L’IA scopre nuovi materiali per le batterie di nuova generazione

Litio vs il resto

Le batterie agli ioni di litio hanno finora dominato il panorama dell’elettrificazione, in gran parte grazie alle proprietà elettriche uniche degli atomi di litio. In parole povere, il litio, essendo il 3^° elemento più leggero della tavola periodica, è il più potente quando si tratta di trasportare cariche con un singolo elettrone.

Fonte: Medium

Tuttavia, il litio è costoso, rendendo le chimiche di batterie alternative potenzialmente attraenti dal punto di vista economico. In particolare, le batterie al sodio stanno guadagnando terreno per questo stesso motivo.

Sembra che un altro design possa avere più potenziale di quanto si pensasse in precedenza: le batterie a ioni multivalenti. Esse utilizzano ioni metallici che possono trasportare più di un elettrone alla volta e potrebbero essere più convenienti rispetto alle batterie agli ioni di litio.

Il recente breakthrough è stato ottenuto usando l’IA per testare milioni di combinazioni di materiali per batterie. Questa scoperta è stata realizzata da ricercatori del New Jersey Institute of Technology (NJIT) e del Rensselaer Polytechnic Institute (RPI) (USA). Hanno pubblicato i loro risultati su Cell Reports Physical Science¹, con il titolo “IA generativa per la scoperta di materiali ossido porosi per l’accumulo di energia di nuova generazione”.

I diversi tipi di batterie ioniche

Se le batterie agli ioni di litio hanno conquistato l’elettronica di piccole dimensioni e i primi progetti di veicoli elettrici grazie alla loro densità energetica, molti altri ioni metallici possono essere utilizzati secondo lo stesso principio.

Come discusso, le batterie al sodio sono attualmente un’alternativa popolare, sempre più prodotta in massa per modelli di veicoli elettrici economici.

Un’altra opzione è utilizzare magnesio, calcio, alluminio o zinco, tutti ioni multivalenti. Ciò significa che trasportano due o addirittura tre cariche positive.

Tuttavia, la carica più grande comporta anche dimensioni più grandi. Entrambe le specifiche atomiche più grandi rendono gli ioni multivalenti difficili da accogliere in modo efficiente nei materiali delle batterie, riducendo troppo la densità della batteria per renderla commercialmente praticabile.

Almeno, questo era vero con i materiali convenzionali sviluppati per ioni di litio o sodio. Ma sono lontani dall’essere gli unici materiali possibili per le batterie. Molte altre strutture cristalline potrebbero essere costruite per ospitare gli ioni il cui movimento trasporta le cariche elettriche.

“Uno dei più grandi ostacoli non era la mancanza di chimiche promettenti per le batterie — era l’impossibilità di testare milioni di combinazioni di materiali,”

Prof. Dibakar Datta – New Jersey Institute of Technology (NJIT)

IA a supporto della ricerca

Un assistente potente

Le menti umane non sono le migliori nel gestire set di dati dove i numeri arrivano a milioni. Ma le IA eccellono in questo.

È una tendenza crescente tra i ricercatori, soprattutto nelle scienze dei materiali o nella biotecnologia, utilizzare la tecnologia IA per aiutare a identificare le idee più promettenti, prima di analizzarle e testarle più rigorosamente.

“Ci siamo rivolti all’IA generativa come metodo rapido e sistematico per setacciare quel vasto panorama e individuare le poche strutture che potrebbero davvero rendere pratiche le batterie multivalenti.

Prof. Dibakar Datta – New Jersey Institute of Technology (NJIT)

In precedenza, un modello computazionale basato esclusivamente sulla fisica non sarebbe stato in grado di gestire il calcolo estremamente complesso richiesto per modellare un nuovo tipo di struttura cristallina.

Ma i nuovi tipi di IA, basati su apprendimento automatico e reti neurali, sono più capaci di “indovinare” la proprietà generale di un materiale senza il calcolo matematico formale della fisica sottostante.

Fonte: Cell

I ricercatori hanno sviluppato un sistema che utilizza due diversi tipi di IA contemporaneamente, uno esperto di cristalli e uno LLM (Large Language Model), la stessa base tecnologica dietro ChatGPT.

Fonte: Cell

Autoencoder Variazionale a Diffusione Cristallina (CDVAE)

Il modello CDVAE ha generato 10.000 strutture, che sono state sottoposte a una serie di passaggi di screening e validazione precisi per garantire che soddisfacessero gli standard necessari.

Ad esempio, ha verificato che la distanza tra le coppie di atomi fosse sufficientemente grande, o la neutralità di carica del sistema.

Questo metodo ha generato 42 strutture potenzialmente utilizzabili per materiali di batterie.

Di queste, 21 strutture corrispondevano a voci esistenti nel database ma offrivano nuove configurazioni con differenze in stechiometria, parametri di reticolo o gruppi spaziali. Le restanti 21 strutture erano interamente nuove.

Fonte: Cell

Quindi ha creato sia nuove versioni di materiali esistenti precedentemente sconosciute sia potenziali nuovi materiali per batterie completamente nuovi.

