以决策为中心的主动学习，用于规模感知的关键材料回收

arXiv:2609.09413v1 公告类型：新 摘要：选择用于放大的回收工艺需要将实验室结果与产品要求、工艺成本和规模效应联系起来。我们分析了太平洋西北国家实验室关键元素恢复和优化计算机智能 (CICERO) 工作流程的记录，以实现自主选择性沉淀。主动学习使用先前的结果来选择实验。在使用拟合模型和回收的钕铁硼 (NdFeB) 磁体记录的条件回顾性基准中，主动学习比非自适应空间填充用更少的实验找到了最佳记录结果。富集度是指相对于饲料中稀土与铁的比例。自适应策略在 16 至 24 口井（单个实验）中达到了记录的最大富集量，而在 48 口井中，我们的两阶段重建将两种自适应替代方案结合在一起。对回收钐钴 (SmCo) 磁体的条件分析显示，第 2 轮在纯度和标称产量之间进行了权衡，根据假设起始量计算的回收率 - NdFeB 第 1 轮路线在富集方面有所不同。石油和天然气开采产生的水的排名取决于需要确认的相和稀释假设。我们建议根据下游贝叶斯风险的预期降低来选择批次：当前信念下可用流程决策中的最小预期损失。在探索性模拟中，过滤候选者的混合方法比跨路线和条件实施的联合搜索具有更低的估计损失。相对于估计不确定性，涉及综合两阶段政策的差异很小。我们概述了在共享损失和测井标准下预先注册的前瞻性测试，需要明确的测量和记录、明确的过程决策和相关输出、可靠的经济投入以及预期规模的验证。