科学家们开发了一种人工智能模型，能够准确预测生物炭在水中分解抗生素的速度——这使得过滤器的研发周期从数年缩短至数周，并为实现廉价饮用水净化铺平了道路。
在 Junaid Latif 和 Na Chen 的领导下，研究人员从数十篇先前的论文中收集了数据，并确定了 16 个关键参数：生物炭原料类型、热解温度、孔隙率、化学成分、氧化剂浓度和反应条件。
在此基础上，他们训练了多个机器学习模型，而 TabPFN 变换器架构表现出了最高的准确度：决定系数 R² ≈ 0.91，且预测误差极小。
科学创新之处在于从试错法向定向材料设计的转变。以前，筛选高效生物炭需要数百次实验室实验；现在，算法可以在几秒钟内评估哪种参数组合能产生最大的污染物降解速率。
与此同时，团队还开发了一个网页工具：任何研究人员都可以输入其材料参数，并立即获得反应动力学的预测结果。
其实际意义显而易见：废水中的抗生素是导致细菌耐药性增长的驱动因素之一。
利用农业废弃物（玉米芯、秸秆）制成的生物炭价格低廉且环保，在与光催化剂（TiO₂、g-C₃N₄）结合后，能在阳光照射下在 60 分钟内降解 98% 的磺胺类抗生素。
人工智能模型有助于找到在特定水处理条件下确保实现这一结果的精确配方。
了解其局限性也至关重要。目前该模型是基于有限的抗生素种类和实验室条件下的数据训练的；实际废水包含多种污染物、有机物和悬浮物，这些都可能影响处理过程。
此外，复合材料在工业规模下的长期稳定性仍需进一步验证——在实验室测试中，该材料在五个循环后仍保持有效，但工业运行环境可能更为严苛。
下一步是什么？团队计划扩大数据集，纳入其他类别的污染物数据，如全氟和多氟烷基物质（PFAS）、微塑料以及新一代药物。
与此同时，团队正与试点污水处理厂进行谈判，以在实地条件下测试人工智能设计的生物炭过滤器。如果结果得到证实，该技术可能在未来 3 到 5 年内进入市政和工业企业的标准解决方案中。