LLM

I ricercatori hanno poi utilizzato Llama-3.1-8B di Meta, appositamente calibrato e personalizzato per generare strutture cristalline.

Fonte: Cell

Questo ha generato più di 10.000 strutture cristalline, delle quali 1.087 sono rimaste dopo il controllo di integrità strutturale. Utilizzando gli stessi filtri del CDVAE, si è arrivati a 13 candidati potenziali, dei quali le 5 strutture più stabili sono state scelte.

Fonte: Cell

Scorri →

Sfida ai risultati dell’IA

I ricercatori hanno usato un metodo di test matematico chiamato “relassamento DFT”, calcolando l’energia libera del materiale (legata alla stabilità), per verificare la qualità del materiale trovato.

Appare rapidamente che i materiali cristallini generati dall’LLM erano generalmente molto migliori e più stabili rispetto a quelli generati con CDVAE.

Fonte: Cell

“I nostri strumenti IA hanno accelerato drammaticamente il processo di scoperta, rivelando cinque strutture di ossidi di transizione porosi completamente nuove che mostrano un promettente potenziale,”

Prof. Dibakar Datta – New Jersey Institute of Technology (NJIT)

Può essere realizzato?

Il team ha convalidato le strutture generate dall’IA usando simulazioni meccaniche quantistiche e test di stabilità, confermando che i materiali potrebbero effettivamente essere sintetizzati sperimentalmente e hanno un grande potenziale per applicazioni nel mondo reale.

“Questi materiali hanno grandi canali aperti ideali per far muovere rapidamente e in sicurezza questi ingombranti ioni multivalenti, una svolta critica per le batterie di prossima generazione.” (FB )

Prof. Dibakar Datta – New Jersey Institute of Technology (NJIT)

Il prossimo passo sarà collaborare con laboratori sperimentali per sintetizzare e testare i nuovi materiali progettati dall’IA.

Potrebbe rendere le batterie multivalenti il prossimo passo nella tecnologia delle batterie. Finora, la mancanza di un buon materiale in grado di accettare gli atomi più grandi ha bloccato lo sviluppo di questa opzione. Utilizzando materiali migliori per immagazzinare magnesio, alluminio o altri ioni di grandi dimensioni, la capacità di trasporto multielettronico di questi atomi potrebbe un giorno superare persino la potente, ma a singolo elettrone, capacità del litio.

Investire nella scienza dei materiali e nell’innovazione IA

Meta: scienza dei materiali guidata dall’IA

Oggi, Meta è ancora per lo più conosciuta per le sue piattaforme di social media Facebook e Instagram, così come per la chat WhatsApp. È anche presente nello spazio della realtà virtuale (VR) con i suoi visori VR e il suo relativamente poco riuscito “Metaverso”.

Importante, però, Meta è un’azienda IA con investimenti massicci in infrastrutture per realizzarlo.

“Il primo data center multi-gigawatt, soprannominato Prometheus, dovrebbe entrare in funzione nel 2026, mentre un altro, chiamato Hyperion, potrà scalare fino a 5 gigawatt nei prossimi anni.

“Stiamo costruendo anche più cluster titanici. Solo uno di questi copre una parte significativa dell’area di Manhattan.

Mark Zuckerberg – Fondatore e CEO di Meta

La tecnologia LLM sembra a prima vista utile soprattutto per compiti “verbali”, come chatbot, ricerca online migliorata, istruzione e altre attività incentrate sull’uomo.

Ma questa ricerca dimostra che la capacità dei LLM di apprendere il linguaggio può essere impiegata in altri compiti ad alta intensità di dati, come “parlare” strutture cristalline. Lo stesso vale per i codici genetici, per esempio.

Ciò significa che i progressi negli algoritmi LLM probabilmente inaugureranno un’era d’oro di nuove scoperte nella creazione di nuovi materiali per batterie, materiali avanzati, generazione di energia, ecc., così come nuovi tipi di proteine e materiali DNA/RNA che possono essere trasformati in medicinali, strumenti di bioproduzione, ecc.

In questo contesto, ciò implica che aziende come Meta e i suoi modelli Llama LLM non solo stanno costruendo potenziali sostituzioni tecnologiche redditizie per gli strumenti esistenti, ma potrebbero anche trasformarsi in una potenza di IP nel mondo fisico.

In tale contesto, si può ricordare che il business tecnologico originario di aziende come Meta, o per quel che conta Google (GOOGL ) o Microsoft (MSFT ), era solo un trampolino prima di trasformarle in giganti guidati da IA e IP che cambiano il mondo con molte nuove tecnologie, inclusi i settori dell’energia rinnovabile e delle scienze dei materiali.

Ultime notizie e sviluppi sulle azioni Meta (META)

Studio citato

^{1. Joy Datta, Amruth Nadimpally, Nikhil Koratkar, Dibakar Datta. IA generativa per la scoperta di materiali ossido porosi per l’accumulo di energia di nuova generazione.Cell Reports Physical Science, Volume 6, Issue 7, 102665. 16 luglio 2025. https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00264-4}