All’interno dei Laboratori Potenziati dall’AI: Una Nuova Era della Scoperta dei Materiali

Proprio come un numero crescente di industrie, la scienza dei materiali è anche assistita dall’intelligenza artificiale (AI).

Qui, gli algoritmi di apprendimento automatico (ML) analizzano enormi set di dati e identificano schemi per suggerire promettenti candidati materiali in tempi minimi, mentre consumano risorse significativamente inferiori rispetto ai metodi di prova ed errore.

Il tradizionale lavoro manuale, intensivo in termini di risorse umane, che è stato potenziato dall’avvento dei sistemi computazionali, i quali consentono calcoli complessi, è ora completamente rivoluzionato da processi automatizzati, paralleli e iterativi guidati da AI, simulazione e automazione sperimentale. 

La maturazione della tecnologia AI, combinata con il calcolo ad alte prestazioni e le tecnologie cloud ibride, sta aiutando la scienza dei materiali ad entrare in un nuovo paradigma contraddistinto dalla scoperta accelerata di nuovi materiali, dalla modellazione predittiva delle proprietà dei materiali e dalla sperimentazione autonoma. 

Questo cambiamento di paradigma consente ai ricercatori di passare da approcci di prova ed errore alla progettazione, riducendo significativamente i cicli di sviluppo e aprendo la strada a materiali avanzati in energia, elettronica, sanità e applicazioni sostenibili.

Recentemente, ricercatori della North Carolina State University hanno compiuto un passo avanti creando un laboratorio autonomo per raggiungere un nuovo salto nell’automazione dei laboratori e accelerare ulteriormente la scoperta di materiali da parte degli scienziati.

Il laboratorio automatizzato raccoglie dieci volte più dati rispetto ai metodi tradizionali manuali. Con questo approccio, i ricercatori possono condurre esperimenti chimici dinamici in tempo reale, risparmiando tempo e risorse mentre consentono scoperte più rapide.

Le nuove scoperte di laboratorio non richiederanno più anni; al contrario, guardiamo a un futuro in cui le invenzioni avverranno in giorni.

Un Laboratorio Potenziato dall’AI: Apprendimento in Tempo Reale per Scoperte in Tempo Reale

Per superare le sfide globali nell’energia pulita, nel benessere umano e nella sostenibilità, è fondamentale effettuare scoperte rapide di materiali funzionali avanzati. La scoperta e la sintesi di nuovi materiali sono anche fondamentali per tecnologie innovative come batterie, chip per computer, pannelli solari e molto altro.

Di conseguenza, è stato compiuto molto progresso nelle piattaforme di accelerazione dei materiali e nei laboratori autonomi.

Nonostante i progressi, la capacità di queste piattaforme e laboratori di esplorare spazi parametrici complessi è ostacolata da una bassa velocità di trasferimento dati. Trasferimenti e elaborazioni lente dei dati portano a una ridotta produttività.

Pertanto, i ricercatori della NC State University hanno “introdotto esperimenti di flusso dinamico come strategia di intensificazione dei dati per le sintesi di materiali inorganici all’interno di laboratori fluidici autonomi mediante la mappatura continua delle condizioni di reazione transitorie a equivalenti a regime stazionario”.

Pubblicato su Nature ChemicalEngineering¹, lo studio descrive un laboratorio autonomo all’avanguardia che utilizza esperimenti in tempo reale per raccogliere costantemente dati, rendendo la scoperta dei materiali più veloce ed efficiente, riducendo al contempo costi e impatto ambientale.

Per il loro lavoro, lo studio ha ricevuto supporto dalla National Science Foundation e dal programma University of North Carolina Research Opportunities Initiative.

Ora, cosa significano davvero i laboratori autonomi (SDL)? Beh, sono piattaforme robotiche che combinano ML e automazione con le scienze chimiche e dei materiali per trovare materiali più rapidamente. In queste piattaforme sperimentali modulari assistite da ML, una serie di esperimenti, che sono selezionati dall’algoritmo ML, vengono condotti iterativamente per raggiungere l’obiettivo programmato.

