科學家開發了一款人工智慧模型，能精準預測生物炭在水中分解抗生素的速度——這將濾水器的研發週期從數年縮短至數週，並為平價飲用水淨化開闢了道路。
由 Junaid Latif 和 Na Chen 領導的研究團隊收集了數十篇先前研究的數據，提取了 16 個關鍵參數：生物炭原料類型、熱解溫度、孔隙率、化學成分、氧化劑濃度和反應條件。
在此基礎上，他們訓練了多個機器學習模型，其中 TabPFN Transformer 架構表現出最高的準確度：決定係數 R² ≈ 0.91，且預測誤差極小。
科學上的創新在於從試錯法轉向目標導向的材料設計。以前挑選有效的生物炭需要數百次實驗室測試；現在演算法能在幾秒鐘內評估哪種參數組合能產生最高效率的污染物降解速度。
同時，團隊開發了一個網路工具：任何研究人員都可以輸入其材料參數，並立即獲得反應動力學預測。
實際意義顯而易見：廢水中的抗生素是導致細菌抗藥性增長的驅動因素之一。
由農業廢棄物（如玉米棒、秸稈）製成的生物炭既便宜又環保，若結合光催化劑（TiO₂、g-C₃N₄），在陽光照射下能在 60 分鐘內將磺胺類抗生素降解 98%。
人工智慧模型有助於找到在特定水處理條件下，能確保達成此類結果的精確配方。
瞭解其限制也很重要。目前該模型是根據有限的抗生素種類和實驗室條件數據進行訓練的；實際廢水包含各種污染物混合物、有機物和懸浮物，這些都可能影響處理過程。
此外，複合材料在工業規模下的長期穩定性仍需進一步驗證——在實驗室測試中，材料在五個循環後仍保持效能，但工業運作環境可能更為嚴苛。
接下來要做什麼？團隊計劃擴大數據集，納入其他類別污染物的數據，例如全氟和多氟烷基物質（PFAS）、微塑膠和新一代藥物製劑。
同時，團隊正與試點水處理廠洽談，以在現場環境測試由人工智慧設計的生物炭濾水器。如果結果得到證實，這項技術可能在未來 3 到 5 年內成為市政當局和工業企業的標準解決方案。
