编写气候友好型水泥配方的人工智能，短短数秒内完成

水泥行业产生的二氧化碳排放量约占全球总量的百分之八——超过了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，有助于加速发现新的水泥配方，这些配方可在保证相同材料质量的同时，获得更优的碳足迹。

水泥厂的回转窑需加热至灼热的1400摄氏度，以将磨碎的石灰石煅烧成熟料（即成品水泥的原料）。毫不意外的是，如此高温通常仅靠电力难以达成，它们是高能耗燃烧过程的产物，会排放大量二氧化碳（CO2）。然而，可能令人惊讶的是，燃烧过程产生的排放量占比不到一半，甚至远低于此。大部分排放蕴含在生产熟料和水泥所需的原材料中：高温窑炉转化过程中，石灰石中化学结合的CO2会被释放出来。

降低排放的一个可行策略是改良水泥配方本身——用替代性胶凝材料取代部分熟料。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。研究人员摒弃了仅依赖耗时实验或复杂模拟的传统方法，开发了一种基于机器学习的建模方法。"这使我们能够模拟和优化水泥配方，在保持同等高水平力学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·博伊格解释道，"我们无需在实验室测试数千种变体，即可通过模型在数秒内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食谱。"

凭借这种创新方法，研究人员能够精准筛选出符合预期标准的水泥配方。"决定最终性能的材料组分可能性范围极其广阔，"该研究的发起人兼合著者、PSI传输机制研究组负责人尼古拉斯·普拉西亚纳基斯指出，"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，显著加速了开发周期。"该研究成果已发表于期刊《材料与结构》。

精准配方

目前工业副产品（如炼铁产生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，从而降低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。"我们需要的是大量可得、能生产出高品质可靠水泥的材料的精准组合，"PSI水泥系统研究组负责人、研究合著者约翰·普罗维斯强调。

但寻找此类组合充满挑战："水泥本质上是矿物粘结剂——在混凝土中，我们使用水泥、水和骨料人工合成矿物来凝聚整个材料，"普罗维斯解释道，"可以说我们是在加速模拟地质作用。"这种地质作用（或者说其背后的物理过程集）极其复杂，在计算机上建模相应地需要密集计算且成本高昂。因此研究团队转而依托人工智能。

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，网络被输入已知数据集，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联。这种权重相当于一种捷径——相比计算密集的物理建模更为高效。

PSI研究人员同样利用了此类神经网络。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硬化过程中形成的矿物及发生的地球化学过程，"尼古拉斯·普拉西亚纳基斯阐述道。通过将这些结果与实验数据及力学模型结合，研究人员得以推导出力学性能的可靠指标——进而评估水泥的材料品质。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。"这是非常复杂且计算密集的建模工作，"这位科学家表示。

但付出是值得的——基于此生成的数据，AI模型得以学习。"训练后的神经网络现在可在毫秒级时间内计算出任意水泥配方的力学性能，比传统建模快约一千倍，"博伊格解释道。

从输出到输入

如何利用该AI寻找最优水泥配方（即CO2排放最低且材料品质优异）？一种方式是尝试多种配方，用AI模型计算其性能，再筛选最佳变体。但更高效的途径是逆向操作：不再穷举所有选项，而是反向设问——哪种水泥组分能在CO2平衡和材料品质方面满足预期指标？

力学性能和CO2排放均直接取决于配方。"从数学角度看，这两个变量都是组分的函数——组分变化将引起相应属性改变，"数学家解释道。为确定最优配方，研究人员将问题转化为数学优化任务：寻找能同时最大化力学性能和最小化CO2排放的组分构成。"本质上我们寻求最大值和最小值——由此可直接推导出目标配方，"数学家指出。

为求解答案，团队在流程中整合了另一项AI技术——受自然选择启发的遗传算法。这使他们能精准识别出理想融合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再评估结果属性，而是可针对性搜索满足特定预期标准（此处指最高力学性能与最低CO2排放）的配方。

潜力巨大的跨学科方法

在研究人员识别的水泥配方中，已存在若干潜力候选方案。"其中部分配方具备切实潜力，"约翰·普罗维斯表示，"这不仅体现在CO2减排与品质层面，还包括实际生产的可行性。"但要完成开发周期，配方仍需先经实验室验证。"我们不会未经测试就直接用它们建塔，"尼古拉斯·普拉西亚纳基斯笑道。

该研究主要作为概念验证——即证明有前景的配方可纯粹通过数学计算识别。"我们可按需扩展AI建模工具并整合更多维度，如原材料生产或可获得性，或建筑材料的使用场景（例如海洋环境中水泥混凝土性能迥异，甚至沙漠环境），"罗曼娜·博伊格尼古拉斯·普拉西亚纳基斯展望道："这仅是开端。此类通用流程带来的时间节省效益巨大——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，该项目永难实现："我们需要水泥化学家、热力学专家、AI专家——以及能整合所有领域的团队，"普拉西亚纳基斯强调，"此外还需与SCENE项目框架内的EMPA等研究机构进行重要交流。"SCENE（瑞士净零排放卓越中心）是一项跨学科研究计划，旨在为推动工业与能源供应领域大幅减排温室气体开发科学解决方案。本研究即在该项目下开展。