Reducir el consumo de cemento en sistemas de mortero es esencial para disminuir el impacto ambiental de los materiales a base de cemento. Los enfoques convencionales de diseño de mezclas se basan principalmente en la distribución del tamaño de partículas y el módulo de finura, que no capturan completamente los efectos del empaquetamiento de agregados, la morfología y la composición petrográfica en la demanda de pasta y el rendimiento mecánico. Catorce agregados finos de distintos orígenes geológicos fueron caracterizados experimentalmente en términos de propiedades físicas y petrográficas. Se utilizó un conjunto de datos de 211 mezclas de mortero, que generaron 633 observaciones de resistencia transversal, para entrenar un modelo de Regresor de Bosque Aleatorio (RFR) para la predicción de resistencia. El modelo alcanzó un R2=0.762 (RMSE = 0.223 kN; MAE = 0.165 kN), demostrando su fiabilidad como herramienta de selección sustituta. Este estudio presenta un marco híbrido que integra la teoría del empaquetamiento de partículas con el aprendizaje automático para optimizar mezclas de agregados finos. Al introducir un Índice de Demanda de Pasta (PDI) que combina el contenido de vacío no compactado normalizado, la textura de superficie y la forma, el marco permite la identificación de mezclas que minimizan la demanda de pasta mientras mantienen el rendimiento mecánico bajo restricciones de resistencia. Los resultados confirman que el PDI propuesto y el filtrado basado en la resistencia son robustos, ofreciendo una metodología de apoyo a la decisión fundamentada físicamente para reducir el espacio de diseño. En última instancia, este enfoque proporciona una estrategia eficiente para la optimización de recursos, cerrando efectivamente la brecha entre la selección computacional y la validación en laboratorio en iniciativas de reducción de cemento impulsadas por la industria de fabricación de baldosas a base de cemento.