5 Scoperte AI che stanno trasformando la scoperta dei materiali oggi

L’intelligenza artificiale (IA) continua a trasformare il mondo e a rimodellare il futuro dell’umanità.

La tecnologia sta guidando cambiamenti in quasi tutti i settori eseguendo compiti che tipicamente richiedono l’intelligenza umana. I sistemi di IA utilizzano enormi quantità di dati per identificare schemi e prendere decisioni. 

In questo modo, l’IA è in grado di simulare certi livelli di ragionamento e processi cognitivi simili a quelli umani.

Secondo il World Trade Report, i guadagni di produttività e i benefici di costo dell’IA possono aumentare il PIL globale del 12-13% entro il 2040.

Riducendo del 50% il divario di infrastrutture digitali con le economie ad alto reddito e adottando l’IA più ampiamente, le economie a basso e medio reddito possono registrare un aumento del reddito fino al 15% incremento dei loro redditi.

Oltre ad aiutare le nazioni a rafforzare la loro produttività, il commercio e la posizione economica, l’IA può aiutare la società guidando innovazioni in tutti i settori. Uno dei modi in cui la tecnologia lo sta facendo attualmente è attraverso la scoperta dei materiali. 

La promessa dell’IA nella scoperta dei materiali

La scoperta dei materiali è sempre stata fondamentale per l’innovazione. Molti secoli fa, la combinazione di rame e stagno ha portato all’Età del Bronzo, quando strumenti e armi più resistenti hanno trasformato il commercio e le società.

Poi arrivò l’Età del Ferro, quando la padronanza del ferro rimodellò le economie. Avanzando rapidamente al XIX secolo, l’acciaio divenne ampiamente adottato. Una lega di ferro e carbonio, l’acciaio fu la spina dorsale di ferrovie, grattacieli, navi e macchinari, alimentando la Rivoluzione Industriale e l’espansione globale.

Alla fine del XX secolo, l’Età del Silicio ha trasformato il mondo con la scoperta e la raffinazione dei semiconduttori, che sono la base dell’elettronica moderna. Siamo ora nell’era dei materiali avanzati, dove grafene, nanotubi di carbonio e materiali quantistici stanno aprendo porte a energia più pulita, aerei più leggeri e calcolo più veloce.

L’avvento dell’IA e del machine learning (ML) sta contribuendo all’innovazione nei materiali e, per estensione, in vari settori, accelerando significativamente il processo di scoperta, progettazione e ottimizzazione dei materiali.

Per questo, l’IA utilizza algoritmi e modelli per esaminare enormi database di candidati per esigenze applicative specifiche. Qui, i modelli di deep learning come le Graph Neural Networks (GNN) e le Recurrent Neural Networks (RNN) sono fondamentali per analizzare i complessi set di dati presenti nella scienza dei materiali.

Possono anche identificare materiali esistenti con le proprietà desiderate da questi database e persino prevedere le proprietà dei materiali in base alla loro composizione e struttura.

Con l’aiuto dell’IA, il campo della scienza dei materiali può superare i metodi tradizionali di prova ed errore, che sono lunghi e costosi.

Inoltre, i modelli di IA possono generare nuove strutture di materiali su misura per requisiti specifici. Quando integrati con piattaforme sperimentali automatizzate, l’IA può accelerare il lungo processo dalla scoperta del materiale alla produzione.

Nonostante questi vantaggi, rimangono sfide riguardo alla mancanza di dati di qualità e abbondanti per alcuni materiali. La sintesi di successo di materiali appena scoperti e progettati in laboratorio è un’altra grande sfida.

Come ha osservato il materiale scientist Anthony Cheetham dell’UCSB in Nature¹ dopo aver esaminato la lista di 2,2 milioni di cristalli ipotetici trovati da GNoME, uno strumento IA di DeepMind, “È una cosa scoprire un composto, e una cosa totalmente diversa scoprire un nuovo materiale funzionale.”

Notando ulteriormente l’impraticabilità di molti composti predetti dall’IA, Cheetham ha detto:

“Abbiamo trovato molte cose che erano ridicole.”

Ciò dimostra il divario tra previsione e realizzazione pratica. Ciò che questo divario richiede è la combinazione di IA con l’esperienza umana e la scienza sperimentale.

Tuttavia, la promessa dell’IA di rivoluzionare la scienza dei materiali non può semplicemente essere ignorata. Data la sua capacità di portare a uno sviluppo più rapido di materiali per energia, sanità, automotive, aerospaziale e altre applicazioni cruciali, l’impatto è troppo grande per essere trascurato.

