L’AI amplia la ricerca di nuovi materiali per batterie, mentre Microsoft e Ibm vagliano i candidati ideali fra milioni di opzioni, grazie all’intelligenza artificiale.
L’obiettivo è quello di ridurre la dipendenza dal litio e dalla terre rare ovvero da quegli elementi chimici di cui la Cina detiene il monopolio.
“L’applicazione dell’intelligenza artificiale alle scienze dei materiali rappresenta una svolta entusiasmante”, commenta Roberta Pascazio, nano-chimica con PostDoc all’Università di Berkeley, “la possibilità di esplorare milioni di combinazioni atomiche e individuare nuovi materiali in tempi rapidissimi apre scenari impensabili fino a pochi anni fa”. Ecco quali sono le prospettive dell’impiego dell’IA nella chimica.
Indice degli argomenti
L’AI aiuta a trovare nuovi materiali per le batterie
Quando nel 2023 i ricercatori Microsoft hanno identificato un nuovo tipo di materiale, in grado di ridurre drasticamente la quantità di litio necessaria nelle batterie ricaricabili, è stato come setacciare un pagliaio in tempo record per cercare l’ago.
Tuttavia, secondo la dottoressa Pascazio, “l’AI si rivela particolarmente efficace nella scoperta di materiali innovativi, più che nel ‘reinventare la ruota’, perché consente di individuare composizioni e strutture che difficilmente un approccio umano avrebbe ipotizzato“.
Infatti partendo da 32 milioni di possibilità, con l’aiuto dell’intelligenza artificiale, Microsoft ha scoperto un candidato promettente in 80 ore.
Ora i ricercatori del Pacific Northwest National Laboratory hanno in programma di sintetizzare e testare il nuovo materiale, NaxLi3−xYCl6, in una configurazione di batterie.
Si tratta di una delle numerose composizioni chimiche per batterie generate dall’intelligenza artificiale che stanno facendo il loro ingresso nel mondo reale.
Gli esperimenti di Microsoft
Quando nel 2023 i ricercatori Microsoft hanno identificato un nuovo tipo di materiale in grado di ridurre drasticamente la quantità di litio necessaria nelle batterie ricaricabili, è stato come setacciare un pagliaio in tempo record. Questo perché la loro scoperta è partita dal vaglio di 32 milioni di possibilità e l’aiuto dell’intelligenza artificiale ha circoscritto la ricerca a un candidato promettente in appena 80 ore.
Ora i ricercatori del Pacific Northwest National Laboratory hanno in programma di sintetizzare e testare il nuovo materiale, NaxLi3−xYCl6, in una configurazione di batteria. Si tratta di una delle numerose composizioni chimiche per batterie generate dall’intelligenza artificiale che stanno facendo il loro ingresso nel mondo reale.
Cercare un ago in un pagliaio ai tempi dell’AI
L’esperimento di Microsoft è iniziato quando i ricercatori hanno voluto dimostrare come l’intelligenza artificiale potesse affrontare il problema di trovare nuovi materiali e sostanze chimiche utili.
Hanno deciso di cercare nuovi candidati per l’elettrolita di una batteria ricaricabile, perché un elettrolita migliore potrebbe rendere le batterie più sicure e allo stesso tempo migliorarne le prestazioni, afferma Nathan Baker, responsabile del progetto Azure Quantum Elements di Microsoft, un programma per accelerare la ricerca nel campo della chimica e dei materiali attraverso le piattaforme avanzate di calcolo e intelligenza artificiale di Microsoft.
Lo scopo di usare l’AI nella ricerca tecnologica
“Il nostro obiettivo era quello di prendere uno di questi modelli di IA e mostrare la promessa di accelerare la scoperta scientifica, setacciando 32,5 milioni di materiali candidati e dimostrando che potevamo farlo in poche ore, non in anni”, afferma Baker. Il loro modello, chiamato framework M3GNet, ha accelerato le simulazioni della dinamica molecolare per valutare le proprietà del materiale.
