L’IA potenzia la ricerca di materiali di raffreddamento sostenibili di nuova generazione

Nel mondo dei materiali, la nanofotonica termica è fondamentale per consentire progressi fondamentali in molteplici applicazioni tecnologiche.

La nanofotonica termica combina la nanofotonica e la scienza termica per manipolare e controllare il trasferimento di calore a scala nanometrica. Utilizza nanostrutture e materiali per modellare la radiazione termica e il flusso di calore, portando a progressi in varie applicazioni, tra cui il recupero energetico, la gestione termica e il rilevamento.

La nanofotonica si occupa del comportamento della luce su scala nanometrica. I materiali nanofotonici, nel frattempo, offrono un controllo spettrale e direzionale sull’emissione termica.

Il metodo tradizionale per trovare tali materiali è ostacolato da approcci basati su tentativi ed errori, ma l’avvento del machine learning (ML) e dell’intelligenza artificiale (AI) ha rivoluzionato il campo della scienza dei materiali accelerando significativamente i processi di scoperta, progettazione e ottimizzazione dei materiali.

Sebbene la tecnologia abbia dimostrato le sue potenti capacità nella progettazione di nanofotonici e metamateriali, è una sfida sviluppare una metodologia di progettazione generale per personalizzare emettitori nanofotonici ad alte prestazioni con controllo ultralargobanda e selettività di banda precisa.

Ciò è dovuto al fatto che è limitata da algoritmi tradizionali, trappole di ottimizzazione locale e geometrie e materiali predefiniti.

Tuttavia, questo problema è ora affrontato da scienziati dell’Università del Texas ad Austin, che hanno collaborato con ricercatori dell’Università di Umeå in Svezia, della National University of Singapore e della Shanghai Jiao Tong University.

Insieme, hanno progettato una tecnica di ML¹ per progettare meta-emettitori termici 3D complessi. 

I meta-emettitori sono materiali ingegnerizzati progettati per controllare e manipolare la radiazione elettromagnetica, offrendo applicazioni nell’efficienza energetica e nella gestione termica.

“Il nostro framework di machine learning rappresenta un salto significativo nella progettazione di meta-emettitori termici. 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, professore nella Cockrell School of Engineering, Dipartimento di Ingegneria Meccanica Walker

Materiali potenziati dall’IA per la progettazione urbana resiliente al clima

Pubblicato su Nature, lo studio descrive il nuovo framework basato su ML che ha aiutato a progettare materiali in grado di ridurre le temperature interne e, di conseguenza, i costi energetici.

Utilizzando il loro framework, gli scienziati sono riusciti a generare più di 1.500 nuovi materiali in grado di emettere calore in modo selettivo e controllato. Possono inoltre offrire una maggiore precisione nel riscaldamento e nel raffreddamento per ottenere una migliore efficienza energetica.

Il loro framework può progettare meta-emettitori termici ultralargobanda e selettivi di banda ottimizzando molteplici parametri con dati limitati che coprono la diversità dei materiali e la complessità strutturale 3D.

Secondo lo studio, la loro architettura consente capacità di progettazione duale. In primo luogo, automatizza la progettazione inversa di una moltitudine di possibili metastructures così come combinazioni di materiali per la modulazione spettrale. In secondo luogo, possiede una “capacità senza precedenti” di progettare diversi meta-emettitori 3D applicando un metodo di modellazione a tre piani che supera le limitazioni delle strutture tradizionali piatte 2D.

Nel loro studio, il team presenta sette meta-emettitori dimostrativi che mostrano prestazioni ottiche e di raffreddamento radiativo superiori, superando i design avanzati attuali. Le sette classi di meta-emettitori sono adattate a funzioni specifiche.

Il framework generalizzabile sviluppato serve per fabbricare materiali nanofotonici 3D, che i ricercatori hanno osservato “facilitare l’ottimizzazione globale grazie a una maggiore libertà geometrica e dimensionalità e a un database completo di materiali.”

