Un protocollo guidato dall’intelligenza artificiale per setacciare una vastissima banca dati di cristalli teoricamente stabili.
Da qui, l’identificazione di 38.500 candidati promettenti per applicazioni energetiche: materiali termoelettrici, perovskiti per il fotovoltaico e catodi per batterie.
È l’iniziativa che il Politecnico di Torino ha presentato nello studio scientifico Energy-GNoME, pubblicato sulla rivista Energy and AI.
Gli autori parlano esplicitamente di una “banca dati vivente”, aperta a successive revisioni da parte della comunità di ricerca. Il lavoro prende le mosse da GNoME, un grande repertorio di cristalli generato con apprendimento automatico e convalidato tramite calcoli quantistici, da cui emergono oltre 380.000 strutture nuove e stabili.
Il gruppo torinese ha applicato il proprio filtro per selezionare i potenziali “materiali per l’energia”. A corredo, gli autori mettono a disposizione i risultati e le strutture cristalline in archivi pubblici, oltre a un’applicazione sul web che consente di esplorare interattivamente i candidati proposti.
Come funziona il protocollo
La procedura si articola in due passaggi. In prima battuta, il metodo si basa su più modelli di intelligenza artificiale che imparano a distinguere, fra milioni di strutture, quelle con caratteristiche simili ai materiali energetici già studiati, delimitando così l’ambito in cui le stime sono più precise.
In parole semplici, l’algoritmo impara a riconoscere i materiali con caratteristiche simili, “di famiglia”, scartando quelli che presentano caratteristiche troppo diverse, dove le previsioni rischierebbero di essere poco attendibili.
In secondo luogo, solo sui materiali che superano questo primo filtro vengono applicati altri modelli per stimarne le proprietà più importanti, come descritto schematicamente in questa illustrazione tratta dallo studio, consultabile dal link in fondo a questo articolo.
Fra queste proprietà figurano la capacità di trasformare calore in elettricità nei materiali termoelettrici, l’assorbimento della luce nelle perovskiti per il fotovoltaico e la tensione di funzionamento nei materiali usati come catodo nelle batterie.
Si tratta di parametri chiave che determinano l’efficienza e l’utilità tecnologica di un materiale. I modelli di calcolo impiegati imitano, in forma semplificata, gli stessi principi della fisica quantistica, ma richiedono un tempo di elaborazione molto inferiore.
In questo modo, l’intelligenza artificiale riduce drasticamente il numero di materiali da analizzare con metodi più lenti e costosi, concentrandosi su quelli che hanno davvero possibilità di successo.
Gli autori spiegano che i dati usati per “insegnare” ai modelli coprono solo una piccola parte del vasto universo dei materiali possibili. Per questo è necessario un filtro preliminare che limiti il campo d’azione ai casi in cui le previsioni risultano affidabili.
L’obiettivo, sottolineano, non è sostituire gli esperimenti, ma indirizzare la ricerca in modo più mirato e ridurre gli errori dovuti a valutazioni troppo generiche (vedere anche L’intelligenza artificiale trasformerà l’innovazione nel settore energia?).
Cosa c’è nel catalogo
Applicando il protocollo al repertorio GNoME, il Politecnico ha ottenuto tre grandi elenchi: 13.057 potenziali materiali termoelettrici, 4.259 perovskiti adatte a celle solari e 21.243 candidati per catodi di batterie al litio e di nuova generazione.
Ognuno di questi composti è identificato da una formula chimica e da una struttura cristallina, accompagnate da valori previsti per alcune proprietà fisiche fondamentali.
Ad esempio, le perovskiti selezionate mostrano intervalli di assorbimento della luce vicini a quelli ideali per la conversione fotovoltaica; i materiali termoelettrici indicano un buon rendimento nella trasformazione del calore in elettricità; alcuni composti destinati alle batterie presentano una tensione teorica paragonabile o superiore a quella dei materiali già conosciuti.
L’intero archivio è accessibile pubblicamente e viene definito “vivente” perché potrà essere aggiornato con nuove simulazioni o con dati sperimentali, migliorando progressivamente l’accuratezza delle previsioni.
Limiti dichiarati e prossimi passi
I ricercatori evidenziano alcuni i limiti del loro metodo. Al momento non è possibile sapere con certezza quanti dei materiali selezionati risulteranno effettivamente validi quando saranno realizzati e testati in laboratorio.
Il gruppo torinese prevede di introdurre in futuro nuovi criteri di selezione, riguardanti aspetti finora trascurati come la possibilità di sintetizzare il materiale in laboratorio, la sua stabilità chimica e l’impatto ambientale.
Il protocollo è già stato verificato su alcuni materiali mai analizzati prima, ottenendo risultati coerenti con i dati sperimentali disponibili, soprattutto nel caso dei composti termoelettrici. Tuttavia, la precisione delle previsioni varia a seconda delle informazioni di partenza e del tipo di materiale esaminato.
“Consideriamo questo lavoro come il primo passo di uno sforzo continuo della comunità”, scrivono i ricercatori del Dipartimento Energia del Politecnico di Torino, che per lo studio ha collaborato con l’Istituto Nazionale di Ricerca Metrologica (INRiM) e si è avvalso del supercomputer europeo LEONARDO, gestito dal CINECA nell’ambito dell’infrastruttura EuroHPC.
L’obiettivo è insomma ampliare progressivamente le banche dati e affinare la capacità dei modelli, in un processo di confronto costante con la sperimentazione reale (Intelligenza artificiale, una roadmap Ue per l’energia dal 2026).
Il seguente documento è riservato agli abbonati a QualEnergia.it PRO:
Prova gratis il servizio per 10 giorni o abbonati subito a QualEnergia.it PRO
