Portare il recupero delle materie prime critiche dal banco di laboratorio a un impianto non significa semplicemente individuare la prova con il rendimento più alto. Bisogna decidere quale prodotto ottenere, con quale purezza, a quale costo e con quali risultati quando il processo cambia scala. Un nuovo lavoro pubblicato su arXiv da Niranjan Srinivas, Debajyoti Ray ed Elias Nakouzi propone di usare l’active learning per affrontare proprio questo passaggio: selezionare i prossimi esperimenti non solo in funzione dei dati chimici che potrebbero produrre, ma della decisione di processo che quei dati dovranno sostenere.
Lo studio, depositato l’8 settembre 2026 e quindi non ancora sottoposto a peer review, rielabora i record del workflow CICERO del Pacific Northwest National Laboratory. CICERO, acronimo di Computer Intelligence for Critical Element Recovery and Optimization, è un sistema dedicato alla precipitazione selettiva autonoma: una tecnica in cui le condizioni sperimentali vengono esplorate per separare elementi di interesse da matrici complesse.
L’obiettivo dichiarato non è annunciare un nuovo impianto di riciclo né dimostrare una tecnologia già pronta per l’adozione industriale. Gli autori costruiscono invece un benchmark retrospettivo condizionale: ripartono da esperimenti già registrati, adattano modelli ai dati disponibili e verificano quante prove avrebbe richiesto una strategia adattiva per arrivare ai migliori risultati presenti nell’archivio. È una distinzione importante, perché misura la qualità di una procedura di scelta degli esperimenti in un contesto simulato, non una prestazione prospettica ottenuta in fabbrica.
Dalla massimizzazione del dato alla scelta del processo
Nella sperimentazione tradizionale, la pianificazione può seguire una griglia di condizioni: si modificano parametri come reagenti, concentrazioni o condizioni operative coprendo lo spazio disponibile in modo relativamente uniforme. L’active learning cambia la logica. Dopo ogni risultato, il modello usa ciò che ha appreso per indicare quali esperimenti successivi potrebbero essere più informativi.
Il lavoro del PNNL aggiunge un ulteriore criterio: l’esperimento utile non è necessariamente quello che migliora di più il modello in senso astratto. È quello che può ridurre l’incertezza sulla scelta concreta che verrà fatta a valle. Per formalizzare questo principio, gli autori propongono di ordinare i lotti sperimentali sulla base della riduzione attesa del rischio bayesiano downstream, cioè della perdita minima prevista tra le decisioni di processo disponibili alla luce delle conoscenze correnti.
In termini pratici, il modello dovrebbe aiutare a decidere se una certa via di recupero meriti investimenti, quali condizioni siano compatibili con i requisiti del prodotto e dove sia più urgente raccogliere dati. Il concetto mette sullo stesso tavolo aspetti che spesso restano separati nelle prime fasi di ricerca: prestazioni di laboratorio, qualità richiesta dal materiale recuperato, costi e conseguenze del passaggio di scala.
La promessa è rilevante soprattutto per le materie prime critiche. Terre rare, cobalto e altri elementi impiegati in magneti, elettronica e filiere energetiche vengono spesso recuperati da flussi con composizioni molto diverse. Ogni prova chimica richiede materiali, tempo e analisi; ridurne il numero senza rinunciare alle informazioni necessarie può rendere più efficiente la fase di sviluppo. Ma il risparmio di esperimenti ha valore solo se conduce alla decisione giusta, non se accelera la ricerca verso un risultato difficilmente traducibile in un processo industriale.
I risultati sui magneti a fine vita
La parte quantitativa del lavoro riguarda in particolare i record di magneti neodimio-ferro-boro, indicati con la sigla NdFeB. Per questi dati, gli autori usano come metrica l’arricchimento: il rapporto tra terre rare e ferro nel materiale ottenuto, confrontato con lo stesso rapporto nel materiale di partenza. È quindi un indicatore di quanto la separazione aumenti la presenza relativa degli elementi rari rispetto al ferro.
