규모를 고려한 핵심 광물 회수를 위한 의사결정 중심 능동 학습
Decision-Focused Active Learning for Scale-Aware Critical-Materials Recovery
규모 확장(scale-up)을 위한 회수 공정을 선택하려면 실험실 결과를 제품 요구 사항, 공정 비용, 규모 효과와 연결해야 한다. 본 연구는 자율 선택적 침전을 위한 Pacific Northwest National Laboratory의 CICERO(Computer Intelligence for Critical Element Recovery and Optimization) 워크플로의 기록을 분석한다. 능동 학습(active learning)은 이전 결과를 활용해 실험을 선택한다. 적합된 모델과 재활용 네오디뮴-철-붕소(NdFeB) 자석 기록을 사용한 조건부 후향적 벤치마크에서, 능동 학습은 비적응적 공간 충진(space filling)보다 적은 실험으로 기록된 최선의 결과를 찾아낸다. 농축도(enrichment)는 공급물(feed)에서의 비율 대비 선택된 희토류 대 철의 비율이다. 적응형 정책은 기록된 농축도 최댓값에 16~24개 웰(well, 개별 실험)에서 도달하는 반면, 비적응적 방식은 48개 웰이 필요하다. 본 연구의 2단계 재구성(two-stage reconstruction)은 16개 웰에서 두 가지 적응형 대안과 동률을 이룬다. 재활용 사마륨-코발트(SmCo) 자석에 대한 조건부 분석에서는 2라운드에서 순도와 명목 수율(nominal yield, 가정한 초기량으로부터 계산한 회수 비율) 사이의 상충 관계가 나타나며, NdFeB 1라운드의 경로들은 농축도에서 차이를 보인다. 석유·가스 추출 시 발생하는 생산수(produced water)에 대한 순위는 확인이 필요한 상(phase) 및 희석 가정에 따라 달라진다. 우리는 배치를 하류 베이즈 위험(Bayes risk), 즉 현재의 믿음 하에서 선택 가능한 공정 결정들 중 최소 기대 손실의 기대 감소량을 기준으로 선택할 것을 제안한다. 탐색적 시뮬레이션에서, 후보를 필터링하는 하이브리드 방식은 경로와 조건에 대한 구현된 결합 탐색(joint search)보다 추정 손실이 낮다. 합성 2단계 정책과 관련된 차이는 추정 불확실성에 비해 작다. 우리는 공유된 손실 및 로깅 표준 하에서 사전 등록된 전향적 테스트를 개략적으로 제시하며, 이를 위해서는 명확화된 측정과 기록, 정의된 공정 결정과 관련 출력, 신뢰할 수 있는 경제적 입력값, 그리고 의도한 규모에서의 검증이 필요하다.