2026年9月17日，美国稀土公司（USA Rare Earth）、法国量子计算公司Pasqal与专注工业化学人工智能的Riven Systems共同宣布了一项战略合作。三方将联合探索量子机器学习在稀土分离领域的应用，目标是发现更高效的新型萃取剂分子，以突破当前稀土分离工艺的瓶颈。
这一合作迅速引发关注，因为它把量子计算、人工智能与关键矿物加工直接连接起来，试图解决西方稀土供应链中最棘手的一环。
稀土分离的长期难题
稀土元素化学性质极为相似，尤其是重稀土（如镝、铽、钇），分离难度极高。工业上主流方法是溶剂萃取，核心依赖萃取剂分子对特定稀土离子的选择性结合。中国在这一环节长期占据主导地位，尤其是在混合稀土碳酸盐（MREC）向单一氧化物的转化上。
传统发现新萃取剂的方式高度依赖人工试错，周期长、成本高、效率低。如何更快找到选择性更强、成本更低、环境影响更小的萃取剂，成为建立有竞争力西方稀土供应链的关键挑战。
量子机器学习的切入点
三方合作的核心思路是：用数据驱动的方式加速分子发现。
Riven的自驱动自动化实验室将开展数千次实验，系统测试不同分子对稀土元素的选择性，生成高质量训练数据。这些数据同时用于训练经典机器学习模型和量子机器学习模型。Pasqal则提供中性原子量子计算机，对两类模型进行基准对比，评估量子方法在预测萃取剂性能上是否具有优势。
项目针对美国稀土实际使用的原料展开，包括德克萨斯州Round Top矿山的矿石、第三方混合稀土碳酸盐以及磁体制造过程中的回收废料（swarf）。目标是找到更适合这些原料的萃取剂，从而减少萃取级数、降低设备规模、削减能耗和化学品消耗，最终降低碳足迹。
技术原理简述
量子计算机区别于经典计算机的核心特性在于叠加、纠缠和干涉。量子比特可以同时处于多种状态，多个比特之间可以形成强关联，并通过干涉放大正确答案的概率。这些特性使量子计算机在处理高维复杂问题、模拟量子化学过程时 theoretically 具有优势。
在稀土分离场景中，萃取剂与稀土离子的结合本身就是量子层面的相互作用。量子机器学习试图利用量子计算的这些特性，更有效地学习分子结构与选择性之间的复杂关系，从而在巨大的化学空间中更快筛选出有潜力的新分子。
需要强调的是，量子计算机并非直接“合成”分子，而是作为强大的预测与优化工具，与自动化实验形成闭环：模型推荐候选分子 → 实验室快速验证 → 进一步在研发中心确认 → 有希望者进入工艺优化。
当前进展与现实判断
截至2026年9月18日，该合作仍处于宣布启动阶段。公开信息仅限于战略合作声明和未来工作规划，尚未有任何实验数据、模型对比结果或新分子发现的报告。相关方表示，将用约6个月至1年时间验证这一方法是否具有实际价值，再决定是否深化合作。
与此同时，美国稀土在传统分离技术上已有独立进展，其科罗拉多州Wheat Ridge示范工厂已成功产出商业级氧化镝和钕镨氧化物样品，并计划在2026年第三季度实现重稀土氧化物的分离产出。量子机器学习项目则是其技术路线中更具前瞻性的探索方向。
展望
如果量子机器学习能够在萃取剂发现上展现出切实优势，它有望推动稀土分离从“经验试错”转向“数据驱动+量子辅助”的新范式。更长远来看，三方设想的是一个端到端的发现流程：量子模型识别高潜力分子，自动化实验室快速验证，研发中心确认后整合进实际生产。
当然，量子计算仍处于嘈杂中等规模量子（NISQ）时代，噪声、规模和稳定性仍是现实挑战。这个项目的真正价值，或许不仅在于能否立刻找到更好的萃取剂，更在于它能否为量子计算在工业化学中的落地提供一个有意义的试验场。
稀土分离是国家战略与产业竞争的关键节点。量子机器学习能否成为破局的一把钥匙，仍需时间与数据来回答。但至少，一条新的探索路径已经打开。