Mentre l’AI identifica nuove strutture cristalline, il Politecnico di Torino ne svela l’utilità grazie a un protocollo per selezionarle e caratterizzarle 

Esiste un nuovo continente, fatto non di terre emerse, ma di strutture atomiche inedite. È un mondo vastissimo, dischiuso dall’AI, ma così enorme che nessuno sapeva davvero come esplorarlo. Fino ad ora. Il Politecnico di Torino ha forgiato la bussola. Un gruppo di ricerca infatti, attraverso il progetto Energy-GNoME, ha sviluppato un protocollo metodologico innovativo, basato su una combinazione strategica di tecniche di Machine Learning (ML) e Deep Learning (DL), con lo scopo di analizzare in modo efficiente e mirato l’enorme mole di dati derivanti da GNoME (DeepMind Google), database di materiali creati con l’AI. 

L’obiettivo è quello di classificare e indirizzare questi materiali per le applicazioni per le quali sono più idonei, fattore particolarmente importante in un settore come quello energetico. Ma il progetto non si limita all’analisi di questi materiali: è l’istituzione di un paradigma di ricerca trasversale, applicabile a molti altri settori, nonché alla democratizzazione dei risultati dello studio. Infatti, i materiali, una volta elaborati e testati nell’applicazione energetica per la quale sono risultati più idonei, potranno essere prodotti su larga scala da tutti. Un esito che toglierebbe l’egemonia a pochi grandi produttori e cambierebbe la rotta della corsa alle “terre rare”, ad oggi materie prime indispensabili che però rappresentano un problema irrisolto dal punto di vista ambientale, etico e geopolitico. 

Da cosa nasce cosa e da GNoME nasce Energy-GNoME

Energy-GNoME non può essere pienamente compreso senza prima analizzare il monumentale lavoro sul quale si fonda: il progetto GNoME (Graph Networks for Materials Exploration) di Google DeepMind. Alla base di GNoME vi è un’architettura IA, progettata specificamente per il dominio di caratteristiche fisiche e chimiche dello stato solido. Gli strumenti principali impiegati sono le Reti Neurali a Grafo (Graph Neural Networks, GNNs) e una metodologia di apprendimento attivo (Active Learning). Le reti neurali a grafo (GNNs) sono una classe di modelli di deep learning (reti neurali artificiali multi-stratificate, in grado di analizzare sistemi complessi di dati) particolarmente idonea per estrarre rappresentazioni grafiche a partire dai dati, come quelle dei sistemi cristallini che descrivono la geometria delle sostanze solide.

Nella scienza dei materiali, una struttura cristallina può essere rappresentata appunto come un grafo dove i nodi corrispondono agli atomi e gli spigoli (o archi) rappresentano i legami chimici o, più in generale, le connessioni e le distanze tra gli atomi. A differenza dei metodi precedenti che si basavano su descrittori ingegnerizzati manualmente (feature engineering), le GNNs apprendono autonomamente dalla topologia e dalla geometria atomica, catturando informazioni complesse sulle caratteristiche fisiche e chimiche che quella particolare disposizione garantisce alla materia. 

Per quanto riguarda l’apprendimento attivo (Active Learning), il processo si basa su 4 fasi. La prima è la predizione, ovvero la generazione di nuove configurazioni cristalline di materiali potenzialmente stabili. C’è poi la verifica computazionale, in cui le strutture vengono testate per valutarne la stabilità termodinamica. In terzo luogo c’è il riadattamento e infine l’iterazione, ovvero l’integrazione del modello con nuove informazioni per poter riavviare il processo generativo in modo più preciso. 

Un salto nella ricerca che vale 800 anni

Questo approccio di apprendimento attivo, mescolato alla struttura funzionale delle GNNs, ha permesso a GNoME di esplorare il vasto “spazio chimico” delle possibili combinazioni di elementi in modo esponenzialmente più efficiente rispetto a uno screening esaustivo o casuale, concentrando le risorse computazionali sulle regioni più promettenti dello spazio di ricerca. In questo modo, il sistema di GNoME di Google DeepMind ha portato alla scoperta di2.2 milioni di nuove strutture cristalline. Un’impresa che, secondo le ipotesi stimate, avrebbe richiesto circa 800 anni di ricerca con un approccio tradizionale. Tuttavia, il risultato più significativo non è la quantità delle strutture generate, quanto il numero dei materiali predetti come termodinamicamente stabili. La stabilità, infatti, è un prerequisito fondamentale affinché un materiale possa esistere ed essere sintetizzato in laboratorio.