Nel benchmark retrospettivo, le politiche adattive raggiungono il massimo arricchimento registrato tra 16 e 24 pozzetti sperimentali individuali. Una procedura non adattiva di copertura dello spazio delle condizioni richiederebbe invece 48 prove. Una ricostruzione in due fasi porta due alternative adattive a un pareggio a quota 16 pozzetti.
Il dato va letto per ciò che è: una comparazione sul miglior risultato già contenuto nei record analizzati. Non prova che 16 esperimenti siano sufficienti per qualsiasi lotto di magneti NdFeB, né che il risultato possa essere riprodotto automaticamente su scala maggiore. Mostra però come la scelta progressiva delle prove possa trovare più rapidamente un risultato noto quando la ricerca è guidata da evidenze precedenti.
Lo studio segnala anche che l’ottimo dipende dalla metrica selezionata. Nei dati relativi a magneti samario-cobalto, o SmCo, le analisi condizionali del secondo round evidenziano un compromesso fra purezza e resa nominale. Quest’ultima viene calcolata come frazione recuperata rispetto a una quantità iniziale assunta: è dunque una grandezza che richiede di esplicitare con attenzione le ipotesi alla base. Per gli esperimenti NdFeB del primo round, inoltre, le diverse rotte non raggiungono lo stesso livello di arricchimento.
Il messaggio è meno lineare di una classifica tra algoritmi. Una policy può apparire preferibile se la priorità è massimizzare l’arricchimento, ma perdere interesse se il processo richiede una soglia di purezza specifica oppure se una resa bassa rende il percorso poco sostenibile. La definizione dell’obiettivo industriale non può quindi essere rimandata a quando i dati di laboratorio sono già stati raccolti.
Le incognite economiche e il test che manca
Gli autori estendono il ragionamento anche alle acque prodotte dall’estrazione di petrolio e gas, un flusso potenzialmente interessante per il recupero di elementi ma caratterizzato da variabilità e complessità. In questo caso, le classifiche delle opzioni dipendono dalle assunzioni sulla fase del materiale e sulla diluizione. Sono assunzioni che il paper indica esplicitamente come da confermare.
È uno dei limiti più concreti dell’approccio. Un sistema decisionale può essere sofisticato quanto si vuole, ma eredita l’incertezza delle misure, dei dati economici e delle definizioni operative. Se il valore del prodotto finale, i costi di separazione, la composizione del feedstock o i vincoli impiantistici non sono abbastanza solidi, anche la funzione di perdita che guida l’algoritmo rischia di rappresentare male la decisione reale.
Nelle simulazioni esplorative, un approccio ibrido che prima filtra i candidati mostra una perdita stimata inferiore rispetto alla ricerca congiunta già implementata su rotte e condizioni. Le differenze che coinvolgono la policy sintetica in due stadi, tuttavia, sono piccole rispetto all’incertezza di stima. Non c’è quindi una vittoria netta di una ricetta algoritmica sulle altre, e il documento non la presenta come tale.
Il passo successivo proposto dagli autori è un test prospettico preregistrato, basato su uno standard condiviso per funzione di perdita e registrazione delle attività. Per essere credibile dovrebbe chiarire misure e record, definire in anticipo la decisione di processo e gli output rilevanti, utilizzare input economici attendibili e validare i risultati alla scala prevista. Sono requisiti tutt’altro che formali: delimitano la distanza tra un benchmark costruito su dati storici e una dimostrazione utile a chi deve progettare una filiera di recupero.
Per il settore, il valore del lavoro sta nella direzione metodologica. L’automazione di laboratorio viene spesso raccontata come una macchina per produrre più dati, più in fretta. Qui l’idea è diversa: produrre i dati necessari a scegliere, e rendere esplicito cosa significhi “migliore” quando una separazione chimica deve diventare un’attività industriale. La verifica sul campo dovrà stabilire se questa impostazione ridurrà davvero tempi, costi e rischio decisionale nelle filiere del riciclo delle materie critiche.