Quindi, diamo un’occhiata ad alcuni dei più importanti esempi di applicazione dell’IA nella scienza dei materiali che mostrano il suo potenziale nel superare i confini della scoperta e dell’innovazione dei materiali. 

Scorri per visualizzare →

1. Celle solari perovskite: Materiali e processi ottimizzati dall’IA

Una delle soluzioni più promettenti per raggiungere energia sostenibile è l’energia solare, e la sua adozione sta aumentando rapidamente. Nel 2024, il mondo ha installato un record di circa 600 GW di energia solare, con un aumento del 33 % rispetto al 2023. Entro la fine del decennio, ci si aspetta che raggiunga circa 1 TW all’anno.

Questa crescente domanda di energia solare crea la necessità di materiali più efficienti, versatili ed economici per le celle solari.

La perovskite è uno di questi materiali che offre una struttura cristallina unica. Il minerale naturalmente presente può ora essere ricreato sinteticamente. Mescolando elementi organici e inorganici, gli scienziati creano perovskiti sintetiche che mostrano notevoli proprietà di assorbimento della luce, rendendole altamente adatte per applicazioni solari.

Oltre all’alta efficienza, questi materiali offrono i vantaggi di flessibilità e banda proibita regolabile, ma persistono problemi di scalabilità e stabilità; quindi, la ricerca di nuove composizioni.

Quindi, i ricercatori si sono rivolti all’IA per correlare le prestazioni delle celle solari perovskite (PSC) con le proprietà dei materiali e i processi di conversione energetica più di un decennio fa. Hanno poi utilizzato la tecnologia per ottimizzare la composizione dei materiali, sviluppare strategie di progettazione e prevedere le prestazioni.

Nel 2019, i ricercatori dell’University of Central Florida hanno esaminato oltre 2.000 pubblicazioni peer-reviewed sulla perovskite per raccogliere più di 200 punti dati, che sono stati inseriti nel sistema IA da loro creato per ottenere la migliore ricetta per le celle solari perovskite (PSC). Nello stesso anno, gli scienziati del MIT hanno sviluppato un modello per accelerare la sintesi e l’analisi di nuovi composti di un fattore dieci e hanno scoperto due nuove perovskiti senza piombo degne di ulteriori indagini.

Nel 2022, i ricercatori del MIT e della Stanford University hanno riferito di aver utilizzato l’IA per scalare la produzione di celle solari avanzate.

Per questo, è stato creato un sistema, in sviluppo da diversi anni, per integrare dati da esperimenti precedenti così come informazioni basate sulle osservazioni personali di operatori esperti. Questa integrazione ha reso i risultati più accurati e ha portato alla produzione di celle perovskite con un’efficienza di conversione energetica del 18,5%.

Ciò è diverso dalla maggior parte dei sistemi di machine learning, che utilizzano principalmente dati grezzi e tipicamente non incorporano l’esperienza umana. Per includere informazioni esterne nel loro modello, hanno usato un fattore di probabilità basato sull’ottimizzazione bayesiana, consentendo loro di “scoprire tendenze che prima non riuscivamo a vedere”.

La scoperta di tecnologie solari perovskite avanzate con l’aiuto dell’IA sta continuando e guadagnando velocità per aumentare l’efficienza delle PSC. In uno studio del genere, l’efficienza è stata aumentata al 26,2% risparmiando “enormi quantità di tempo e risorse”.

⬆ Torna alla tabella

2. Elettrocatalizzatori per idrogeno scoperti dall’IA

Un promettente sostituto dei combustibili fossili non rinnovabili, responsabili di enormi quantità di emissioni di gas serra (GHG), è l’idrogeno. L’elemento più abbondante nell’universo, l’idrogeno, è emerso come una fonte di energia pulita e rinnovabile.

Tuttavia, la produzione efficiente di idrogeno per soddisfare la domanda su scala commerciale è una sfida seria. Qui, l’elettrolisi di scissione dell’acqua offre un percorso promettente, dove l’elettrocatalisi svolge un ruolo critico. Ciò rende lo sviluppo di elettrocatalizzatori a basso costo, attivi e stabili un prerequisito essenziale per ottenere la produzione elettrocatalitica desiderata di idrogeno dalla scissione dell’acqua.

Gli elettrocatalizzatori accelerano la produzione di idrogeno riducendo l’energia necessaria per la scissione dell’acqua, utilizzando metalli preziosi costosi come il platino o alternative più economiche come nichel, cobalto, grafene, MXene e altri.

