США объединяют квантовое машинное обучение и переработку сырья для ускорения поиска редкоземельных элементов

Согласно материалу, опубликованному Atharva Gosavi 19 сентября 2026 года, США запустили исследовательскую инициативу, объединяющую квантовое машинное обучение и промышленную переработку минерального сырья для поиска специализированных молекул, способных более эффективно разделять редкоземельные элементы. Техническая инициатива направлена на устранение ключевого узкого места в цепочках поставок критически важного минерального сырья, где разделение отдельных, химически почти идентичных редкоземельных металлов требует сложных многостадийных промышленных операций. Применяя квантовые вычислительные алгоритмы к молекулярной химии, проект призван моделировать и конструировать молекулы экстрагентов, способные изолировать целевые элементы с более высокой селективностью, что потенциально позволит снизить энергозатраты, стоимость и экологический след промежуточной переработки.

## Key facts

- Инициатива США интегрирует модели квантового машинного обучения непосредственно в исследовательские процессы переработки минерального сырья. - Целевая задача — поиск новых хелатирующих молекул, оптимизированных для разделения отдельных редкоземельных элементов. - Об инициативе сообщил независимый журналист в сфере технологий и науки Atharva Gosavi 19 сентября 2026 года. - Промышленное разделение редкоземельных элементов в настоящее время опирается на жидкостную экстракцию растворителями, что часто требует десятков или сотен последовательных стадий. - Алгоритмы квантовых вычислений используются для моделирования сложных электронных взаимодействий на f-орбиталях, которые превосходят возможности точного моделирования на классических компьютерах.

## What happened

Согласно материалу Atharva Gosavi, американский проект направлен на стык архитектуры квантового программного обеспечения и промышленной гидрометаллургии. Исследователи используют фреймворки квантового машинного обучения для моделирования того, как конкретные химические структуры взаимодействуют с ионами редкоземельных элементов на атомарном уровне. Основная цель — ускорить поиск новых органических лигандов (молекул, выборочно связывающихся с определенными ионами металлов в водном растворе), что позволит обеспечить более чистое и быстрое разделение отдельных редкоземельных элементов из исходного концентрата.

Традиционный химический поиск во многом опирается на лабораторный синтез методом проб и ошибок или на классические компьютерные симуляции. Однако моделирование атомов редкоземельных элементов на классических компьютерах сталкивается с серьезными вычислительными трудностями из-за сложных, сильно коррелированных электронных структур в их внутренних валентных оболочках. Новый проект применяет алгоритмы квантового машинного обучения для более точного моделирования этих электронных взаимодействий, оценивая миллионы кандидатов молекулярных конфигураций в цифровых симуляциях перед выбором наиболее перспективных кандидатов для физических лабораторных испытаний и интеграции в процессы переработки минерального сырья.

Интегрируя эти квантовые вычислительные инструменты непосредственно в рабочие процессы переработки минерального сырья, инициатива пытается сократить разрыв между теоретической молекулярной химией и лабораторной экстрактивной металлургией. Вычислительные модели оценивают энергию связывания, пространственную геометрию и характеристики растворимости, чтобы гарантировать, что обнаруженные молекулы обладают не только теоретической селективностью, но и достаточной стойкостью для практических промышленных гидрометаллургических операций.

## Why it matters

Редкоземельные элементы — группа из 17 металлических элементов, включая неодим, диспрозий, тербий, европий и празеодим — являются важнейшими компонентами высокоэффективных постоянных магнитов, оборонных систем наведения, генераторов ветровых турбин, двигателей электромобилей и передовой электроники. Хотя редкоземельные элементы относительно широко распространены в земной коре, их обнаружение в экономически целесообразных концентрациях и, что более важно, их отделение друг от друга представляет собой сложнейшую химическую задачу.

