Da un gruppo di ricercatori italiani, nasce un database “evolutivo” che accelera la ricerca di composti per batterie, fotovoltaico e accumulo.
L’intelligenza artificiale entra nel cuore della ricerca sui materiali per l’energia. Un team di ricercatori del Laboratorio di Modellazione Multi-Scala – SMaLL – gruppo di ricerca ingegneristica avviato con l’obiettivo di proporre e promuovere soluzioni innovative per applicazioni legate al settore energetico – presso il Dipartimento Energia (DENERG) del Politecnico di Torino, ha sviluppato Energy-GNoME, un protocollo e un database “vivente” capace di selezionare automaticamente migliaia di nuovi materiali sostenibili per applicazioni energetiche. Lo studio, pubblicato su Energy and AI, rappresenta un passo decisivo verso una nuova generazione di strumenti computazionali per la transizione verde.
Il progetto, coordinato da Eliodoro Chiavazzo insieme a Paolo De Angelis, Giulio Barletta, Giovanni Trezza e Pietro Asinari, nasce per dare un senso pratico ai risultati del progetto GNoME di Google DeepMind, che ha messo a disposizione della comunità scientifica oltre 400.000 nuovi materiali teoricamente stabili. “Quei composti erano previsti come realizzabili, ma non si sapeva se e come potessero essere utili. Ci siamo chiesti se fosse possibile usare l’intelligenza artificiale per orientare questa mole di dati verso applicazioni reali”, spiega il professor Chiavazzo a Rinnovabili.
L’Intelligenza artificiale scopre nuovi materiali per l’energia
L’idea del gruppo torinese è stata costruire un ponte tra l’intelligenza artificiale generativa e la scienza dei materiali applicata all’energia. Il protocollo si articola in due fasi: nella prima, una rete di “esperti artificiali” valuta i materiali generati da GNoME e, attraverso un sistema di voto a maggioranza, individua i composti con la maggiore probabilità di possedere caratteristiche utili; nella seconda fase, altri modelli predittivi stimano in dettaglio le proprietà fisiche e chimiche di interesse per le applicazioni energetiche.
Questo doppio filtro consente di ridurre drasticamente l’enorme volume iniziale — da 400.000 a circa 38.500 nuovi candidati per tre grandi famiglie di applicazioni: termoelettriche, fotovoltaiche e batterie sostenibili. “L’intelligenza artificiale osserva i materiali già usati per scopi energetici, li confronta con quelli nuovi e trova somiglianze strutturali e funzionali. In questo modo riesce a scremare il database e a concentrare la ricerca sui campioni più promettenti”, racconta Chiavazzo.
Nuove opportunità per batterie sostenibili
Una delle priorità di Energy-GNoME riguarda proprio la ricerca di materiali alternativi per le batterie post-litio, oggi considerate cruciali per superare la dipendenza da elementi rari o critici. Il protocollo del Politecnico ha individuato oltre 21.000 potenziali materiali per catodi di batterie a base di litio, sodio, magnesio e altri metalli, stimandone parametri chiave come tensione media, stabilità e capacità gravimetrica.
“Il materiale incide fino al 70% del costo totale di una batteria. Se riusciamo a ridurre quel costo e a usare elementi meno impattanti, le batterie diventeranno più accessibili e sostenibili”, sottolinea Chiavazzo. “È un passo necessario per favorire la penetrazione delle rinnovabili nella rete elettrica e garantire stabilità al sistema energetico”.
Lo studio mostra inoltre che il metodo funziona anche per altri ambiti energetici: 13.000 nuovi composti termoelettrici e oltre 4.200 perovskiti per il fotovoltaico sono stati identificati come candidati ad alte prestazioni.
Dalla simulazione al laboratorio alla ricerca di nuovi materiali per l’energia
Il progetto si trova ora nella fase di validazione teorica e sperimentale. I ricercatori stanno collaborando con diversi gruppi per testare al computer e in laboratorio una selezione dei materiali più promettenti. “Energy-GNoME è solo il primo anello di una catena. Ora stiamo verificando con software più accurati le previsioni e lavoriamo con partner sperimentali per sintetizzare alcuni composti e verificarne le proprietà reali”, spiega Chiavazzo.
La potenza computazionale richiesta per queste verifiche è elevata: parte delle simulazioni viene svolta sul supercomputer LEONARDO di CINECA, nell’ambito del progetto ISCRA. Questo approccio, unito all’apertura open-source del codice, consentirà di migliorare progressivamente la precisione del modello. Il database è infatti progettato come una piattaforma “evolutiva”, che si aggiorna man mano che la comunità scientifica aggiunge nuovi dati numerici o sperimentali.
Una piattaforma aperta per la transizione energetica
I risultati del progetto sono consultabili online su Energy-GNoME, dove il database interattivo permette di esplorare i materiali candidati e i relativi parametri. Il codice è disponibile su GitHub e i dati sono archiviati su Zenodo, per favorire la collaborazione con laboratori di tutto il mondo.
“Vogliamo che la comunità scientifica partecipi attivamente. Il database può essere aggiornato e migliorato da chiunque, in un processo continuo di apprendimento attivo”, sottolinea Chiavazzo. “In questo modo Energy-GNoME diventa uno strumento condiviso per accelerare la scoperta di nuovi materiali sostenibili”.
L’approccio è già stato riconosciuto come una nuova frontiera della modellazione dei materiali, perché combina dati sperimentali, teoria e apprendimento automatico in un linguaggio interoperabile e accessibile.
Oltre l’energia: non solo batterie, il sistema può essere utile anche ad altri campi della scienza
Sebbene il progetto sia focalizzato sui materiali per l’energia, il metodo di screening sviluppato al Politecnico è generale e può essere applicato a numerosi altri campi scientifici. “Lo stesso approccio potrebbe servire nella catalisi, nella biomedicina o persino nella progettazione di molecole per i vaccini. Il nostro obiettivo di lungo periodo è creare un modello scalabile, capace di orientare la ricerca in qualsiasi settore in cui esistano grandi quantità di dati non interpretati”, spiega Chiavazzo. I ricercatori vedono in Energy-GNoME non solo un database, ma una mappa per guidare la scoperta dei materiali avanzati in molteplici domini, dal quantum computing alle tecnologie emergenti per la sostenibilità.