“Immaginate se gli scienziati potessero scoprire materiali rivoluzionari per l’energia pulita, nuove elettroniche o sostanze chimiche sostenibili in giorni invece che in anni, usando solo una frazione dei materiali e generando molto meno spreco rispetto allo status quo.”

– Coautore del documento, Milad Abolhasani, Professore ALCOA di Ingegneria Chimica e Biomolecolare alla North Carolina State University

Ha aggiunto:

«Questo lavoro avvicina quel futuro di un passo.»

Rappresentando un approccio trasformativo per accelerare la scoperta scientifica, i laboratori autonomi stanno guadagnando popolarità nei campi della chimica e della scienza dei materiali.

I laboratori autonomi che utilizzano reattori a flusso continuo spesso si basano su esperimenti di flusso a regime stazionario, dove diversi precursori sono combinati prima che avvengano le reazioni chimiche, e la miscela scorre continuamente attraverso un microcanale.

Il prodotto che ne risulta è poi caratterizzato da una serie di sensori una volta completata la reazione.

«Questo approccio consolidato ai laboratori autonomi ha avuto un impatto drammatico sulla scoperta dei materiali», ha osservato Abolhasani, aggiungendo che ciò ha permesso agli scienziati di «identificare promettenti candidati materiali per applicazioni specifiche in pochi mesi o settimane, invece che in anni, riducendo sia i costi che l’impatto ambientale del lavoro». Tuttavia non è stato perfetto, poiché ci sono ancora aree da migliorare.

In particolare, il sistema resta inattivo quando la reazione chimica avviene prima che il materiale risultante possa essere caratterizzato. Il tempo di attesa per i laboratori autonomi può arrivare a un’ora per ogni esperimento di flusso a regime stazionario.

“Abbiamo ora creato un laboratorio autonomo che utilizza esperimenti di flusso dinamico, dove le miscele chimiche sono continuamente variate attraverso il sistema e monitorate in tempo reale.”

– Abolhasani 

Ciò significa che stanno eliminando il processo di far passare campioni separati attraverso il sistema e testare ciascuno di essi uno alla volta dopo che hanno raggiunto uno stato.

Invece, hanno costruito un sistema che semplicemente non si ferma. I campioni si muovono continuamente attraverso il sistema. Questo perché “il sistema non smette mai di caratterizzare il campione”, e il ricercatore può “catturare dati su ciò che avviene nel campione ogni mezzo secondo”.

L’integrazione di esperimenti di flusso dinamico nei laboratori fluidici autonomi segna una rottura rispetto ai tradizionali esperimenti batch.

In contrasto con gli approcci convenzionali, dove punti dati isolati sono raccolti in condizioni di regime stazionario, negli esperimenti di flusso dinamico i principi microfluidici sono utilizzati per una rapida mappatura delle condizioni di reazione.

Creando un flusso costante di dati, espande drasticamente i dati sperimentali accessibili.

Abolhasani ha illustrato che il team ora ottiene 20 punti dati su ciò che l’esperimento produce, iniziando con uno dopo 0,5 secondi di tempo di reazione, poi uno dopo 1 secondo, e così via, a differenza del singolo punto dati che ottenevano dopo 10 secondi di tempo di reazione. Ha aggiunto:

“È come passare da un singolo scatto a un intero film della reazione mentre avviene. Invece di attendere che ogni esperimento finisca, il nostro sistema è sempre in funzione, sempre in apprendimento.”

Avere così tanti più dati può avere un impatto enorme sulle prestazioni di un laboratorio potenziato dall’AI. I dati, dopotutto, sono la chiave per un algoritmo. L’AI è affamata di dati e, in base ai dati che le vengono forniti, l’algoritmo fa previsioni.

Secondo Abolhasani:

“La parte più importante di qualsiasi laboratorio autonomo è l’algoritmo di apprendimento automatico che il sistema utilizza per prevedere quale esperimento dovrebbe condurre successivamente.”