Поскольку все лантаноиды имеют почти одинаковые ионные радиусы и степени окисления (химическое явление, известное как лантаноидное сжатие), их химическое поведение практически неотличимо в стандартных промышленных реакциях. В настоящее время для отделения тяжелых редкоземельных элементов от легких требуются контуры жидкостной экстракции растворителями, в которых химические растворы циркулируют через сотни смесительно-отстойных экстракторов. Этот устаревший процесс потребляет огромные объемы концентрированных кислот, органических растворителей и воды, образуя значительное количество химических отходов и требуя колоссальных капитальных затрат на строительство перерабатывающих заводов.

Если квантовое машинное обучение сможет успешно определить лиганды с значительно более высокими факторами разделения между соседними лантаноидами, количество стадий экстракции, необходимых для достижения высокой чистоты (например, 99,99 процента), может существенно сократиться. Сокращение числа стадий переработки напрямую ведет к снижению операционных расходов, уменьшению занимаемой предприятиями площади, сокращению образования токсичных отходов и снижению капитальных затрат на создание отечественных перерабатывающих заводов. Кроме того, внедрение передовых методов переработки обеспечивает технологический путь в обход традиционных, высокозагрязняющих методов разделения, что потенциально может изменить экономический ландшафт производства критически важного минерального сырья в пользу стран, обладающих передовыми квантовыми и вычислительными возможностями.

## The background

Для понимания контекста этого события: мировая цепочка поставок редкоземельных элементов исторически делится на три основные стадии: добыча, химическое разделение (рафинирование) и последующее производство (например, производство магнитных сплавов). На протяжении нескольких десятилетий мировые мощности по рафинированию были в значительной степени сконцентрированы в Китае, который контролирует, по оценкам, от 85 до 90 процентов мировой инфраструктуры по разделению редкоземельных элементов и более 90 процентов производства редкоземельных магнитов. Хотя добыча расширилась и в других регионах — например, на месторождении Mountain Pass в Калифорнии и предприятии Mount Weld в Западной Австралии — необработанные концентраты со многих международных рудников исторически отправлялись за рубеж для химического разделения из-за отсутствия местной инфраструктуры промежуточной переработки.

В последние годы правительство США признало критически важное минеральное сырье жизненно важным для национальной безопасности и экономической стабильности. Инициативы под руководством Министерства энергетики США, включая Critical Materials Innovation Hub на базе Ames National Laboratory, а также финансирование со стороны Министерства обороны в рамках Title III Закона о военном производстве (Defense Production Act), направили сотни миллионов долларов в отечественные технологии переработки. Направления исследований включали биологическую экстракцию с использованием специализированных белков, растворители на основе ионных жидкостей, мембранное разделение и передовое термодинамическое моделирование.

Параллельно с этим квантовые вычисления перешли от чисто теоретической физики к практическим прикладным областям, особенно в вычислительной химии и материаловедении. Классические суперкомпьютеры испытывают трудности с расчетами в области квантовой химии, поскольку требуемые вычислительные ресурсы возрастают экспоненциально с увеличением количества электронов в молекулярной системе. Редкоземельные элементы, входящие в серию лантаноидов таблицы Менделеева, имеют частично заполненные 4f-электронные оболочки. Сложные электронные корреляции и релятивистские эффекты на этих f-орбиталях делают комплексы редкоземельных элементов одними из самых сложных химических систем для точного моделирования на классическом оборудовании. Алгоритмы квантового машинного обучения, работающие на гибридном квантово-классическом оборудовании, предназначены для нативного представления этих электронных состояний, открывая путь к прогностической молекулярной инженерии, которая ранее была невыполнима.

## Reaction

Интеграция квантовых вычислений в инженерию критически важного минерального сырья представляет собой заметный сдвиг в сторону высокотехнологичного вмешательства в промышленные цепочки поставок. Отраслевые аналитики и материаловеды уже давно отмечают, что именно промежуточная химическая переработка, а не объемы добычи сырья, является уязвимым местом в западных цепочках поставок критически важных минералов. Применение передовой вычислительной химии рассматривается наблюдателями рынка как необходимый шаг для преодоления десятилетнего форы, которой обладают традиционные перерабатывающие предприятия.

