All’interno dei laboratori potenziati dall’IA: una nuova era nella scoperta dei materiali

Proprio come un numero crescente di settori, anche la scienza dei materiali sta venendo aiutata dall’intelligenza artificiale (IA).

Qui, gli algoritmi di apprendimento automatico (ML) analizzano vasti set di dati e identificano modelli per suggerire candidati materiali promettenti in tempi minimi, consumando significativamente meno risorse rispetto ai metodi di prova ed errore.

Il lavoro manuale tradizionale, intensivo per l’uomo, che è stato aumentato dall’avvento dei sistemi computazionali, che consente calcoli complessi, sta ora venendo completamente rivoluzionato da processi automatizzati, paralleli e iterativi guidati da IA, simulazione e automazione sperimentale.

L’affinamento della tecnologia IA, combinato con calcolo ad alte prestazioni e tecnologie cloud ibride, sta aiutando la scienza dei materiali a entrare in un nuovo paradigma contrassegnato 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 basati sulla prova ed errore alla progettazione, riducendo notevolmente i cicli di sviluppo e aprendo la strada a materiali avanzati nelle applicazioni di energia, elettronica, sanità e sostenibilità.

Recentemente, i ricercatori della North Carolina State University hanno fatto un grande passo in avanti creando un laboratorio autodirigente per raggiungere un nuovo balzo nell’automazione del laboratorio e accelerare ulteriormente la scoperta di materiali da parte degli scienziati.

Il laboratorio automatizzato raccoglie dieci volte più dati dei metodi manuali tradizionali. Con questo passo, 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; piuttosto, stiamo guardando a un futuro in cui le invenzioni si verificheranno in giorni.

Un laboratorio potenziato dall’IA: apprendimento in tempo reale per scoperta 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, sono stati fatti molti progressi nelle piattaforme di accelerazione dei materiali e nei laboratori autodirigenti.

Nonostante i progressi, la capacità di queste piattaforme e laboratori di esplorare spazi di parametri complessi è ostacolata dalla bassa velocità di trasferimento dei dati. I trasferimenti di dati lenti e l’elaborazione riducono la produttività.

Pertanto, i ricercatori della North Carolina State University hanno “introdotto esperimenti di flusso dinamico come strategia di intensificazione dei dati per la sintesi di materiali inorganici all’interno di laboratori fluidici autodirigenti attraverso la mappatura continua delle condizioni di reazione transitorie in equivalenti a stato stazionario”.

Pubblicato suNature Chemical Engineering¹, lo studio dettaglia un laboratorio autodirigente all’avanguardia che utilizza esperimenti in tempo reale per raccogliere costantemente dati, rendendo la scoperta dei materiali più rapida e efficiente mentre riduce i costi e l’impatto ambientale.

Per il loro lavoro, lo studio ha ricevuto il sostegno della National Science Foundation e del programma di opportunità di ricerca dell’Università del North Carolina.

Ora, cosa significa esattamente laboratorio autodirigente (SDL)? Ebbene, si tratta di piattaforme robotiche che combinano ML e automazione con scienze chimiche e dei materiali per trovare materiali più rapidamente. In queste piattaforme sperimentali modulari assistite da ML, una serie di esperimenti, selezionati dall’algoritmo ML, vengono condotti iterativamente per raggiungere l’obiettivo programmato.

“Immagina se gli scienziati potessero scoprire materiali innovativi per l’energia pulita, nuove elettroniche o prodotti chimici sostenibili in giorni invece di anni, utilizzando solo una frazione dei materiali e generando molto meno rifiuti dello status quo.”

– Coautore del documento, Milad Abolhasani, professore di Ingegneria chimica e biomolecolare alla North Carolina State University

Ha aggiunto:

“Questo lavoro ci avvicina a quel futuro.”

Rappresentando un approccio trasformativo all’accelerazione della scoperta scientifica, i laboratori autodirigenti stanno guadagnando popolarità nei campi della chimica e della scienza dei materiali.

I laboratori autodirigenti che utilizzano reattori a flusso continuo spesso si basano su esperimenti di flusso a stato stazionario, dove diversi precursori vengono combinati prima che si verifichino reazioni chimiche e la miscela fluisce costantemente attraverso un microcanale.

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

“Questo approccio stabilito ai laboratori autodirigenti ha avuto un impatto drammatico sulla scoperta dei materiali”, ha notato Abolhasani, aggiungendo che ciò ha consentito agli scienziati di “identificare candidati materiali promettenti per applicazioni specifiche in pochi mesi o settimane, invece di anni, riducendo sia i costi che l’impatto ambientale del lavoro.” Ma non era perfetto in alcun modo, con aree in cui migliorare.

