L’IA crea materiali da zero, atomo per atomo

La scienza dei materiali sta cambiando. Molti pensano che si tratti di scienziati in camice da laboratorio che mescolano incessantemente sostanze chimiche, sperando di ottenere una nuova batteria o un metallo più resistente. Sebbene questo lavoro faccia parte del settore, un cambiamento importante è in atto. Questo cambiamento non riguarda solo l’accelerazione degli esperimenti tradizionali. Si tratta di alterare in modo fondamentale il modo in cui scopriamo e progettiamo i materiali.

Si potrebbe pensare che l’intelligenza artificiale si limiti a rendere più veloce la ricerca esistente. Questa è una comune idea sbagliata. L’IA non è solo un frullatore più veloce nella cucina dei materiali. Sta diventando lo chef principale. Progetta ricette completamente nuove e persino inventa nuovi ingredienti che non avevamo mai considerato prima. Questo cambiamento significa che ora possiamo prevedere le proprietà dei materiali prima di sintetizzarli. Ciò consente di risparmiare molto tempo e risorse.

La grande sfida della scoperta dei materiali

La scienza dei materiali ha sempre affrontato una grande sfida: la vastità dello “spazio dei materiali”. Esistono infinite combinazioni possibili di elementi, strutture e metodi di lavorazione. Ogni combinazione crea un materiale unico con proprietà specifiche. Ad esempio, una singola variazione di temperatura o pressione durante la sintesi può alterare la resistenza di un metallo. Può anche modificare la flessibilità di un polimero.

La scoperta tradizionale implica una sperimentazione lenta e costosa. I ricercatori potrebbero impiegare anni a sintetizzare e testare migliaia di varianti di un composto. Anche con simulazioni avanzate, prevedere come gli atomi interagiscono per formare proprietà macroscopiche è incredibilmente complesso. La dottoressa Kristin Persson dirige la ricerca presso il Lawrence Berkeley National Laboratory. Dirige il Materials Project. Persson osserva che questo “approccio edisoniano” non è affatto pratico per le esigenze moderne. Il lavoro del suo team crea database di materiali ad accesso aperto. Questi sono necessari per l’addestramento dell’IA.

L’obiettivo è trovare materiali con funzioni specifiche. Abbiamo bisogno di leghe più leggere per gli aeromobili, catalizzatori più efficienti per le reazioni chimiche e batterie più sicure per i veicoli elettrici. Questo processo spesso sembra cercare un ago in un pagliaio, ma il pagliaio è infinitamente grande. Questa difficoltà fondamentale ha limitato il progresso umano in molte aree per secoli.

L’IA: più di un semplice aumento di velocità

Il Materials Project, diretto dalla dottoressa Kristin Persson presso il Lawrence Berkeley National Laboratory, è un database pionieristico ad accesso aperto che fornisce dati computazionali cruciali sulle proprietà dei materiali, fungendo da terreno di addestramento vitale per i modelli di IA nella scoperta di nuovi materiali. (Illustrazione generata dall'IA)

L’intelligenza artificiale sta cambiando questo processo lento e intuitivo. Va oltre il semplice accelerare il lavoro di laboratorio esistente. L’IA analizza enormi set di dati di materiali conosciuti. Apprende le relazioni tra la loro struttura atomica e le proprietà osservate. Pensatela come un detective che identifica schemi in migliaia di scene del crimine.

Nel 2018, Google DeepMind ha presentato un modello di IA chiamato AlphaFold che prevedeva accuratamente le strutture proteiche. Questo progetto non rientrava direttamente nella scienza dei materiali. Ma ha dimostrato la capacità dell’IA di comprendere complesse disposizioni atomiche. Questo principio si applica direttamente: l’IA può apprendere le “regole” della formazione e del comportamento dei materiali. Quindi utilizza queste regole per prevedere nuovi materiali non ancora scoperti.

Non si tratta solo di elaborare i numeri più velocemente. Si tratta di generare ipotesi completamente nuove. Gli algoritmi di IA possono proporre nuove composizioni chimiche o strutture cristalline che nessun scienziato umano avrebbe potuto concepire. Ciò rende l’IA uno sviluppo significativo nel settore. Non sta solo migliorando; sta inventando.