Разработчики квантового программного обеспечения и специалисты по вычислительной химии называют поиск новых материалов одним из наиболее коммерчески перспективных ранних применений для квантовых систем промежуточного масштаба с высоким уровнем шума (NISQ) и гибридных алгоритмов. Вместо того чтобы ждать создания полностью отказоустойчивых квантовых компьютеров, гибридные квантово-классические подходы помогают моделям машинного обучения выявлять пространственные особенности и характеристики связывания, которые упускают стандартные алгоритмы.

Ожидается, что исследователи в области экологии и эксперты по государственной политике будут пристально следить за тем, позволит ли проект получить экстрагенты, снижающие использование опасных химикатов. Стандартная гидрометаллургическая переработка приводит к образованию значительных объемов кислых сточных вод и радиоактивных хвостохранилищ (часто связанных с естественным торием и ураном в редкоземельных рудах). Любое технологическое достижение, оптимизирующее процессы переработки или позволяющее организовать замкнутый цикл рециркуляции химикатов, положительно воспринимается регулирующими органами, отвечающими за утверждение новых отечественных перерабатывающих заводов.

## What we don't know yet

Хотя масштаб проекта объединяет квантовое машинное обучение с переработкой минерального сырья, несколько конкретных операционных деталей остаются неподтвержденными в доступных отчетах:

- **Institutional lead and partners:** Конкретное государственное агентство, национальная лаборатория, университетский исследовательский консорциум или частное технологическое предприятие, руководящие реализацией проекта, не уточняются. - **Funding baseline and duration:** Точный объем выделенных средств, источник финансирования и прогнозируемые многолетние рамки исследовательского гранта или программы не указаны. - **Quantum hardware specifications:** На данный момент неизвестно, какие именно платформы квантового оборудования (например, сверхпроводящие цепи, захваченные ионы или системы нейтральных атомов) или квантовые облачные провайдеры используются для выполнения моделей машинного обучения. - **Synthesis and experimental validation:** В отчете не уточняется, проходили ли молекулы-кандидаты экстрагентов, определенные квантовыми алгоритмами, физические лабораторные испытания или химический синтез. - **Economic viability:** Еще предстоит доказать, могут ли разработанные с помощью вычислительных методов молекулы производиться экономически эффективно в промышленных масштабах и оставаться стабильными в жестких промышленных кислых средах.

## What to watch

В дальнейшем о прогрессе и практическом эффекте этого проекта по квантовому поиску критически важного минерального сырья будут свидетельствовать несколько ключевых показателей:

- **Formal federal disclosures:** Официальные сообщения или пресс-релизы ведомств США — таких как Управление по энергоэффективности и возобновляемой энергетике (EERE) Министерства энергетики или Агентство перспективных оборонных исследовательских проектов (DARPA) — с подтверждением получателей грантов, партнеров по вычислениям и ключевых этапов проекта. - **Peer-reviewed literature:** Публикации в таких журналах, как *Nature Chemistry*, *Inorganic Chemistry* или *Hydrometallurgy*, подробно описывающие конкретные молекулярные структуры, коэффициенты селективности связывания и архитектуры квантовых алгоритмов, разработанные в рамках программы. - **Pilot plant testing:** Лабораторные и пилотные гидрометаллургические испытания, демонстрирующие, достигают ли новооткрытые лиганды более высоких факторов разделения между соседними лантаноидами (такими как неодим/празеодим или диспрозий/тербий) по сравнению со стандартными коммерческими экстрагентами, такими как PC88A или Cyanex 272. - **Commercial licensing:** Последующие лицензионные соглашения или трансфер технологий между исследовательскими институтами и коммерческими компаниями по переработке минерального сырья, стремящимися внедрить технологию на действующих заводах.

Этот отчет основан на оригинальном материале, опубликованном Atharva Gosavi 19 сентября 2026 года.