In tal senso, l’approccio basato su dati in streaming consente al cervello ML del laboratorio autonomo di prendere decisioni non solo più rapide ma anche più intelligenti, “concentrandosi sui materiali e processi ottimali in una frazione del tempo”.
La qualità dei dati determina anche l’accuratezza delle previsioni. Quindi, avendo più dati sperimentali di alta qualità, l’algoritmo può fare previsioni più accurate e poi può risolvere un problema più velocemente.

“Questo ha il vantaggio aggiuntivo di ridurre la quantità di sostanze chimiche necessarie per arrivare a una soluzione.”

– Abolhasani

Per dimostrare le capacità del loro sistema, il team ha applicato esperimenti di flusso dinamico ai punti quantici colloidali CdSe. Questo è stato usato come banco di prova grazie al suo status di sistema inorganico ben consolidato con non solo ricche dipendenze parametriche ma anche un notevole potenziale tecnologico.

Ha prodotto almeno 10 volte più dati rispetto ad altri laboratori autonomi che utilizzavano esperimenti di flusso a regime stazionario. Inoltre, una volta addestrato, il laboratorio autonomo è stato in grado di scoprire i migliori candidati al primo tentativo.

Questa svolta, come ha detto Abolhasani, “non riguarda solo la velocità”, ma il raggiungimento della sostenibilità. Riducendo il numero necessario di esperimenti, il sistema riduce significativamente sia il consumo chimico che i rifiuti, promuovendo pratiche di ricerca più sostenibili. Abolhasani ha affermato:

“Il futuro della scoperta dei materiali non riguarda solo quanto velocemente possiamo andare, ma anche quanto responsabilmente arriviamo lì. Il nostro approccio significa meno sostanze chimiche, meno rifiuti e soluzioni più rapide per le sfide più difficili della società.”

Il Ruolo in Espansione dell’AI nella Scienza dei Materiali: Scoperte Recenti Entusiasmanti

L’AI sta trasformando le industrie a livello globale, e ciò include la scienza dei materiali, che è fondamentale per molte innovazioni tecnologiche e sfide sociali.

Di conseguenza, l’uso dell’AI nella scoperta e nello sviluppo di nuovi materiali è in corso da molti anni, ma ha sicuramente guadagnato slancio negli ultimi anni man mano che la tecnologia diventa più avanzata e capace.

“Con lo sviluppo continuo, ci aspettiamo che la robotica e l’automazione miglioreranno la velocità, la precisione e la riproducibilità degli esperimenti su diversi strumenti e discipline, generando i dati che i sistemi di intelligenza artificiale potranno analizzare per guidare ulteriori sperimentazioni.”

– Dr. James Cahoon, coautore del documento ‘Transforming Science Labs into Automated Factories of Discovery.^2′

Con questo, diamo un’occhiata ad alcuni progressi chiave compiuti nella scienza dei materiali quest’anno in diverse applicazioni.
Per cominciare, come abbiamo recentemente condiviso, con l’aiuto dell’AI, gli scienziati sono stati in grado di progettare meta-emettitori termici 3D complessi che possono ridurre le temperature interne e aiutare a risparmiare sui costi energetici. Il materiale creato usando una nuova tecnica ML può trovare applicazioni in edifici residenziali e commerciali, veicoli spaziali, tessuti e stoffe, automobili e altro.

“Automatizzando il processo e ampliando lo spazio di progettazione, possiamo creare materiali con prestazioni superiori che prima erano inimmaginabili.”

– Co-leader dello studio, Yuebing Zheng

Sviluppare Nuovi Materiali Metallici con Resistenza Superiore

Qualche mese fa, gli scienziati hanno riferito di aver utilizzato l’AI per progettare un nuovo MPEA o leghe a più elementi principali, che si trovano in componenti di aeromobili, convertitori catalitici e protesi di ginocchio.