In primo luogo, i ricercatori Microsoft hanno chiesto al modello di inserire nuovi elementi chimici in strutture cristalline note in natura e determinare quali molecole risultanti sarebbero state stabili, un passaggio che ha ridotto i 32 milioni di candidati iniziali a mezzo milione.
L’intelligenza artificiale ha quindi selezionato quei materiali in base alle capacità chimiche necessarie per il funzionamento di una batteria, riducendo il numero a soli 800. Da lì, l’informatica tradizionale e la competenza umana vecchio stile hanno identificato il nuovo materiale in grado di funzionare all’interno di una batteria e di utilizzare il 70% di litio in meno rispetto alle batterie ricaricabili attualmente in commercio.
Il ruolo dell’AI nelle batterie di prossima generazione
Il team Microsoft non è solo. In tutto il mondo, i ricercatori sono impegnati a sviluppare progetti di nuova generazione per sostituire o migliorare le batterie agli ioni di litio, che utilizzano grandi quantità di elementi rari, costosi e difficili da reperire.
I nuovi modelli di batterie potrebbero utilizzare materiali più abbondanti, ridurre il pericolo di incendio derivante dagli elettroliti liquidi a base di litio e immagazzinare più energia in uno spazio più piccolo.
Le sostanze chimiche necessarie per raggiungere questo obiettivo sono lì fuori che aspettano solo di essere scoperte e, sempre più spesso, i ricercatori stanno sfruttando l’intelligenza artificiale e l’apprendimento automatico per svolgere il lavoro di selezione tra la montagna di dati disponibili.
“Stiamo insegnando all’IA come diventare uno scienziato dei materiali”, afferma Dibakar Datta, professore associato presso il New Jersey Institute of Technology, che ad agosto ha pubblicato uno studio in cui ha utilizzato l’IA per identificare cinque materiali candidati per batterie che supererebbero le prestazioni delle batterie agli ioni di litio.
Il team di Datta sta lavorando alla batteria multivalente: una batteria che impiega ioni multivalenti in grado di trasportare più livelli di carica rispetto alla singola carica trasportata da una batteria al litio.
Il punto di svolta per la chimica ai tempi dell’AI
Guidare un modello di IA nella sua ricerca attraverso lo spazio quasi infinito dei materiali possibili è il punto di svolta in questo campo. La chiave per utilizzarlo come partner di ricerca è trovare un giusto compromesso tra un modello che funzioni velocemente e un modello che fornisca risultati perfettamente accurati, afferma Austin Sendek, professore alla Stanford University che ha sviluppato algoritmi per aiutare l’IA a scoprire nuovi materiali per batterie.
“Bisogna spaziare sia in ampiezza che in profondità”, afferma Sendek. Profondità, perché progettare questi materiali richiede una profonda conoscenza scientifica delle proprietà, dell’ingegneria e della chimica. Ma anche ampiezza, perché è necessario applicare tale conoscenza in uno spazio chimico infinito, spiega. “È qui che entra in gioco la promessa dell’IA”.
La ricerca di Ibm sulla tecnologia delle batterie AI-driven
I ricercatori di IBM hanno adottato un approccio basato sull’intelligenza artificiale
per identificare nuovi candidati elettroliti, che ha comportato l’identificazione di formulazioni chimiche con una conduttività ionica molto più elevata rispetto ai sali di litio utilizzati nelle batterie attuali.
Un elettrolita tipico può contenere da sei a otto ingredienti, tra cui sali, solventi ed additivi, ed è quasi impossibile considerare tutte le combinazioni senza l’aiuto dell’intelligenza artificiale.
Per restringere il campo, il team IBM ha sviluppato modelli basati su fondamenti chimici addestrati su miliardi di molecole. “Questi modelli catturano il linguaggio di base della chimica”, afferma Young-Hye Na, membro principale dello staff di ricerca presso IBM Research.