In particolare, l’inattività del sistema quando la reazione chimica si verifica prima che il materiale risultante possa essere caratterizzato. Il tempo di attesa per i laboratori autodirigenti può essere di fino a un’ora per ogni esperimento di flusso a stato stazionario.

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

– Abolhasani

Ciò significa che stanno eliminando il processo di esecuzione di campioni separati attraverso il sistema e testarli uno alla volta dopo che sono stati raggiunti a uno stato.

Al contrario, hanno costruito un sistema che semplicemente non si ferma mai. I campioni continuano a fluire attraverso il sistema. Ciò avviene perché “il sistema non smette mai di caratterizzare il campione”, e il ricercatore può “catturare dati su cosa sta accadendo nel campione ogni mezzo secondo”.

L’integrazione di esperimenti di flusso dinamico all’interno di laboratori fluidici autodirigenti segna una deviazione dagli esperimenti batch tradizionali.

A differenza degli approcci convenzionali, in cui vengono raccolti punti di dati isolati in condizioni a stato stazionario, in esperimenti di flusso dinamico, si utilizzano principi microfluidici per mappare rapidamente le 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 di dati su cosa produce l’esperimento, a partire da uno dopo 0,5 secondi di tempo di reazione, poi uno dopo 1 secondo di tempo di reazione e così via, a differenza del singolo punto di dati che otterrebbero dopo 10 secondi di tempo di reazione. Ha aggiunto:

“È come passare da una singola istantanea a un intero film della reazione mentre si verifica. Invece di aspettare che ogni esperimento sia completato, il nostro sistema è sempre in esecuzione, sempre in apprendimento.”

Avere molti più dati può avere un impatto enorme sulle prestazioni di un laboratorio potenziato dall’IA. I dati, dopotutto, sono fondamentali per un algoritmo. IA è affamata di dati, e in base ai dati che riceve, l’algoritmo effettua previsioni.

Secondo Abolhasani:

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

Di conseguenza, l’approccio basato su dati in streaming consente al “cervello” ML del laboratorio autodirigente di prendere decisioni non solo più rapide, ma anche più intelligenti, “concentrandosi su materiali e processi ottimali in una frazione del tempo”.

La qualità dei dati determina anche l’accuratezza delle previsioni. Pertanto, avendo più dati sperimentali di alta qualità, l’algoritmo può effettuare previsioni più accurate, e poi può risolvere un problema più rapidamente.

“Ciò 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 a punti quantici colloidali di CdSe. Questo è stato utilizzato come testbed a causa del suo status di sistema inorganico ben stabilito con non solo dipendenze parametriche ricche, ma anche un notevole potenziale tecnologico.

In questo caso, il team ha scoperto che il loro laboratorio, che incorporava un sistema di flusso dinamico, ha raggiunto “un miglioramento dell’ordine di grandezza nell’efficienza di acquisizione dei dati”.

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

Questa scoperta, come ha detto Abolhasani, “non riguarda solo la velocità”, ma anche il raggiungimento della sostenibilità. Riducendo il numero di esperimenti necessari, il sistema riduce notevolmente sia il consumo di sostanze chimiche che i rifiuti, promuovendo pratiche di ricerca più sostenibili. Abolhasani ha detto:

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

Il ruolo sempre più ampio dell’IA nella scienza dei materiali: emozionanti scoperte recenti

L’IA sta trasformando settori in tutto il mondo, e ciò include la scienza dei materiali, che è fondamentale per molte innovazioni tecnologiche e sfide sociali.

Di conseguenza, l’utilizzo dell’IA nella scoperta e nello sviluppo di nuovi materiali è stato in corso per molti anni ormai, ma ha certainly guadagnato slancio negli ultimi anni man mano che la tecnologia diventa più avanzata e capace.

“Con il proseguimento dello sviluppo, ci aspettiamo che la robotica e l’automazione migliorino la velocità, la precisione e la ripetibilità degli esperimenti su diversi strumenti e discipline, generando i dati che i sistemi di intelligenza artificiale possono analizzare per guidare ulteriori esperimenti.“

– Dr. James Cahoon, coautore del documento ‘Trasformare i laboratori scientifici in fabbriche automatizzate di scoperta.^2′

Con ciò, analizziamo alcuni progressi chiave nella scienza dei materiali quest’anno in diverse applicazioni.

Per iniziare, come abbiamo condiviso di recente, con l’aiuto dell’IA, gli scienziati sono stati in grado di progettare meta-emettitori termici complessi e tridimensionali che possono ridurre le temperature interne e aiutare a risparmiare i costi energetici. Il materiale creato utilizzando una tecnica ML appena progettata può trovare applicazioni in edifici residenziali e commerciali, veicoli spaziali, tessuti e tessili, automobili e altro.