Ora, per valutare la fattibilità del loro sistema di progettazione, i ricercatori hanno prodotto quattro materiali campione e ne hanno testato le prestazioni.

Uno dei materiali meta-emettitori è stato applicato al tetto di una casa modello. Per analizzare la sua capacità di raffreddamento, il materiale è stato confrontato con vernici bianche e grigie commerciali standard. Ciò che i ricercatori hanno osservato dopo quattro ore di esposizione diretta al sole di mezzogiorno è che il nuovo materiale era, in media, da 5 a 20 gradi Celsius più fresco rispetto alle vernici tradizionali.

Sulla base di ciò, il team stima che il loro materiale risparmierà circa 15.800 kilowattora (kWh) all’anno in costi di raffreddamento per un edificio residenziale in una città calda come Bangkok. Un’unità di condizionamento standard consuma tipicamente circa 1.500 kWh all’anno.

Quindi, i materiali creati dal team possono essere utilizzati per risparmiare energia in ambito residenziale e commerciale. Nelle città, possono contribuire a ridurre le temperature riflettendo la luce solare e rilasciando calore a lunghezze d’onda mirate. In questo modo, il materiale può potenzialmente ridurre l’effetto isola di calore urbano causato da scarsa vegetazione e strutture di cemento dense.

Ma questo non è l’unico utilizzo. Il materiale può anche essere impiegato in applicazioni spaziali, dove gestisce efficientemente la radiazione solare in ingresso e il calore emesso, aiutando a regolare le temperature delle navicelle spaziali.

I casi d’uso dei meta-emettitori termici vanno ben oltre questo. Ad esempio, integrandoli in tessuti e stoffe, possiamo migliorare la tecnologia di raffreddamento negli indumenti e nelle attrezzature outdoor.

Le automobili sono un altro esempio. Avvolgendo le auto con meta-emettitori termici e integrandoli nei materiali interni, il calore che si accumula quando le auto rimangono al sole può essere ridotto.

Nonostante i numerosi vantaggi, questi materiali non sono riusciti a ottenere un’adozione diffusa a causa del loro laborioso processo di progettazione, e anche le opzioni automatizzate hanno incontrato difficoltà nel gestire la loro complessa struttura gerarchica 3D. Tuttavia, tutto ciò può finalmente cambiare con l’ultimo framework di IA.

“Tradizionalmente, la progettazione di questi materiali è stata lenta e laboriosa, basata su metodi di tentativi ed errori. Questo approccio porta spesso a design subottimali e limita la capacità di creare materiali con le proprietà necessarie per essere efficaci.”

– Zheng

Pertanto, i ricercatori continueranno a lavorare sulla loro tecnologia, perfezionandola e applicandola a ulteriori aspetti della nanofotonica.

“Il machine learning potrebbe non essere la soluzione a tutto, ma i requisiti spettrali unici della gestione termica lo rendono particolarmente adatto alla progettazione di emettitori termici ad alte prestazioni.”

– Co-autore Kan Yao

Come l’IA accelera la scoperta di nuovi materiali

Focalizzata su struttura, proprietà, lavorazione e prestazioni dei materiali, la scienza dei materiali costituisce la base di tutto, dall’aerospazio, all’elettronica, all’energia, alla medicina e a molti altri settori. 

In effetti, la scoperta e lo sviluppo di nuovi materiali sono stati cruciali nel plasmare la storia umana per secoli, avanzando la tecnologia.

Per decenni, ci siamo affidati all’approccio di tentativi ed errori per trovare nuovi materiali inorganici con proprietà favorevoli. Questo approccio è estremamente dispendioso in risorse, richiedendo centinaia di migliaia di ore di esperimenti per identificare e poi sintetizzare solo una manciata di potenziali nuovi materiali.