La MPEA appena progettata presenta proprietà meccaniche superiori, che Sanket Deshmukh, professore associato di ingegneria chimica alla Virginia Tech, ha detto, “dimostra come i framework e l’AI spiegabile possano sbloccare nuove possibilità nella progettazione dei materiali.”

Per interpretare l’analisi effettuata dal modello AI, Deshmukh e il suo team hanno utilizzato l’analisi SHAP (SHapley Additive exPlanations), che ha permesso loro di capire come diversi elementi e i loro ambienti locali influenzano le proprietà delle MPEA, fornendo così maggiori approfondimenti e previsioni più accurate.

Oltre ad accelerare la scoperta di leghe metalliche avanzate, Deshmukh crede che l’integrazione di ML con algoritmi evolutivi e validazione sperimentale possa aiutarci a creare strumenti che “possono essere estesi a sistemi materiali complessi come i glicomateriali – materiali polimerici contenenti carboidrati”.

Svelare i Segreti della Crescita Dendritica nei Film Sottili

La ricerca³ dell’Università di Scienza di Tokyo (TUS) ha sviluppato un modello AI spiegabile che prevede la crescita dei dendriti (pattern ramificato a forma di albero) nei film sottili, che rappresenta un ostacolo importante nella loro fabbricazione su larga area e ne limita la commercializzazione.

Rivelando le condizioni specifiche e i meccanismi alla base della ramificazione dei dendriti, il modello AI sta aiutando a migliorare il processo di crescita dei film sottili. I dispositivi a film sottile sono critici nella tecnologia dei semiconduttori.

Il nuovo modello AI ha integrato il metodo di apprendimento automatico chiamato analisi delle componenti principali (PCA) e la tecnica topologica chiamata omologia persistente con l’analisi dell’energia libera.

“Integrando topologia ed energia libera, il nostro metodo offre un approccio versatile all’analisi dei materiali. Attraverso questa integrazione, possiamo stabilire una connessione gerarchica tra microstrutture su scala atomica e funzionalità macroscopia su un’ampia gamma di materiali, aprendo la strada a futuri progressi nella scienza dei materiali.”

– Professor Masato Kotsugi del Dipartimento di Scienza e Tecnologia dei Materiali presso TUS

Acquisire una Migliore Comprensione delle Nanoparticelle

Un team di scienziati provenienti da più università si è riunito per sviluppare un metodo⁴ per comprendere meglio il comportamento dinamico delle nanoparticelle, che sono i mattoni fondamentali dell’elettronica, dei prodotti farmaceutici e dei materiali industriali.

Ha combinato la microscopia elettronica con l’AI per visualizzare le strutture e i movimenti delle molecole a una risoluzione temporale senza precedenti.

Come ha spiegato Peter A. Crozier, professore di scienza e ingegneria dei materiali presso l’Arizona State University:

“La microscopia elettronica può catturare immagini ad alta risoluzione spaziale, ma a causa della velocità con cui la struttura atomica delle nanoparticelle cambia durante le reazioni chimiche, dobbiamo raccogliere dati a velocità molto elevate per comprendere la loro funzionalità.”

Per mitigare questo rumore, hanno sviluppato un metodo AI che lo rimuove automaticamente, “consentendo la visualizzazione delle dinamiche chiave a livello atomico”.

Nel frattempo, un gruppo di ricerca della Graz University of Technology sta portando la costruzione di nanostrutture a un nuovo livello usando l’AI.

Per questo, stanno sviluppando un sistema AI auto-apprendente che posiziona autonomamente singole molecole rapidamente e nella corretta orientazione usando microscopi a tunneling scanning, altrimenti un processo difficile e dispendioso in termini di tempo, per consentire la costruzione di “strutture molecolari altamente complesse, inclusi circuiti logici a livello nanometrico”.
L’obiettivo è alla fine costruire coralli quantistici, che sono nanostrutture a forma di cancello in grado di intrappolare elettroni, e usarli per costruire circuiti logici per studiare come funzionano a livello molecolare.

