬化过程中形成的矿物质及发生的地球化学过程，"尼科劳斯·普拉西亚纳基斯解释道。通过将这些结果与实验数据及力学模型结合，研究人员推导出了可靠的力学性能指标——进而判断水泥的材料品质。针对每种成分，他们还应用了相应的二氧化碳系数（即特定排放值），据此确定总排放量。"这是项计算强度极高的复杂建模工程，"科学家坦言。

但这项努力物有所值——基于这些生成数据，AI模型得以完成学习。"训练后的神经网络现在仅需毫秒级时间即可计算任意水泥配方的力学性能，比传统建模快约一千倍，"博伊格阐释道。

从输出到输入

如何利用该AI寻找最优水泥配方（二氧化碳排放最低且材料品质最优）？可行方案之一是尝试不同配方，用AI模型计算其性能指标，再筛选最优变体。但更高效的策略是逆转流程：不再穷举所有选项，而是逆向设问——何种水泥成分能满足目标二氧化碳平衡及材料品质要求？

力学性能和二氧化碳排放均直接取决于配方。"从数学角度看，二者皆是成分构成的函数——成分变化将引发相应特性改变，"数学家阐释道。为确定最优配方，研究人员将问题构建为数学优化任务：寻找能同步实现力学性能最大化与二氧化碳排放最小化的成分组合。"本质上我们是在求解极大值和极小值——由此可直接推导出目标配方，"数学家如是说。

为求解该问题，团队在流程中整合了另一项AI技术——受自然选择启发的计算机辅助方法"遗传算法"。这使他们能精准识别出两种目标变量理想结合的配方。

这种"逆向方法"的优势在于：无需盲目测试海量配方再评估其结果特性，而是能定向搜索满足特定目标标准的配方——此处即要求最高力学性能与最低二氧化碳排放。

潜力巨大的跨学科方法

在研究人员锁定的水泥配方中，已存在多个潜力候选。"部分配方具备实际应用潜力，"约翰·普罗维斯指出，"这不仅体现在碳减排和品质方面，还包括生产实施的可行性。"但为完成研发闭环，配方仍需通过实验室验证。"我们不会未经测试就直接用它们建造高塔，"尼科劳斯·普拉西亚纳基斯微笑道。

该研究主要作为概念验证——即证明仅通过数学计算就可识别潜力配方。"我们可按需扩展AI建模工具，整合更多维度要素，如原料生产或可获得性，抑或建筑材料的使用环境（例如海洋环境中水泥和混凝土性能表现不同，甚至是沙漠环境），"罗曼娜·博伊格表示。尼科劳斯·普拉西亚纳基斯则展望道："这仅是开端。此类通用工作流程节省的时间极其可观——使其成为各类材料与系统设计中极具前景的解决方案。"

若缺乏研究人员的跨学科背景，该项目永不可能实现："我们需要水泥化学家、热力学专家、AI专家——以及能整合所有资源的团队，"普拉西亚纳基斯坦言，"此外还有SCENE项目中与EMPA等其他研究机构的关键交流。"SCENE（瑞士碳中和卓越中心）作为跨学科研究计划，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解决方案。本研究在该项目框架下完成。