La complessità dei materiali a livello molecolare e atomico è ciò che rende la scoperta di nuovi materiali un processo lungo e costoso. Così, la maggiore disponibilità di supercomputer ha cambiato la scienza dei materiali permettendo la simulazione del comportamento dei materiali.

E ora, l’arrivo dell’IA sta portando a una rivoluzione nel campo accelerando l’approccio computazionale alla scienza dei materiali. Fornendo le proprietà desiderate per un materiale così come i vincoli, i sistemi di IA generativa possono ora creare materiali completamente nuovi.

Dopotutto, i modelli avanzati di oggi, addestrati su enormi set di dati, quando combinati con il calcolo ad alta velocità, sono in grado di esaminare rapidamente i materiali candidati rispetto ai parametri desiderati, prevedendo così le proprietà di numerose sostanze in pochissimo tempo.

Non solo l’IA può far risparmiare tempo di sviluppo significativo e risorse umane e materiali, ma può farlo soddisfacendo con precisione requisiti di mercato complessi e vari.

Come ha osservato Kristin Persson, professoressa di scienza dei materiali all’Università della California, Berkeley, “siamo attualmente in un paradigma in cui la scienza è guidata da big data e IA. Oggi abbiamo dati sufficienti per addestrare algoritmi di machine learning, e “ciò porta a un nuovo livello di velocità in termini di innovazione,” ha detto.

Curiosamente, l’IA beneficia anche della scoperta di nuovi materiali. L’IA è affamata di dati, e il campo della scienza dei materiali ne è carente. Utilizzando questa tecnologia, le proprietà dei materiali possono essere simulate, e i dati risultanti possono essere usati per addestrare modelli di machine learning.

Persson sta attualmente guidando lo sforzo multi-istituzionale e multinazionale chiamato Materials Project, che sfrutta il supercalcolo e metodi avanzati di simulazione per calcolare le proprietà di tutti i materiali inorganici conosciuti e oltre. I dati sono messi a disposizione gratuitamente per progettare nuovi materiali.

Clicca qui per saperne di più sulle piastrelle per tetti adattive che possono aiutare a ridurre il consumo energetico per riscaldamento/raffreddamento.

Scoperte rivoluzionarie nella scoperta di materiali guidata dall’IA

I ricercatori dell’Ingegneria dell’Università di Toronto hanno introdotto un nuovo strumento² recentemente che prevede come un nuovo materiale potrebbe essere al meglio utilizzato per ridurre il divario tra la scoperta di un materiale e la sua implementazione.

Lo strumento AI multimodale utilizza dati in fase iniziale per prevedere l’uso potenziale nel mondo reale di un nuovo materiale, concentrandosi su una specifica categoria di materiali porosi chiamati strutture metal‑organiche (MOF). 

Solo lo scorso anno, i ricercatori hanno sviluppato oltre 5.000 diversi tipi di questi materiali, che hanno proprietà regolabili, ha osservato lo studio il professor Seyed Mohamad Moosavi dell’Università di Toronto (ChemE). Ha aggiunto che la sfida è che un MOF creato per una particolare applicazione spesso si rivela adatto per un’applicazione completamente diversa.

“Nella scoperta di materiali, la domanda tipica è: ‘Qual è il miglior materiale per questa applicazione?’” ha detto Moosavi. “Abbiamo capovolto la domanda e chiesto: ‘Qual è la migliore applicazione per questo nuovo materiale?’ Con così tanti materiali prodotti ogni giorno, vogliamo spostare l’attenzione da ‘qual è il prossimo materiale da produrre’ a ‘quale valutazione dovremmo fare dopo.’”

Così, lo studente di dottorato in Chimica e Ingegneria, Sartaaj Khan, ha sviluppato un sistema di machine learning multimodale addestrato su vari tipi di dati. La multimodalità è stata fondamentale poiché ha fornito al modello “un quadro più completo” per fare previsioni più accurate senza richiedere post‑sintesi.

