태평양 북서부 국립 연구소(PNNL)의 연구진이 인공지능(AI) 기반의 능동 학습(active learning) 기술을 활용하여 희귀 금속 재활용 공정의 효율을 획기적으로 개선하는 방법을 제시했습니다. 이들은 '핵심 재료 회수 및 최적화를 위한 컴퓨터 지능(CICERO)' 워크플로우를 통해 자율 선택적 침전 공정 기록을 분석했으며, 이를 통해 실험 횟수를 크게 줄이면서도 최적의 재활용 조건을 찾아낼 수 있음을 입증했습니다.
연구팀은 재활용된 네오디뮴-철-붕소(NdFeB) 자석 데이터를 활용한 조건부 후향적 벤치마크에서 능동 학습이 비적응적(nonadaptive) 방식보다 적은 실험으로 최고의 결과를 도출했음을 확인했습니다. 구체적으로, 능동 학습 정책은 16~24회의 개별 실험(well)만으로 최고 농축(enrichment) 수준에 도달한 반면, 기존의 비적응적 공간 채우기(space filling) 방식은 48회 이상의 실험이 필요했습니다. 이는 실험 시간과 비용을 절반 이상 절감할 수 있음을 의미하며, 특히 사마륨-코발트(SmCo) 자석 재활용에서도 순도와 수율 간의 균형점을 찾는 데 능동 학습의 유용성을 보여주었습니다.
이 기술은 희귀 금속과 같은 핵심 재료의 회수율을 높이고 재활용 공정의 경제성을 개선하는 데 중요한 역할을 할 것으로 기대됩니다. AI 기반의 능동 학습은 복잡한 화학 공정에서 최적의 조건을 탐색하는 데 드는 시간과 자원을 절약하여, 궁극적으로 고가치 자원의 지속 가능한 공급망을 구축하는 데 기여할 수 있습니다. 이는 자원 고갈 문제에 직면한 현대 사회에서 자원 효율성을 극대화하고 순환 경제를 실현하는 핵심 기술이 될 것입니다.