L’IA progetta materiali, atomo per atomo

I modelli di IA stanno diventando progettisti di materiali avanzati. Utilizzano tecniche come il machine learning e le reti neurali per comprendere la fisica e la chimica fondamentali dei materiali. Un approccio potente coinvolge i modelli generativi. Questi modelli non si limitano a classificare i dati esistenti; creano nuovi punti dati.

Immaginate di volere un nuovo materiale per un superconduttore ad alta temperatura. Fornite a un modello di IA tutti i dati conosciuti sui superconduttori, comprese le loro disposizioni atomiche e proprietà. Il modello apprende i principi sottostanti che rendono un materiale superconduttivo. Quindi, può generare migliaia di nuovi composti teorici, ciascuno con proprietà predette.

I ricercatori dell’Università di Cambridge, ad esempio, hanno utilizzato il machine learning per prevedere le proprietà delle leghe metalliche. I loro modelli possono prevedere accuratamente resistenza e duttilità senza alcun esperimento fisico. Questa capacità predittiva consente agli scienziati di esplorare milioni di possibilità virtualmente prima di entrare in un laboratorio. Ciò consente di risparmiare notevoli quantità di tempo e risorse preziose.

Un altro metodo è l’apprendimento attivo. Questo metodo combina le previsioni dell’IA con esperimenti mirati. L’IA suggerisce i materiali candidati più promettenti. Gli scienziati quindi sintetizzano e testano solo questi suggerimenti specifici. I risultati dell’esperimento vengono reimmessi nel modello di IA. Questo affina la sua comprensione e migliora le previsioni future. Questo crea un potente ciclo di feedback, accelerando notevolmente la scoperta.

AlphaFold, un modello di IA sviluppato da Google DeepMind, ha rivoluzionato la biologia prevedendo accuratamente complesse strutture proteiche. Questo risultato rivoluzionario ha dimostrato la profonda capacità dell'IA di comprendere intricate disposizioni atomiche, ispirando la sua applicazione nella progettazione di nuovi materiali. (Fonte: info.hsls.pitt.edu)

Il laboratorio di domani: IA e robot al lavoro

L’IA non si limita a progettare sui computer. Sta anche trasformando il laboratorio fisico stesso. Stanno comparendo laboratori autonomi, alimentati dall’IA. Questi “laboratori a guida autonoma” possono condurre esperimenti e analizzare i risultati. Possono persino decidere i passi successivi, il tutto senza intervento umano.

Nel 2020, un team dell’Università di Toronto ha sviluppato un sistema robotico basato sull’IA. Poteva sintetizzare e caratterizzare nuovi materiali. Questo sistema ha eseguito migliaia di esperimenti al giorno, superando di gran lunga le capacità umane. Ha trovato nuovi catalizzatori per l’energia solare. Quel processo avrebbe richiesto anni con il vecchio metodo.

IBM Research ha anche un robot basato sull’IA chiamato “RoboRXN”. Questo sistema può eseguire complesse reazioni chimiche basate su progetti molecolari forniti dall’IA. Automatizza l’intero processo di sintesi, dalla pesatura delle sostanze chimiche alla purificazione dei prodotti. Ciò significa che un chimico può progettare una molecola e RoboRXN può tentare di crearla.

Questi sistemi automatizzati accelerano la validazione dei materiali predetti dall’IA. Eliminano l’errore umano e svolgono instancabilmente compiti ripetitivi. Ciò permette ai ricercatori umani di concentrarsi sulla risoluzione di problemi di livello superiore e sul pensiero creativo. Quando la progettazione dell’IA incontra gli esperimenti robotici, crea un potente motore di scoperta.

Impatto reale: dalle batterie agli edifici

Gli usi pratici dell’IA nella scienza dei materiali sono enormi e in rapida crescita. Vediamo già il suo impatto in aree chiave. Consideriamo la domanda di batterie migliori. I veicoli elettrici e lo stoccaggio di energia rinnovabile richiedono batterie più leggere, sicure e con maggiore densità energetica. L’IA aiuta a trovare nuovi materiali per elettrodi ed elettroliti.

Ad esempio, i ricercatori del MIT hanno utilizzato il machine learning per scoprire nuovi materiali per batterie a stato solido nel 2022. Il loro modello di IA ha analizzato milioni di potenziali composti. Ha identificato diversi candidati promettenti per conduttori a ioni veloci. Questi sono fondamentali per le batterie di prossima generazione. Questo processo ha richiesto giorni, non anni.