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

– Il co-lead dello studio, Yuebing Zheng

Sviluppo di nuovi materiali metallici con forza superiore

Un paio di mesi fa, gli scienziati hanno segnalato l’uso dell’IA per progettare un nuovo MPEA o lega a multipli elementi principali, che si trovano in componenti di aerei, convertitori catalitici e protesi del ginocchio.

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

Per interpretare l’analisi effettuata dal modello IA, Deshmukh e il suo team hanno utilizzato l’analisi SHAP (SHapley Additive exPlanations), che ha consentito loro di comprendere come diversi elementi e i loro ambienti locali influenzino le proprietà degli MPEA, a sua volta, fornendo più insight e previsioni accurate.

Oltre ad accelerare la scoperta di leghe metalliche avanzate, Deshmukh ritiene che l’integrazione di ML con algoritmi evolutivi e convalida sperimentale possa anche aiutare a creare strumenti che “possono essere estesi a sistemi di materiali complessi come glicomateriali – materiali polimerici che contengono carboidrati.”

Svelare i segreti della crescita dendritica in film sottili

La ricerca³ dell’Università di Scienze di Tokyo (TUS) ha sviluppato un modello IA spiegabile che prevede la crescita di dendriti (pattern di ramificazione a forma di albero) in film sottili, che rappresenta un grande ostacolo nella loro fabbricazione su larga scala e sta limitando la loro commercializzazione.

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

Il nuovo modello IA ha integrato il metodo di apprendimento automatico chiamato analisi dei componenti principali (PCA) e la tecnica di topologia chiamata omologia persistente con analisi di energia libera.

“Integrando la topologia e l’energia libera, il nostro metodo offre un approccio versatile all’analisi dei materiali. Attraverso questa integrazione, possiamo stabilire una connessione gerarchica tra microstrutture a scala atomica e funzionalità macroscopiche in una vasta gamma di materiali, aprendo la strada a future avanzamenti nella scienza dei materiali.“

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

Ottenere una migliore comprensione dei nanoparticelli

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

Ha combinato la microscopia elettronica con l’IA 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 all’Università statale dell’Arizona:

“La microscopia elettronica può catturare immagini ad alta risoluzione spaziale, ma a causa della velocità alla quale la struttura atomica dei nanoparticelli cambia durante le reazioni chimiche, dobbiamo raccogliere dati a una velocità molto alta per comprendere la loro funzionalità.”

Per mitigare questo rumore, hanno sviluppato un metodo IA che rimuove automaticamente il rumore, “consentendo la visualizzazione della dinamica atomica chiave”.
Intanto, un gruppo di ricerca dell’Università tecnica di Graz sta portando la costruzione di nanostrutture a un nuovo livello utilizzando l’IA.

Per questo, stanno sviluppando un sistema IA autoapprendente che posiziona in modo autonomo molecole individuali in modo rapido e nella giusta orientazione utilizzando microscopi a scansione a effetto tunnel, altrimenti un processo difficile e lungo, per consentire la costruzione di “strutture molecolari complesse, compresi circuiti logici nella gamma dei nanometri.“

L’obiettivo è quello di costruire infine recinti quantistici, che sono nanostrutture a forma di porta che possono intrappolare elettroni, e utilizzarli per costruire circuiti logici per studiare come funzionano a livello molecolare.

Scoprire materiali fotovoltaici migliori

Un’alternativa sostenibile alle celle solari a silicio convenzionali, le celle solari a perovskite mostrano grandi promesse come tecnologia fotovoltaica di prossima generazione per convertire la luce solare in elettricità.

La loro efficacia può essere ulteriormente aumentata attraverso molecole che conducono cariche positive, ma ci sono milioni di diverse molecole, il che significa sintetizzare e testare tutte. Tuttavia, utilizzando l’IA con sintesi ad alta velocità automatizzata, un team di ricercatori del Karlsruhe Institute of Technology (KIT) è stato in grado di scoprire nuove molecole organiche⁵ in sole 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 si sono rivolti a un database con un milione di molecole virtuali e hanno selezionato casualmente 13.000 di loro prima di scegliere 101 di loro. Quelli selezionati avevano le differenze più grandi nelle loro proprietà, e sono stati sintetizzati con sistemi robotici prima di utilizzarli per produrre celle solari.

Posare le basi per la scoperta dei materiali guidata dall’IA

Mentre si stanno facendo tutte queste scoperte, per l’IA essere in grado di farlo accadere, ha bisogno di dati. Ciò include dati sui materiali, nonché dati da grandi simulazioni.

Mentre molti database del genere sono disponibili, sono abbastanza isolati, quindi hanno bisogno di uno standard “in modo che gli utenti possano comunicare con tutte queste librerie di dati e comprendere le informazioni che ricevono”, ha notato Gian-Marco Rignanese, professore all’Istituto di materia condensata e nanoscienze presso l’UCLouvain in Belgio.