Scoprire Materiali Fotovoltaici Migliori

Un’alternativa sostenibile alle tradizionali celle solari a base di silicio, le celle solari perovskite mostrano grande promessa come tecnologia fotovoltaica di nuova generazione per convertire la luce solare in elettricità.

La loro efficacia può essere ulteriormente aumentata tramite molecole che conducono cariche positive, ma ci sono milioni di molecole diverse, il che significa sintetizzarle e testarle tutte. Tuttavia, utilizzando l’AI con sintesi automatizzata ad alto rendimento, un team di ricercatori del Karlsruhe Institute of Technology (KIT) è stato in grado di scoprire nuove molecole organiche⁵ in poche settimane, con solo 150 esperimenti mirati.

I nuovi materiali scoperti hanno anche aumentato l’efficienza di una cella solare di riferimento di circa due punti percentuali.

Per questo, gli scienziati hanno consultato un database con un milione di molecole virtuali e ne hanno selezionato casualmente 13.000 prima di scegliere 101 di esse. Le scelte avevano le maggiori differenze nelle loro proprietà, e sono state sintetizzate con sistemi robotici prima di usarli per produrre celle solari.

Piantare le Basi per la Scoperta di Materiali Guidata dall’AI

Mentre tutte queste scoperte vengono realizzate, per far sì che l’AI le renda effettive, ha bisogno di dati. Ciò include dati sui materiali così come dati da simulazioni su larga scala.

Mentre molti di questi database sono disponibili, sono piuttosto isolati, quindi è necessario uno standard “affinché gli utenti possano comunicare con tutte queste librerie di dati e comprendere le informazioni che ricevono,” ha osservato Gian-Marco Rignanese, professore all’Istituto di Materia Condensata e Nanoscienze dell’UCLouvain in Belgio.

Quindi, l’estate scorsa, una grande collaborazione internazionale ha rilasciato una versione estesa dello standard OPTIMADE per facilitare la scoperta di materiali guidata dall’AI.

Lo standard OPTIMADE (Open databases integration for materials design) è supportato da una vasta rete internazionale di istituzioni e database di materiali. Con l’obiettivo di fornire agli utenti un accesso più facile ai principali e ai meno noti database di materiali, è stata introdotta una nuova versione che può accelerare ulteriormente la continua scoperta di materiali guidata dall’AI.

Investire nell’AI per la Scoperta di Materiali

Quando si considera di investire in questo settore, Alphabet Inc. (GOOGL ) di proprietà di Google è una delle aziende che ha rilasciato uno strumento AI chiamato Gnome. Ha segnalato di aver trovato 2,2 milioni di nuovi cristalli con esso. Poi c’è Microsoft (MSFT ), che ha introdotto MatterGen e MatterSim per creare nuovi materiali candidati e validarli.

NVIDIA Corporation (NVDA )

Questa è la celebre Nvidia dell’AI. Alla fine dello scorso anno, l’azienda ha introdotto NVIDIA ALCHEMI (AI Lab for Chemistry and Materials Innovation).

La piattaforma mira ad accelerare R&D in chimica e scienza dei materiali attraverso la potenza dell’AI, e per raggiungere questo obiettivo, include API e microservizi di inferenza accelerata. Ciò consentirà la creazione e il dispiegamento di modelli AI generativi per esplorare l’immenso universo dei materiali e suggerire nuovi candidati, e lo sviluppo e l’uso di modelli surrogati per ottenere un equilibrio tra il costo del calcolo e l’accuratezza. Permetterà inoltre strumenti informatici accessibili e modelli di base pre-addestrati per screening rapido e strumenti di simulazione per addestrare e ottimizzare modelli AI per nuovi casi d’uso.

Attraverso ALCHEMI, NVIDIA mira a velocizzare il flusso di lavoro della scoperta e “introdurre una nuova era di scoperte rivoluzionarie che alimentano un futuro più sostenibile e più sano”.