// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
Un'AI segue gli atomi e trova reazioni nascoste in pochi minuti
Un gruppo del Berkeley Lab ha sviluppato un modello di intelligenza artificiale capace di ricostruire, in pochi minuti, come procede una reazione tra materiali solidi. Il sistema segue virtualmente il movimento degli atomi e prevede prodotti intermedi, risultato finale e impurità. Secondo gli autori dello studio, pubblicato su Nature Materials, è il primo modello predittivo che considera esplicitamente il trasporto degli atomi durante queste reazioni, un passaggio decisivo per trovare ricette di sintesi più affidabili.
Produrre un nuovo materiale inorganico significa spesso mescolare polveri e riscaldarle fino a temperature che possono raggiungere gli 800 °C. Il processo può generare composti inattesi e richiedere settimane, talvolta anni, di tentativi. I modelli tradizionali si concentrano soprattutto sulla termodinamica, cioè sulla stabilità energetica dei possibili prodotti, ma trascurano spesso la cinetica: anche una reazione favorevole può non avvenire se gli atomi non raggiungono in tempo l'interfaccia corretta.
Il nuovo approccio combina i calcoli energetici con un modello di machine learning addestrato a stimare la velocità con cui gli atomi attraversano il materiale. Gli input comprendono i reagenti iniziali, le loro proporzioni e l'aumento della temperatura. L'algoritmo assume inoltre che l'interfaccia tra i solidi sia molto disordinata, simile a una folla che cerca di uscire da un'arena: gli atomi devono attraversare questa regione caotica prima che possano formarsi nuovi composti.
I ricercatori hanno verificato il metodo sugli ossidi di bario-titanio, materiali studiati da decenni e impiegati nel settore elettronico. Il modello ha simulato miscele con differenti rapporti tra ossido di bario e biossido di titanio, sottoposte a temperature diverse nel tempo. Il confronto con i dati sperimentali disponibili in letteratura ha mostrato una forte corrispondenza per l'intera sequenza della reazione, compresa la comparsa dei composti intermedi e delle impurità.
La conseguenza pratica sarebbe una selezione più rapida delle condizioni di produzione, con meno esperimenti da ripetere e maggiori probabilità di ottenere purezza e resa elevate. Il metodo potrebbe quindi accorciare il percorso tra un materiale promettente e la sua fabbricazione per batterie, sensori e dispositivi medici. Per chi segue hardware ed elettronica, significa poter esplorare più velocemente dielettrici, catalizzatori e altri solidi funzionali destinati ai componenti di nuova generazione.
Il lavoro rientra nella crescente applicazione dell'IA alla ricerca scientifica, dove gli algoritmi non cercano soltanto nuovi materiali, ma aiutano anche a capire come produrli. Il tema si collega al nostro approfondimento sui modelli IA open per il quantum computing: in entrambi i casi il calcolo automatico viene usato per restringere problemi scientifici troppo complessi da esplorare soltanto con tentativi manuali.
Il risultato resta comunque circoscritto. Il modello cinetico è stato addestrato specificamente sugli ossidi di bario-titanio e non è ancora uno strumento universale per qualsiasi solido. Il gruppo dovrà provarlo su altre famiglie di materiali e costruire dataset cinetici molto più estesi prima di arrivare al previsto foundation model. Non sono stati indicati tempi per questa evoluzione e la validazione sperimentale continuerà a essere indispensabile.
Aggiungi Tom's Hardware alle tue fonti preferite su Google