Un gruppo di ricercatori del Politecnico di Torino apre la strada a una nuova generazione di strumenti computazionali in grado di accelerare la scoperta di materiali sostenibili per applicazioni energetiche.
Il loro lavoro, pubblicato sulla rivista internazionale Energy and AI, dimostra come l’Intelligenza Artificiale possa diventare un vero e proprio motore di scoperta scientifica, capace di trasformare in realtà ciò che fino a poco tempo fa sembrava solo teorico.
Un protocollo innovativo per scoprire nuovi materiali energetici
Alla base dello studio c’è Energy-GNoME, un innovativo protocollo sviluppato dal team del laboratorio SMaLL (Dipartimento Energia – DENERG) che unisce algoritmi di machine learning e un database evolutivo per individuare, tra centinaia di migliaia di materiali mai studiati prima, i candidati più promettenti per la produzione, la conversione e lo stoccaggio di energia.
Il progetto si fonda sui dati del Graph Networks for Materials Exploration (GNoME), sviluppato da Google DeepMind, che ha generato un patrimonio informativo senza precedenti: centinaia di migliaia di materiali teoricamente stabili e potenzialmente rivoluzionari.
Un approccio in due fasi per ridurre tempi
“Con Energy-GNoME vogliamo dimostrare che l’Intelligenza Artificiale non è solo uno strumento di analisi, ma un vero acceleratore di scoperta,” spiega Paolo De Angelis, primo autore dello studio. “Non basta esplorare nuove possibilità: serve indirizzare questa esplorazione verso obiettivi utili, perché un cristallo è solo un composto chimico, ma è la sua funzione ingegneristica che lo rende un materiale.”
Il protocollo utilizza un approccio in due fasi:
- una rete di “esperti artificiali” che, tramite un sistema di voto, seleziona i composti più promettenti;
- modelli di AI addestrati ad alta precisione che ne stimano i parametri chiave.
In questo modo, i ricercatori riducono drasticamente il numero di candidati, ma al tempo stesso aprono la strada a migliaia di nuove soluzioni per l’energia pulita.
Una mappa per il futuro dei materiali avanzati
“Il valore aggiunto del progetto risiede nella sua natura collaborativa ed evolutiva,” sottolineano Giulio Barletta e Giovanni Trezza. “Grazie a una libreria Python open-source e a linee guida pubblicate su GitHub, la comunità scientifica potrà contribuire con nuovi dati, alimentando un processo di apprendimento continuo e condiviso.”
Per Pietro Asinari, “questo approccio segna una nuova frontiera nella modellazione dei materiali energetici: unisce saperi sperimentali, teorici e computazionali, rendendo la conoscenza accessibile e riutilizzabile da diverse comunità scientifiche.”
“Il nostro contributo – conclude Eliodoro Chiavazzo, coordinatore della ricerca – è duplice: da un lato offriamo una vasta selezione di nuovi materiali per l’energia sostenibile; dall’altro proponiamo un metodo scalabile, estendibile a campi come elettronica avanzata, biomedicina o tecnologie quantistiche. Energy-GNoME non è solo un database: è una mappa per il futuro dei materiali.”