I ricercatori del Argonne National Laboratory, nel frattempo, hanno utilizzato un modello di diffusione AI generativa per generare oltre 120.000 MOF³ candidati in poco più di mezz’ora usando un supercomputer. La rete neurale modificata ha ridotto il numero di MOF a 364, ritenuti ad alte prestazioni.

Con qualche giorno in più e ulteriori analisi computazionali, il team ha trovato 102 MOF stabili nel set di dati. 6 di questi avevano una capacità di CO2 classificata tra il 5% superiore dei materiali nel popolare database hMOF.

In un altro esempio, gli scienziati hanno usato l’IA per progettare nanomateriali completamente nuovi⁴ che sono leggeri come lo Styrofoam ma hanno la resistenza dell’acciaio al carbonio.

Resistenza e tenacità tendono a essere in conflitto in molti materiali, inclusi quelli nano‑architetturati, composti da blocchi costitutivi ultra‑piccoli. Quando questi blocchi sono ripetuti, il materiale diventa forte, ma può anche causare concentrazioni di stress che portano a rotture improvvise.

Per trovare modi migliori di progettare nanomateriali, i ricercatori hanno simulato possibili geometrie e poi le hanno sottoposte a un algoritmo che ha appreso dalle loro progettazioni per prevedere le forme migliori per distribuire uniformemente le sollecitazioni applicate mantenendo un carico elevato.

I ricercatori hanno usato una stampante 3D per dare vita a queste forme e hanno scoperto che potevano sopportare uno stress di 2,03 megapascal (MPa) per metro cubo per chilogrammo, cinque volte superiore a quello del titanio.

I ricercatori vedono la loro potenziale applicazione come componenti ultra‑leggeri in ambito aerospaziale per ridurre la domanda di carburante e l’elevata impronta di carbonio del volo.

Secondo il primo autore Peter Serles, ricercatore ingegneristico al Caltech:

“Questa è la prima volta che il machine learning viene applicato per ottimizzare materiali nano‑architetturati, e siamo rimasti sorpresi dai miglioramenti. Non ha semplicemente replicato le geometrie di successo dai dati di addestramento; ha appreso quali modifiche alle forme funzionavano e quali no, permettendogli di prevedere geometrie reticolari completamente nuove.”

La scoperta di materiali basata sull’IA è anche ampiamente utilizzata per la pianificazione urbana. Una ricerca collaborativa⁵ dell’Università di Pechino e dell’Università del Sud della Danimarca ha sviluppato un framework avanzato che integra deep learning con telerilevamento per identificare i materiali da costruzione con una precisione senza precedenti.

Oltre all’efficienza energetica, l’IA può elevare la pianificazione urbana aiutando nel monitoraggio ambientale e nella conservazione, nello sviluppo abitativo e infrastrutturale, e nella sicurezza pubblica e nella risposta ai disastri.

Clicca qui per saperne di più sulle turbine eoliche senza pale, spesso definite il futuro dell’energia pulita.

Investire nella scoperta di materiali basata sull’IA

Se consideriamo il potenziale di investimento dell’IA, è enorme, con il mercato proiettato a valere trilioni negli anni a venire. Quando si tratta di aziende che guidano questo avanzamento tecnologico, soprattutto nella scienza dei materiali, due nomi spiccano: Microsoft (MSFT ) e Google (Alphabet Inc.) (GOOG ), che hanno lanciato i propri modelli per elevare la scala e la precisione della ricerca sui materiali. Tuttavia, per le finalità di questo articolo, ci concentreremo su Alphabet Inc.

Alphabet Inc. (GOOG )

Verso la fine del 2023, DeepMind di Google ha rilasciato uno strumento di IA chiamato Graph Networks for Materials Exploration (Gnome) per accelerare il processo di scoperta dei materiali. All’epoca, ha segnalato⁶ di aver trovato 2,2 milioni di nuovi cristalli con l’aiuto dello strumento di deep learning.