Pertanto, una collaborazione internazionale importante ha rilasciato una versione estesa dello standard OPTIMADE per facilitare la scoperta dei materiali guidata dall’IA.

Lo standard OPTIMADE (Integrazione di database aperti per la progettazione dei materiali) è sostenuto da una vasta rete internazionale di istituzioni e database di materiali. Con l’obiettivo di offrire agli utenti un accesso più semplice ai principali database di materiali, nonché a quelli meno noti, è stata introdotta una nuova versione che può ulteriormente accelerare la scoperta dei materiali guidata dall’IA in corso.

Investire nella scoperta dei materiali guidata dall’IA

Quando si guarda all’investimento in questo spazio, Alphabet Inc. (GOOGL ) di proprietà di Google è uno che ha rilasciato uno strumento IA 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 candidati materiali e validarli.

Ma c’è un’altra gigante dell’IA che ha lanciato il proprio modello per elevare la portata e la precisione della ricerca sui materiali.

NVIDIA Corporation (NVDA )

Quella è nessun’altra che la favorita dell’IA Nvidia. Tardo l’anno scorso, l’azienda ha introdotto NVIDIA ALCHEMI (Laboratorio di IA per l’innovazione nella chimica e nella scienza dei materiali).

La piattaforma mira ad accelerare la R&D nella chimica e nella scienza dei materiali attraverso il potere dell’IA, e per raggiungere ciò, include API e microservizi di inferenza accelerati. Ciò consentirà la creazione e il deploy di gen modelli IA per esplorare l’universo dei materiali e suggerire nuovi candidati, e lo sviluppo e l’ utilizzo di modelli surrogati per raggiungere un equilibrio tra il costo del calcolo e la precisione. Ciò consentirà anche l’ utilizzo di strumenti informatici accessibili e modelli di base pre-addestrati per screening e simulazione rapida per addestrare e perfezionare modelli IA per nuovi casi d’uso.

Attraverso ALCHEMI, NVIDIA mira ad accelerare il flusso di lavoro di scoperta e “aprire le porte a una nuova era di scoperte innovative che alimentano un futuro più sostenibile, più salutare”.

Nvidia è un’azienda con un valore di mercato di 4.220 miliardi di dollari, le cui azioni sono scambiate intorno a 173,5 dollari, con un aumento del 28,8% dall’inizio dell’anno. Il suo EPS (TTM) è 3,10, il P/E (TTM) è 55,73 e il rendimento del dividendo offerto è dello 0,02%.

Ultime notizie e sviluppi azionari NVIDIA Corporation (NVDA)

Conclusione

Man mano che l’IA, l’automazione e il calcolo ad alte prestazioni si combinano, la scienza dei materiali sta entrando nella sua era più trasformativa, segnando un necessario passaggio dall’approccio guidato dall’uomo basato sulla prova ed errore alla scoperta autonoma.

In questo contesto, i laboratori potenziati dall’IA e le piattaforme sperimentali autodirigenti stanno completamente cambiando il modo in cui gli scienziati non solo scoprono, ma anche testano e ottimizzano i materiali. Inoltre, con iniziative come ALCHEMI di NVIDIA, Gnome di Google e MatterGen di Microsoft, le grandi aziende tecnologiche stanno anche puntando sull’IA per alimentare l’onda successiva di innovazione!

Clicca qui per sapere tutto sull’investimento in intelligenza artificiale.

Referenze:

1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, R. B.; Bennett, J. A.; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, E. A.; Sadeghi, S.; Bateni, F.; Abolhasani, M. Flow‑Driven Data Intensification to Accelerate Autonomous Inorganic Materials Discovery. Nature Chemical Engineering, pubblicato online il 14 luglio 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Transforming Science Labs into Automated Factories of Discovery. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Tone, M.; Sato, S.; Kunii, S.; Obayashi, I.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, A. L.; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, P. R.; Matsuda, I.; Kotsugi, M.; et al. Linking Structure and Process in Dendritic Growth Using Persistent Homology with Energy Analysis. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Article 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, P. A.; Leibovich, M.; Haluai, P.; Tan, M.; Thomas, A. M.; Vincent, J.; Mohan, S.; Morales, A. M.; Kulkarni, S. A.; Matteson, D. S.; Wang, Y.; Fernandez‑Granda, C. Visualizing Nanoparticle Surface Dynamics and Instabilities Enabled by Deep Denoising. Science 2025, 387 (6737), 949–954. https://doi.org/10.1126/science.ads2688
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. Inverse Design Workflow Discovers Hole‑Transport Materials Tailored for Perovskite Solar Cells. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901