主动学习仅需16孔就找到稀土回收最高富集度，非自适应策略要48孔！
Decision-Focused Active Learning for Scale-Aware Critical-Materials Recovery
📖 AI 总结
该研究针对关键材料回收工艺放大中的决策难题，分析了太平洋西北国家实验室CICERO自主选择性沉淀工作流的实验记录。在基于回收钕铁硼磁体数据的条件回顾性基准测试中，主动学习相比非自适应的空间填充方法，能用更少实验找到最佳记录结果：自适应策略在16至24个实验孔即达到富集度最大值，而后者需要48个。两阶段重构方案在16孔处与两种自适应方案持平。对回收钐钴磁体的分析揭示了第二轮中纯度与名义产率之间的权衡，钕铁硼第一轮路径在富集度上存在差异，而油气产出水的排序则依赖尚待确认的相态与稀释假设。作者提出按下游贝叶斯风险的预期降低量来选择批次，探索性模拟显示，带候选过滤的混合策略估计损失低于已实现的联合搜索，但涉及合成两阶段策略的差异相对估计不确定性较小。文章最后勾勒了一项在共享损失与记录标准下的预注册前瞻性测试框架。
🔑 关键词速览
| Decision-Focused Active Learning | 一种主动学习方法，其选择实验的目标是直接优化下游决策的预期损失，而非仅提高模型预测精度。 |
| CICERO | 太平洋西北国家实验室开发的用于临界元素回收与优化的计算机智能工作流，支持自主选择性沉淀实验。 |
| Enrichment | 在稀土回收中，指所选稀土元素与铁的比率相对于原料中该比率的比值，用于衡量分离效果。 |
| Bayes Risk | 贝叶斯风险，指在当前信念下，对所有可能结果取期望后的最小预期损失，用于指导批次选择。 |
| NdFeB | 钕铁硼，一种常用的稀土永磁材料，其回收是临界材料回收的重要对象。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