Oltre alle proprietà e al costo del materiale, un catalizzatore specifico è scelto in base al fatto che la reazione sia acida, alcalina o operi a temperature elevate. 

Tuttavia, è molto dispendioso in tempo e costoso utilizzare il metodo tradizionale di prova ed errore per cercare materiali esistenti e nuovi adatti a migliorare le reazioni, quindi l’IA viene utilizzata per superare le limitazioni degli approcci tradizionali, scoprire nuovi candidati e migliorare i prodotti noti.

Uno studio recente ha riportato che la sua IA filtrata per entropia, addestrata su un dataset DoE, ha esaminato 16,2 milioni di composizioni chimiche per identificare Fe12Co28Ni33Mo17Pd5Pt5 come la migliore composizione per la scissione dell’acqua. La lega mostra sovrappotenziali ultrabassi per entrambe le reazioni elettrocatalitiche fondamentali, HER e OER, mantenendo una robusta stabilità.

Nel frattempo, qualche anno fa, il laboratorio di IA di Google DeepMind ha contribuito con 380.000 nuovi composti al Materials Project, una piattaforma che sostiene molte ricerche di catalizzatori e esperimenti autonomi. 

Il database open-access fondato presso il Berkeley Lab del Dipartimento dell’Energia è stato utilizzato dai ricercatori per confermare sperimentalmente proprietà utili in nuovi materiali che mostrano potenziale per la cattura del carbonio e come fotocatalizzatori, termoelettrici e conduttori trasparenti.

Il database include come sono disposti gli atomi di un materiale e quanto è stabile. GNoME è stato addestrato usando i dati e i flussi di lavoro sviluppati dal Progetto e poi migliorato tramite apprendimento attivo.

Utilizzando i calcoli di GNoME di Google DeepMind insieme ai dati del Materials Project, i ricercatori hanno testato A-Lab, una struttura al Berkeley Lab dove l’IA guida i robot nella creazione di nuovi materiali. A-Lab ha prodotto con successo 41 nuovi composti.

⬆ Torna alla tabella

3. Materiali superduri: scoperta guidata da ML oltre il diamante

Industrie come quella militare, aerospaziale e della produzione di energia richiedono materiali superduri, che sono solidi praticamente incomprimibili. Il valore di durezza di questi materiali supera i 40 gigapascal (GPa) sulla scala Vickers, e presentano alta covalenza dei legami e alta densità elettronica.

Il diamante è il materiale più duro conosciuto finora, con un valore di durezza compreso tra 70-150 GPa. Ciò significa che sarebbe necessaria una pressione superiore a questa (70-150 GPa) per lasciare un’impronta sulla superficie del diamante. Di conseguenza, è usato in utensili da taglio, abrasivi, rivestimenti resistenti all’usura e per creare esperimenti ad alta pressione.

Queste pietre preziose, che sono una forma solida dell’elemento carbonio con gli atomi disposti in una struttura cristallina cubica di diamante, sono anche utilizzate dagli scienziati per trovare nuovi materiali adatti. Ma l’IA ha cambiato questo.

Negli anni, diversi ricercatori hanno scoperto nuove fasi superdure, con uno che ha riportato BC10N, B4C5N3 e B2C3N che mostrano fasi dinamicamente stabili con valori di durezza >40 GPa.

Nel 2020, i ricercatori dell’University of Houston e del Manhattan College hanno utilizzato un modello ML per prevedere accuratamente la durezza di nuovi materiali, consentendo loro di trovare più facilmente composti appropriati.

La quantità di alta pressione necessaria per lasciare un segno sulla superficie di un materiale li rende rari, e “identificare nuovi materiali è una sfida.” Ed è esattamente per questo che, “materiali come il diamante sintetico sono ancora usati nonostante siano difficili e costosi da produrre,” ha detto il coautore del documento Jakoah Brgoch, professore associato di chimica all’University of Houston.

Un fattore complicante qui è la dipendenza dal carico, il che significa che la durezza di un materiale può variare a seconda della pressione esercitata. Questo rende complessa la sperimentazione di un materiale. Anche l’uso della modellazione computazionale è quasi impossibile, così i ricercatori hanno creato un modello che supera la sfida prevedendo la durezza Vickers dipendente dal carico basandosi solo sulla composizione chimica del materiale.