Nel settore aerospaziale, l’IA aiuta a progettare leghe più leggere e resistenti per i componenti degli aeromobili. Questi materiali migliorano l’efficienza del carburante e la sicurezza. Aziende come Boeing stanno investendo in strumenti di IA per migliorare la selezione dei materiali per i nuovi progetti. Ciò porta a cicli di sviluppo ridotti e costi di produzione inferiori.

RoboRXN di IBM Research è un sistema robotico basato sull'IA progettato per automatizzare complesse reazioni chimiche, dalla pesatura delle sostanze chimiche alla purificazione dei prodotti. Questo "laboratorio a guida autonoma" consente ai chimici di progettare molecole e far sì che RoboRXN tenti di crearle, accelerando la scoperta dei materiali. (Fonte: spectrum.ieee.org)

L’IA sta anche influenzando i materiali sostenibili. I ricercatori stanno utilizzando l’IA per scoprire plastiche biodegradabili o catalizzatori più efficienti per la cattura del carbonio. Ciò aiuta ad affrontare urgenti sfide ambientali. La capacità di screening rapido e di previsione delle proprietà consente uno sviluppo più rapido di alternative ecologiche.

Il prossimo capitolo per i materiali intelligenti

Il viaggio dell’IA nella scienza dei materiali è solo all’inizio. Ci stiamo muovendo verso un futuro in cui i materiali potranno essere progettati su richiesta, proprio come il software oggi. Ciò significa che si specifica ciò che si desidera. Quindi l’IA genera la migliore struttura atomica. Questo potrebbe portare a importanti progressi in medicina, energia ed elettronica.

Una direzione entusiasmante è lo sviluppo di materiali auto-riparanti. Immaginate un calcestruzzo che ripara le proprie crepe o un polimero che si ripara da solo dopo un danno. L’IA può aiutare a identificare i meccanismi molecolari necessari per tale auto-riparazione. Può quindi progettare materiali che incorporano queste caratteristiche.

Sono disponibili sempre più dati di alta qualità sui materiali. In combinazione con algoritmi di IA più potenti, ciò continuerà ad accelerare la scoperta. La collaborazione tra scienziati dei materiali, informatici e ingegneri è fondamentale. Stiamo costruendo un futuro in cui i nostri strumenti sono progettisti intelligenti e capaci. La prossima generazione di materiali nascerà da questa potente partnership.

Domande frequenti

D1: Qual è il principale vantaggio dell’utilizzo dell’IA nella scienza dei materiali? R1: Il principale vantaggio è la capacità di prevedere le proprietà dei materiali e persino di progettare nuovi materiali computazionalmente. Ciò riduce drasticamente la necessità di esperimenti fisici lenti, costosi e spesso dispendiosi.

D2: L’IA sostituisce gli scienziati dei materiali umani? R2: No, l’IA aiuta gli scienziati umani. L’IA gestisce l’analisi dei dati, la previsione e l’automazione dei compiti ripetitivi. Ciò permette ai ricercatori umani di concentrarsi sulla risoluzione di problemi complessi, sulla generazione creativa di ipotesi e sulla progettazione sperimentale.

D3: Che tipo di dati utilizza l’IA per la scoperta dei materiali? R3: L’IA utilizza vasti set di dati provenienti da fonti come la letteratura scientifica, i database sperimentali e le simulazioni computazionali. Ciò include informazioni su strutture atomiche, composizioni chimiche e proprietà fisiche o chimiche osservate dei materiali.

D4: L’IA può progettare un materiale che infrange le leggi della fisica? R4: No. I modelli di IA sono addestrati su dati e principi scientifici esistenti. Sebbene possano proporre nuove combinazioni, queste proposte seguono comunque le leggi fondamentali della fisica e della chimica.

I materiali auto-riparanti, come questo polimero o calcestruzzo, sono progettati per riparare autonomamente i danni, prolungandone la durata e riducendo gli sprechi. L'IA sta accelerando la scoperta dei meccanismi molecolari che consentono a questi materiali di ripararsi da soli dopo un danno. (Fonte: delzottoproducts.com)

---

Potrebbe interessarti anche:

👉 UC Berkeley: nel 2023 il metamateriale che fa svanire il suono

👉 EAU: l’AI fa fiorire il deserto. Cibo per la nazione con meno dell’1% di terra coltivabile

👉 Marte e le stelle: la nostra corsa spaziale frenata dai razzi anni ‘60