Il suo team addestra quindi questi modelli con dati relativi alle batterie, in modo che l’IA possa prevedere proprietà importanti per le applicazioni delle batterie su scale che vanno dalle singole molecole fino all’intero dispositivo. Na ha descritto il lavoro in un articolo pubblicato ad agosto su NPJ Computational Materials.
Il test dei nuovi materiali generati con l’AI
Poiché il lavoro indaga nuove combinazioni di materiali esistenti piuttosto che utilizzare l’IA per inventare nuovi materiali esotici, il suo potenziale per aiutare a costruire la batteria del futuro è molto più promettente, secondo Young-Hye Na.
Il team IBM sta ora collaborando con un produttore di veicoli elettrici non divulgato per progettare elettroliti ad alte prestazioni per batterie ad alta tensione.
L’uso dell’IA da parte di Ibm per le batterie non si limita alla ricerca di materiali promettenti.
In genere, quando l’IA rivela un nuovo materiale promettente, il passo successivo è quello di sintetizzarlo, sperimentarlo in laboratorio e, un giorno, testarlo in un dispositivo reale. Anche in questa fase di test, l’apprendimento automatico (ML) aiuterà i ricercatori.
L’uso dei gemelli digitali
IBM sta testando la fattibilità reale di nuove configurazioni di batterie creando i loro gemelli digitali, modelli virtuali che consentono ai ricercatori di prevedere come una particolare composizione chimica della batteria si degraderebbe nel corso della sua vita utile, caratterizzata da innumerevoli cicli di ricarica.
Il modello, sviluppato in collaborazione con la startup Sphere Energy, è in grado di prevedere il comportamento a lungo termine di una batteria in soli 50 cicli di ricarica modellati sul gemello digitale, afferma Teodoro Laino, membro illustre dello staff di ricerca di Ibm Research.
Prospettive future, dall’AI al quantum computing: le batterie quantistiche
La fase successiva della ricerca sulle batterie basata sull’intelligenza artificiale è quella quantistica. Mentre Microsoft e IBM spingono verso il potenziale dei computer quantistici, entrambe vedono la sua promessa di modellare la chimica complessa senza scorciatoie o compromessi.
Young-Hye Na afferma che, sebbene l’attuale intelligenza artificiale sia uno strumento cruciale per studiare la chimica delle batterie, il passo successivo, per esempio la modellizzazione di interi pacchi batteria per veicoli elettrici, tenendo conto di tutte le variabili che incontrano nel mondo reale, richiederebbe la potenza dell’informatica quantistica.
“Sappiamo che i computer classici hanno difficoltà a generare risposte accurate per sostanze complesse, molecole complesse, materiali complessi. Quindi il nostro obiettivo attuale è quello di cambiare il modo in cui vengono generati i dati, introducendo il quantum nel ciclo, in modo da ottenere dati più accurati per l’addestramento dei modelli ML”, conclude Baker.
Le sfide future
Le opportunità di usare l’AI nellas chimica per scoprire materiali innovativi “sono enormi, soprattutto nel campo dell’energia e della sostenibilità“, spiega Roberta Pascazio: “Le grandi aziende possono contare su risorse e dataset imponenti, ma anche i gruppi accademici riescono oggi a ottenere risultati comparabili, spesso con costi minori: i modelli di base, infatti, si appoggiano agli stessi insiemi di dati e algoritmi, rendendo le scoperte ‘democratizzate’ e più accessibili“.
Le sfide restano, naturalmente. “I metodi nati su dataset molto specifici sono difficili da riprodurre o ampliare a sistemi diversi, e i modelli faticano a descrivere materiali ‘instabili’, come quelli fuori equilibrio o con chimiche ‘realistiche'”, mette in guardia la dottoressa Pascazio.
Tuttavia, conclude Roberta Pascazio, “il vero potenziale dell’AI emergerà quando diventerà uno strumento quotidiano di dialogo tra teoria ed esperimento: un linguaggio comune capace di accelerare la ricerca, ridurre gli sprechi e portare a scoperte che oggi possiamo solo immaginare”.