L’algoritmo si basava su un database che comprendeva 560 diversi composti, richiedendo la consultazione di centinaia di articoli accademici. “Tutti i buoni progetti di machine learning iniziano con un buon dataset,” ha detto Brgoch. “Il vero successo dipende in gran parte dallo sviluppo di questo dataset.”

Come risultato, hanno trovato oltre 10 nuove fasi di borocarburidi stabili, e con un’accuratezza del modello del 97%, si sentono fiduciosi di raggiungere il successo in laboratorio.

L’IA non è priva di limitazioni, tuttavia, come ha osservato Brgoch, “L’idea di usare il machine learning non è dire, ‘Ecco il prossimo grande materiale’, ma aiutare a guidare la nostra ricerca sperimentale.” Ciò che la tecnologia fa è “ti dice dove dovresti guardare.”

⬆ Torna alla tabella

4. Dielettrici polimerici: materiali per l’accumulo di energia accelerati dall’IA

Un componente essenziale dell’accumulo di energia moderno sono i dielettrici, che sono materiali non conduttivi come aria, vetro e plastica. 

La scelta del materiale dielettrico è ciò che determina la densità energetica dei condensatori, e i dielettrici polimerici sono ampiamente utilizzati per l’accumulo di energia a causa del loro basso costo, flessibilità meccanica, affidabilità, velocità di scarica rapida e facilità di lavorazione. Tuttavia, la loro bassa densità energetica è un problema.

Di conseguenza, i ricercatori cercano continuamente di migliorare le prestazioni sviluppando nuovi dielettrici polimerici per aumentare la loro capacità di accumulo energetico per applicazioni in sistemi di potenza, elettronica e veicoli elettrici (EV).

L’IA ha compiuto progressi straordinari nei materiali polimerici. Ad esempio, solo pochi mesi fa, ricercatori del MIT e della Duke University hanno collaborato per creare polimeri più resistenti incorporando molecole di reticolazione sensibili allo stress, identificate dall’IA.

I ricercatori del MIT hanno anche costruito un sistema che trova, mescola e testa fino a 700 nuovi blend polimerici al giorno per applicazioni come elettroliti per batterie, stabilizzazione di proteine o materiali per il rilascio di farmaci.

Progettare nuovi blend polimerici presenta il problema di un numero quasi infinito di possibili polimeri di partenza, e una volta selezionati alcuni da mescolare, è necessario scegliere la composizione di ciascun polimero, nonché la concentrazione dei polimeri nel blend.

“Avere uno spazio di progettazione così ampio richiede soluzioni algoritmiche e flussi di lavoro ad alta produttività perché non si potrebbero testare tutte le combinazioni con la forza bruta.”

– Autore senior del documento, Connor Coley

Il loro sistema IA ha fornito blend ottimali, con il migliore che ha ottenuto prestazioni del 18 % migliori rispetto ai componenti individuali.

Data l’efficienza con cui l’IA fornisce nuove opzioni e blend di polimeri, ha senso applicare la tecnologia per identificare dielettrici polimerici migliori.

Un team di ricercatori ha fatto proprio questo e ha scoperto dielettrici con 11 volte la densità energetica delle alternative commerciali a temperature elevate.

L’algoritmo innovativo è stato sviluppato per prevedere le proprietà e le formulazioni dei polimeri prima di crearli effettivamente. Per questo, hanno prima definito requisiti specifici e poi addestrato i modelli ML su dati esistenti di proprietà dei materiali per prevedere i risultati desiderati.

Oltre all’IA, i ricercatori hanno impiegato la chimica polimerica consolidata e l’ingegneria molecolare per scoprire una serie di dielettrici nelle famiglie del polinorbornene e del poliimide, con molti dei dielettrici scoperti che mostrano alta densità energetica e alta stabilità termica su un ampio intervallo di temperature.

Ma uno in particolare ha mostrato una densità energetica di 8,3 J cc⁻¹ a 200 °C, molto più alta del dielettrico polimerico disponibile commercialmente.

“Nei primi giorni dell’IA nella scienza dei materiali, spinta dall’Initiativa Materials Genome della Casa Bianca più di un decennio fa, la ricerca in questo campo era in gran parte guidata dalla curiosità. Solo negli ultimi anni abbiamo iniziato a vedere storie di successo tangibili e reali nella scoperta di polimeri accelerata dall’IA,” ha detto il coautore Rampi Ramprasad, professore al Georgia Institute of Technology. “Questi successi stanno ora ispirando trasformazioni significative nel panorama della R&D dei materiali industriali.”

