麻省理工学院研究人员开发出一种机器学习框架，可识别可持续的天然和工业材料部分替代水泥，为显著减少全球建筑碳排放提供可扩展途径。《通讯化学》杂志近日发表的一项研究，详细介绍了该团队筛选可持续水泥替代品的过程。

水泥生产占全球温室气体排放量的6%以上，主要源于石灰石煅烧和熟料生产的高能耗工艺。抑制排放的有效方法之一是用替代材料取代熟料。历史上，高炉矿渣和粉煤灰等工业副产品被用作辅助胶凝材料(SCM)，但过去二十年，因钢铁回收利用增加和燃煤电厂关闭，这些传统替代品获取量下降了37%，迫切需要找到能在水泥体系中提供类似反应性的新材料，机器学习为此提供了希望。

在麻省理工学院研究人员Elsa Olivetti和Soroush Mahjoubi带领下，团队开发了将自然语言处理(NLP)与预测模型相结合的综合框架。他们利用NLP技术挖掘超570万篇科学论文，从88,000份出版物中提取14,000多种候选材料的化学成分，再用大型语言模型将这些材料分为19类。为评估潜力，研究人员训练多头神经网络预测水泥基反应性的三个关键指标，输入参数包括化学成分、比重等，模型判定系数(R²)大于0.85，可评估和绘制广泛材料范围内的反应性。

研究结果揭示诸多此前未充分利用且反应性良好的材料。建筑和拆除废料放热率与传统火山灰质材料相当;城市固体废物焚烧灰烬及农业副产品表现出显著火山灰特性;矿山尾矿成为颇具前景的二次供应链管理材料，这些工业副产品可替代全球高达68%的水泥产量。不过，并非所有地区都能获取工业废物流，天然替代品至关重要。研究人员将预测模型应用于含超百万份岩石样本的全球地球化学数据库，确定25种可通过机械活化表现出类似胶结物反应性的岩石类型，活性岩石多分布在地质活跃区，是缺乏工业副产品地区的可行替代品。

团队面临数据不完整且不一致的挑战，开发专门神经网络架构智能填充缺失数据，应对材料科学研究中的混乱数据环境。

这项研究展现了机器学习在发现低碳水泥替代品方面的巨大潜力。若大规模采用这些材料，全球二氧化碳排放量可减少高达3%，相当于减少2.6亿辆汽车上路。许多材料只需机械研磨，且天然材料分布广泛，为全球更公平获取可持续建筑解决方案提供途径。展望未来，最有前景的候选方案需实验测试验证，将水泥水化动力学纳入模型也是提高预测准确性和实际适用性的关键。