A partire dall’enorme mole di dati, GNoME è riuscito a identificare ben 380.000 possibili materiali stabili con un potenziale per applicazioni tecnologiche. Tuttavia, non è stata fatta una completa caratterizzazione di questi materiali, e di conseguenza non sono state rese note le informazioni sulle loro proprietà funzionali e i possibili usi. Comprensibile, considerando che un database così grande è un campione troppo vasto per poter essere analizzato sia sperimentalmente, sia tramite simulazioni computazionali approfondite per ogni possibile applicazione. Il fulcro della ricerca si è quindi spostato: non è più la generazione di nuovi candidati, ma la loro interpretazione, selezione e caratterizzazione mirata. Ed è proprio qui che entra in gioco il lavoro del Politecnico di Torino. 

Da 20.000 a 421.000: GNoME amplia enormemente il numero di cristalli considerati stabili, superando i limiti dei database sperimentali e computazionali precedenti.

Filtrare e sfruttare in modo sistematico un enorme dataset

Il progetto Energy-GNoME è stato concepito per colmare questo divario, fornendo un “ponte essenziale tra la generazione di nuovi materiali ed il loro utilizzo pratico”. L’obiettivo era quello di sviluppare un protocollo metodologico per riuscire a identificare, con alta precisione, i materiali più promettenti, in questo caso con una spiccata attenzione per l’ambito energetico. L’innovatività di Energy-GNoME sta nella variazione del paradigma computazionale di base, che ne permette lo screening funzionale ed applicativo in tempistiche molto ridotte rispetto a quelle ottenibili con un approccio tradizionale, o anche di simulazione computazionale classica.

Il nuovo paradigma: il materiale come passaggio intermedio in un ecosistema digitale

Non si tratta più semplicemente di “scoprire” nuovi materiali, un processo tradizionalmente lungo e incerto, ma di filtrare, connettere e sfruttare in modo sistematico un dataset già ampio e in crescita di materiali candidati. In passato, lo scopo primario era trovare un materiale funzionale. Oggi lo stesso materiale entra in un ecosistema digitale vivo, costituito da un database aggiornabile che integra costantemente nuove misurazioni, simulazioni e applicazioni. In altre parole, ciò che un tempo rappresentava il risultato finale diventa ora un passaggio intermedio. Un materiale individuato può essere subito testato, ottimizzato e applicato in un ciclo rapido. Un processo che richiedeva anni o decenni viene oggi completato in mesi, o persino in settimane.

Energy-GNoME è uno dei primi progetti di natura interdisciplinare che si presta ad affrontare questo nuovo paradigma, cioè quello di trasformare il materiale grezzo, realizzato e fornito dai modelli AI e computazionali in forme di conoscenza fruibile ed applicabile. I ricercatori, coordinati dal Professor Eliodoro Chiavazzo, afferiscono al laboratorio SMaLL (multi-Scale ModeLing Laboratory), presso il Dipartimento dell’Energia “Galileo Ferraris” (DENERG), un centro di eccellenza per la ricerca nei campi dell’energia e della termodinamica. In linea con i principi della scienza aperta, il team ha reso il database di Energy-GNoME una risorsa pubblicamente accessibile alla comunità scientifica, favorendone l’adozione e l’utilizzo per ulteriori ricerche.

Le implicazioni nel settore energetico

L’applicazione del protocollo Energy-GNoME al vasto database di GNoME ha prodotto un catalogo senza precedenti di nuovi materiali candidati, specificamente selezionati per il loro potenziale nel campo della generazione e conversione di energia. I risultati si concentrano su tre aree tecnologiche di importanza strategica per la transizione energetica. La prima è quella del fotovoltaico a perovskite (di cui 4.300 circa materiali candidati). La seconda è quella dei materiali termoelettrici per il recupero di calore (circa 7500 materiali candidati). Infine, la terza area riguarda i catodi per batterie ad alte prestazioni (circa 21mila possibili candidati).

L’accumulo di energia è il pilastro su cui si regge la transizione verso un sistema energetico basato su fonti rinnovabili intermittenti come il solare e l’eolico, oltre a essere la tecnologia chiave per l’elettrificazione dei trasporti. Le celle solari a base di perovskite sono emerse negli ultimi anni come una delle tecnologie fotovoltaiche più promettenti. Offrono potenzialmente un’efficienza di conversione energetica superiore a quella del silicio, materiale usato tradizionalmente per le celle solari, ma con la caratteristica vantaggiosa di essere prodotte più facilmente. Tuttavia, la loro commercializzazione su larga scala è ancora ostacolata da una loro durabilità molto limitata, specialmente in presenza di umidità e calore, e la presenza del piombo, un elemento tossico.