⬆ Torna alla tabella

5. Elettroliti solidi: IA per batterie più sicure e ad alta densità

Spinto dall’adozione diffusa di dispositivi portatili e veicoli elettrici e dalla crescente domanda di soluzioni di accumulo di energia rinnovabile, il mercato globale delle batterie sta avanzando rapidamente. rapidamente avanzando¹⁷. Dato il ruolo importante che le batterie svolgono nel mondo moderno, gli scienziati cercano costantemente di sviluppare tecnologie di batterie più efficienti dal punto di vista energetico e più sicure.

Mentre le batterie al litio-ione sono le più ampiamente utilizzate oggi, hanno una durata limitata e rischi di sicurezza, che sono affrontati dalle batterie allo stato solido (SSB). 

Queste batterie sostituiscono gli elettroliti liquidi con elettroliti allo stato solido per eliminare il rischio di incendi a temperature elevate, consentendo al contempo una maggiore densità energetica e migliorando la durabilità, creando batterie più sicure e più potenti. 

Ma queste batterie con elettroliti solidi affrontano le proprie sfide, come bassa conduttività ionica, compatibilità dell’interfaccia elettrodo, stabilità meccanica e chimica, e produzione a costi contenuti. Pertanto, i ricercatori stanno esplorando materiali che possano superare questi problemi tramite l’IA.

A differenza di altri settori discussi oggi, le batterie sono una delle aree più calde dove l’applicazione dell’IA è esplosa grazie al coinvolgimento dei principali produttori di auto e startup che stanno investendo enormi somme nella R&D delle batterie allo stato solido. Oltre al rischio di sicurezza, il settore ha anche accumulato grandi database, sufficientemente ricchi da addestrare modelli ML.

Anche i governi hanno inserito le SSB come priorità strategica per garantire catene di approvvigionamento domestiche e raggiungere obiettivi nazionali di energia e clima.

Quindi, ci sono vari esempi in cui l’IA ha aiutato ricercatori e aziende a scoprire nuovi elettroliti solidi.

Lo scorso anno, i ricercatori di Microsoft hanno usato l’IA insieme a supercomputer per setacciare 32 milioni di potenziali materiali inorganici per trovare 18 candidati promettenti in pochi giorni. Il nuovo materiale, N2116, è un elettrolita allo stato solido che può ridurre l’uso di litio nelle batterie del 70 % ed è stato testato per alimentare una lampadina.

Nel frattempo, lo strumento IA di DeepMind, GNoME, ha identificato 528 conduttori di ioni di litio promettenti, alcuni dei quali potrebbero aiutare a rendere le batterie più efficienti. 

C’è poi LBS (Li8B10S19) dei ricercatori di Stanford, che l’hanno definito “l’elettrolita al litio a base di zolfo più stabile che abbiamo mai visto sperimentalmente.” I ricercatori hanno prima identificato elettroliti solidi per sostituire in futuro gli elettroliti liquidi infiammabili nelle batterie al litio tramite IA circa un decennio fa.

⬆ Torna alla tabella

Conclusione

Questi esempi mostrano che l’IA può accelerare il modo in cui scopriamo nuovi materiali. La sfida ora è trasformare le previsioni dei computer in risultati concreti, il che significa accoppiare l’IA con ricercatori esperti e dati affidabili.

Scorri per visualizzare →

Quello che stiamo vedendo è ancora all’inizio. Queste scoperte ci stanno portando verso energia più pulita, tecnologia più sicura, materiali più resistenti e industrie che non prosciugano il pianeta. L’IA sta cambiando il modo in cui facciamo scienza dei materiali, e questo è importante per ciò che verrà.

Clicca qui per apprendere tutto sull’investimento nell’intelligenza artificiale.

