Zespół badaczy z Pacific Northwest National Laboratory pracuje nad systemem CICERO (Computer Intelligence for Critical Element Recovery and Optimization), który wykorzystuje uczenie aktywne do automatyzacji procesów selektywnego osadzania się materiałów. Zamiast tradycyjnego podejścia opartego na metodach siatki próbkowniczej, system adaptacyjnie wybiera następne eksperymenty na podstawie wyników poprzednich, co znacznie skraca ścieżkę do znalezienia optymalnych warunków procesowych.
W benchmarku retrospektywnym na danych z magnesów NdFeB ze źródeł wtórnych algorytm uczenia aktywnego zdołał znaleźć najlepszy zaobserwowany wynik stosując zaledwie 16-24 eksperymenty, podczas gdy metody tradycyjne wymagały 48 doświadczeń. Kluczową zmienną był stosunek rare-earth-to-iron (obogacenie), który determinuje wydajność procesu. Badacze testowali również magnesy samaru-kobaltu (SmCo), gdzie ujawnili kompromisy między czystością produktu a uzyskaną wydajnością odzysku.
Podejście opiera się na koncepcji wyboru partii eksperymentów poprzez minimalizację spodziewanego ryzyka Bayesa - czyli minimalizację oczekiwanej straty przy obecnej wiedzy o procesie. Metoda ta jest ważna dla przemysłu, ponieważ łączy wyniki laboratoryjne z rzeczywistymi wymogami produkcyjnymi, kosztami skalowania i ograniczeniami ekonomicznymi. Dla branży zajmującej się recyklacją materiałów krytycznych może to oznaczać znaczne skrócenie czasu opracowania procesów i obniżenie kosztów badań.