Per queste ragioni, il protocollo Energy-GNoME ha setacciato il database GNoME e identificato 4.259 nuovi materiali con una struttura a perovskite. Ciascuno di essi possiede la proprietà elettronica chiave per assorbire la porzione di spettro solare più efficiente e convertirla in elettricità. Un band gap ottimale è infatti cruciale per massimizzare l’efficienza di una cella solare. L’esplorazione di un così vasto numero di nuove composizioni chimiche, dentro un procedimento così accelerato, aumenta significativamente la probabilità di identificare perovskiti che siano intrinsecamente più stabili o che non contengano piombo. 

La ricerca di nuovi catodi: tensione, stabilità e densità energetica

Per quanto riguarda il mondo delle batterie, quelle agli ioni di litio dominano attualmente il mercato, ma c’è necessità di sviluppare batterie con maggiore densità energetica, maggiore sicurezza e una vita utile più lunga. Il materiale del catodo (l’elettrodo positivo) gioca un ruolo preponderante nel determinare queste prestazioni. Le famiglie di materiali catodici attualmente in uso sono il risultato di decenni di ricerca e progresso. Ognuna di esse presenta un compromesso specifico tra le proprietà che le caratterizzano, con differenti densità energetiche, costi e durata.

L’obiettivo è creare un nuovo materiale catodico che superi questi compromessi, e riduca la dipendenza di approvvigionamento di elementi costosi e geopoliticamente critici come le cosiddette “terre rare”.

In questo ambito, Energy-GNoME ha prodotto il suo risultato più impressionante: un numero di identificazioni di diversi ordini di grandezza superiore a qualsiasi altro sforzo di screening precedente, che conta ben 21.243 nuovi materiali candidati per essere utilizzati come catodi nelle batterie a ioni di litio e oltre (sodio, potassio, etc.). Per le applicazioni energetiche, le proprietà decisive di questi materiali sono tensione e stabilità. La tensione è un moltiplicatore di potenza: a parità di capacità, un materiale che opera a una tensione più elevata produce una batteria con maggiore densità energetica. Il risultato diretto è un’autonomia superiore per dispositivi e veicoli. La stabilità, invece, è il requisito per la longevità. Determina la capacità del materiale di resistere a centinaia o migliaia di cicli di carica e scarica senza degradarsi, garantendo che le prestazioni non crollino nel tempo. 

Democratizzare metodo e materiali

È fondamentale sottolineare che i risultati presentati da Energy-GNoME sono, allo stato attuale, previsioni computazionali. I passi successivi sono la sintesi e la validazione sperimentale in laboratorio dei candidati più promettenti identificati dal protocollo. La pubblicazione di questo vasto catalogo di potenziali materiali catodici, corredato dalla predizione della loro tensione operativa, permette una ricerca molto più mirata ed efficiente rispetto ad un’esplorazione tradizionale più lenta e costosa, intuitiva e basata su prove ed errori. Vi è un secondo contributo fondamentale di Energy-GNoME al mondo della scienza: l’interdisciplinarità del suo paradigma metodologico. Infatti, il procedimento a due fasi (classificazione di un vasto repertorio di dati + regressione su base di funzioni caratteristiche) è neutro rispetto al dominio di applicazione. Motivo per cui può essere esteso ad altri ambiti oltre a quelli trattati dal progetto, regalando così una possibile linea metodologia usufruibile come standard anche da altri settori. 

L’apertura e l’accessibilità del database Energy-GNoME hanno il potenziale di democratizzare la scoperta di materiali per batterie. Attualmente, la ricerca in questo campo è spesso dominata da grandi aziende e laboratori nazionali dotati di immense risorse computazionali e sperimentali. Fornendo un database pre-filtrato di migliaia di candidati ad alto potenziale, il team del Politecnico di Torino abbassa significativamente la barriera d’ingresso per laboratori universitari più piccoli o gruppi di ricerca in tutto il mondo. Questi gruppi possono ora concentrare le risorse disponibili sulla fase cruciale di sintesi e validazione dei candidati più validi, invece che sullo screening iniziale ad alto rischio e ad alto costo. Questo atto di rendere la conoscenza liberamente accessibile e più democratica non è un atto fine a sé stesso o una presa di posizione politica, ma un potenziale catalizzatore per un’innovazione più distribuita, collaborativa e accelerata nel campo dell’accumulo energetico.