Google ha osservato che ciò è “equivalente a circa 800 anni di conoscenza e dimostra una scala e un livello di precisione senza precedenti nelle previsioni.” I cristalli appena scoperti includono 380.000 materiali stabili, rendendoli candidati promettenti per la sintesi sperimentale e capaci di alimentare tecnologie future.

Il modello Gnome è un modello di rete neurale a grafo (GNN), dove i dati di input sono rappresentati come un grafo. Gnome è stato addestrato su dati del Materials Project, inclusi strutture cristalline e la loro stabilità, per generare nuovi cristalli candidati e prevedere la loro stabilità.

Google ha valutato il suo potere predittivo controllando ripetutamente le sue prestazioni usando la teoria del funzionale della densità (DFT). Per il ‘processo di addestramento’, ha utilizzato ‘apprendimento attivo’ in cui i dati risultanti venivano reinseriti nel modello, potenziando significativamente le prestazioni di Gnome.

Secondo Google, l’accuratezza della previsione di stabilità del modello è passata dal 50% all’80%. L’efficienza del modello, nel frattempo, è passata da meno del 10% a oltre l’80%.

Inoltre, circa 736 materiali previsti da Gnome sono stati sintetizzati in modo indipendente da ricercatori esterni. Google ha anche collaborato con il Lawrence Berkeley National Lab per sintetizzare 41 nuovi materiali, convalidando la forza predittiva dello strumento e il potere della sperimentazione autonoma.

Ora, diamo un’occhiata alle performance del gigante con una capitalizzazione di mercato di 2,2 trilioni di dollari. Al momento della scrittura, le sue azioni sono scambiate intorno a 182 $, in calo del 3,86% YTD. Ha un EPS (TTM) di 8,97 e un P/E (TTM) di 20,29. Il rendimento del dividendo pagato è dello 0,46%.

Per quanto riguarda i dati finanziari dell’azienda, la società madre di Google, Alphabet, ha riportato un fatturato di 90,2 miliardi di dollari per il Q1 terminato il 31 marzo 2025. L’utile per azione è stato di 2,81 $. Questi numeri, ha detto il CEO Sundar Pichai, “riflettono una crescita sana e slancio in tutta l’azienda. A sostenere questa crescita c’è il nostro approccio full‑stack unico all’IA.”

Ultime notizie e sviluppi sul titolo Alphabet Inc. (GOOG)

Conclusione

L’IA sta trasformando ogni aspetto della nostra vita, incluso il modo in cui progettiamo i materiali che plasmano il nostro futuro. L’integrazione della tecnologia nelle scienze dei materiali rappresenta un vero cambiamento di paradigma, accelerando scoperte che una volta richiedevano anni per arrivare a compimento, ora in giorni o addirittura ore.

In parole semplici, l’IA sta guidando il prossimo futuro dell’innovazione dei materiali utilizzando enormi set di dati, calcolo ad alta velocità e modelli generativi, consentendo ai ricercatori di prevedere, progettare e ottimizzare nuovi materiali con un’efficienza e precisione senza precedenti.

Clicca qui per scoprire le azioni di energia pulita con un focus ambientale.

Riferimenti:

1. Xiao, C.; Liu, M.; Yao, K.; et al. Meta‑emettitori termici ultralargobanda e selettivi di banda mediante Machine Learning. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Collegare la sintesi di strutture metal‑organiche alle applicazioni usando il Machine Learning multimodale. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Un framework di intelligenza artificiale generativa basato su un modello di diffusione molecolare per la progettazione di strutture metal‑organiche per la cattura del carbonio. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. Resistenza specifica ultralta mediante ottimizzazione bayesiana di nanolattice di carbonio. Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. Tessuto urbano decodificato: identificazione ad alta precisione dei materiali da costruzione tramite deep learning e telerilevamento. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. Scalare il Deep Learning per la scoperta di materiali. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9