Riferimenti

1. Peplow, M. (2025). L’IA sta immaginando milioni di nuovi materiali. Sono buoni? Nature, 646, 22–25. Pubblicato 1 ottobre 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (16 dicembre 2019). L’intelligenza artificiale può aiutare gli scienziati a creare celle solari spray-on. ScienceDaily. Pubblicato 16  dicembre 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. 3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Celle solari perovskite ad alta efficienza tramite deposizione a vapore a singola fonte. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. 4. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Machine learning con vincoli di conoscenza per l’ottimizzazione dei processi nella produzione di celle solari perovskite open-air. Joule, 6(4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. 5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez-Ojeda, M. E., Seok, S. I., Friederich, P. & Brabec, C. J. (2024). Flusso di lavoro di design inverso scopre materiali di trasporto di lacune su misura per celle solari perovskite. Science, 386(6727), 1256-1264. Pubblicato 13 dicembre 2024. https://doi.org/10.1126/science.ads0901
6. 6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Sbloccare il potenziale: applicazioni del machine learning nella progettazione di elettrocatalizzatori per la trasformazione dell’energia idrogeno elettrochimica. Chemical Society Reviews, 53, 11390–11461. Pubblicato 9 ottobre 2024. https://doi.org/10.1039/D4CS00844H
7. 7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). Progettazione guidata dall’IA di leghe a più elementi principali per la scissione ottimale dell’acqua. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Pubblicato 15 luglio 2025. https://doi.org/10.1073/pnas.2504226122
8. 8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). Un laboratorio autonomo per la sintesi accelerata di nuovi materiali. Nature, 624, 86–91. Pubblicato 29 novembre 2023. https://doi.org/10.1038/s41586-023-06734-w
9. 9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Predire materiali superduri tramite una ricerca evolutiva della struttura informata dal machine learning. npj Computational Materials, 5, 89. Pubblicato 3 settembre 2019. https://doi.org/10.1038/s41524-019-0226-8
10. 10. Chen, W. C., Schmidt, J. N., Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, M. J. (2021). Machine learning e previsione evolutiva di composti B-C-N superduri. npj Computational Materials, 7, 114. Pubblicato 21 luglio 2021. https://doi.org/10.1038/s41524-021-00585-7
11. 11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake & Brgoch, Jakoah. (2021). Trovare il prossimo materiale superduro tramite Ensemble Learning. Advanced Materials, 33(5), e2005112. Pubblicato 4 dicembre 2020. https://doi.org/10.1002/adma.202005112
12. 12. MIT News. (5 agosto 2025). L’IA aiuta i chimici a sviluppare plastiche più resistenti. MIT News. Recuperato il 5 agosto 2025, da https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805?utm_source=chatgpt.com
13. 13. MIT News. (28 luglio 2025). Nuovo sistema accelera drasticamente la ricerca di materiali polimerici. MIT News. Recuperato il 5 agosto 2025, da https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728?utm_source=chatgpt.com
14. 14. Tan, D. Q. (2020). La ricerca di una maggiore resistenza dielettrica dei dielettrici a base di polimeri: una revisione focalizzata sui nanocompositi polimerici. Journal of Applied Polymer Science, 137, e49379. Pubblicato 5 aprile 2020. https://doi.org/10.1002/app.4937915.
15. 15. Ji, S., Jeong, D.-Y. & Kim, C. (2022). Progettazione ad alta costante dielettrica di compositi polimerici mediante rete neurale artificiale. Applied Sciences, 12, 12592. Pubblicato 25 dicembre 2022. https://doi.org/10.3390/app122412592
16. 16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, A. A., Cao, Y., Sotzing, G. & Ramprasad, R. (2024). Scoperta assistita dall’IA di dielettrici ad alta temperatura per l’accumulo di energia. Nature Communications, 15(1), 6107. Pubblicato 19 luglio 2024. https://doi.org/10.1038/s41467-024-50413-x
17. 17. Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). L’industria delle batterie è entrata in una nuova fase. IEA Commentary. Pubblicato 5 marzo 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. 18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. & Xue, D. (2024). Accelerare lo sviluppo di elettroliti allo stato solido mediante machine learning. Next Energy, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. 19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. & Yu, L. (2025). L’intelligenza artificiale potenzia le batterie allo stato solido per lo screening dei materiali e la valutazione delle prestazioni. Nano-Micro Letters, 17, 287. Pubblicato 6 giugno 2025. https://doi.org/10.1007/s40820-025-01797-y
20. 20. Kuang, J. (2023). Gnome di DeepMind sta spingendo l’IA nella scienza dei materiali. Time Magazine. Pubblicato 6 giugno 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. 21. Microsoft. (2024). Come IA e HPC stanno accelerando la scoperta scientifica. Microsoft Source – Innovation Features. Pubblicato 29 ottobre 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
^{22. Ma, Y., Wan, J., Xu, X., … (2023). Scoperta sperimentale di un elettrolita solido al litio tioborato veloce e stabile, Li6+2x[B10S18]Sx (x ≈ 1). ACS Energy Letters, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23. 23. Stanford University. (2016). Niente batterie che bruciano: gli scienziati di Stanford ricorrono all’IA per creare batterie al litio più sicure. Stanford News. Pubblicato 12 dicembre 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries