di Simone Cosimi

Uno degli aspetti meno considerati dell’intelligenza artificiale è la sua capacità di accorciare il tempo. Cioè di velocizzare pratiche prima molto lunghe e dispendiose in termini di risorse ed energie, consentendo, nel caso che vedremo a scienziati e ricercatori, di occuparsi di altro, perfezionando i risultati e allargando lo spettro delle proprie indagini. Questo è vero in particolare in laboratorio e, oltre le più prevedibili ricadute per esempio nell’ambito della salute, anche nel settore dei nuovi materiali.

Spesso se ne parla senza troppa cognizione ma il progresso anche sotto il profilo di leghe, plastiche e altri tipi di materiali è fondamentale per decine di settori, dall’ingegneria all’automotive fino all’energia. D’altronde i materiali che utilizziamo sono da sempre, fin dall’età della pietra, fondamentali per allargare i nostri orizzonti aiutandoci a compiere nuove imprese e in questo senso industria aerospaziale e automobilistica, anche nel XXI secolo, sono l’avanguardia della ricerca.

Il Mit di Boston, per esempio, sta lavorando su nuovi prodotti in grado di generare spontaneamente elettricità quando riscaldati e ne ha illustrato i risultati sulla rivista Science Advances: “Se i nostri sogni più sfrenati si dovessero avverare, improvvisamente molte cose che ora sono troppo inefficienti diventeranno molto più efficienti – ha spiegato Brian Skinner, alla guida del gruppo di scienziati – potreste trovare nelle automobili dei piccoli apparecchi in grado di sfruttare il calore disperso dal motore per ricaricare la batteria, oppure negli impianti elettrici l’energia che ora va sprecata potrebbe essere recuperata e reimmessa nella rete”. Tutto questo non solo grazie a tecnologie specifiche quanto, appunto, a materiali prima sconosciuti.

Bene, l’intelligenza artificiale può darci un grande aiuto. Per centinaia di anni, d’altronde, anche la ricerca sui neomateriali è stata condotta secondo il classico approccio del prova e sbaglia (e naturalmente riprova), che qualcuno ama chiamare anche “fortuna e serendipità”. Insomma, molto più che in altri ambiti scientifici, il caso ha avuto un ruolo importante. A breve questa specie di alchimia, in gran parte – per esempio per le proprietà fisiche – basata sull’intuito, potrebbe ribaltarsi: un gruppo di ricercatori della Northwestern University ha infatti utilizzato un sistema di intelligenza artificiale per capire come sfornare un nuovo ibrido fra metallo e vetro. La differenza col passato? Ne ha valutato la fattibilità duecento volte più rapidamente di quanto sarebbe accaduto procedendo per tentativi in laboratorio.

Non basta. Altri scienziati stanno costruendo database che contengono migliaia di composti. A cosa serviranno? Algoritmi programmati per scandagliarli potranno prevedere quali di quei composti chimici e fisici si combinerebbero al meglio per partorire nuovi, inimmaginabili materiali. Altri ricercatori ancora stanno invece sfruttando l’AI per scopi magari non fantascientifici ma di certo non meno efficaci dei precedenti: indagare con più rapidità fra tutte le ricerche e i paper sul tema per capire se esistano dei punti di contatto che gli autori, per gli evidenti limiti umani, non sono riusciti a sondare o magari neanche immaginano. Dei materiali nascosti, per così dire.

Oggi l’intelligenza artificiale consente dunque ai ricercatori di spingersi oltre la competenza osservazionale e di schivare i continui (e spesso fallimentari) testi di laboratorio. Come? Utilizzando appunto i database, i calcoli e le simulazioni possibili in base a quelle informazioni per mappare rapidamente ed esattamente il tipo di caratteristiche di cui un potenziale materiale potrebbe disporre, comprendendo per esempio cosa lo renda particolarmente leggero o molto resistente, sorprendentemente elastico o magari ignifugo. E così via. Secondo James Warren, direttore del Materials Genome Initiative al National Institute of Standards and Technology statunitense, questa capacità predittiva ha le carte in regola per rivoluzionare qualsiasi settore industriale. Per capirci, il tempo in cui si scopre un materiale e lo si utilizza per un prodotto di largo consumo, per esempio la batteria di un’auto o uno smartphone o un microchip, può essere lunghissimo, anche di una ventina d’anni. Per questo velocizzare il processo significa consegnarci prodotti migliori (più efficienti, resistenti, precisi) in meno tempo. “Possiamo migliorare praticamente qualsiasi oggetto” dice Warren.

Il professore fa anche un curioso esempio. Lo scienziato dei materiali è un po’ come un cuoco che ha degli ingredienti in mano ma intende ottenere un risultato sensibilmente diverso rispetto a ciò che le proprietà naturali di quegli ingredienti potrebbero produrre. Così ha bisogno di una ricetta che lo guidi passo dopo passo a processare quell’ingrediente fino a fargli assumere la struttura o le caratteristiche desiderate. In laboratorio si lavora più o meno così, sulle strutture fisiche e chimiche dei materiali di partenza e sui processi che possono condurre a quanto desiderato. In questo caso l’intelligenza artificiale può aiutare, specialmente con l’arrivo dei computer quantistici, prevedendo le proprietà di un possibile materiale “prima che questo sia mai sfornato in laboratorio” spiega Chris Wolverton, scienziato dei materiali alla Northwestern e responsabile dell’Open Quantum Materials Database. Insieme ad altri archivi del genere, come il Materials Project e il Materials Cloud, sta crescendo e già ora supportando numerose scoperte.

Quali sono? Per esempio quelle all’incrocio fra materiali tridimensionali e bidimensionali del ricercatore Nicola Marzari all’École Polytechnique Fédérale di Losanna, in Svizzera. Il tanto chiacchierato grafene rientra ad esempio in questa categoria, perché è in fondo un singolo livello di grafite con uno spessore comparabile a quello atomico. Questi materiali 2D possono avere proprietà straordinarie che non hanno in forma tridimensionale, utilissime nei dispositivi tecnologici. Marzari e la sua squadra si sono fatti aiutare da un algoritmo che ha indagato in numerosi database: secondo il paper pubblicato il mese scorso su Nature Nanotechnology a partire da 100mila materiali ne ha individuati 2mila sottoponibili a quel determinato processo. Ce ne sono moltissimi: da quelli che possono assorbire energia dal Sole a quelli che convertono calore in acqua fino agli ottimi conduttori elettrici. Si dovrà poi passare dal laboratorio per verificarne le caratteristiche, su questo non c’è dubbio. Ma com’è evidente algoritmi e potenza computazionale danno una mano a tagliare i tempi e concentrarsi sugli aspetti più spinosi della ricerca scientifica. E spesso suggeriscono essi stessi la strada più efficace per arrivare a un certo risultato.

Sempre i ricercatori della Nortwestern di cui si parlava sopra hanno applicato un approccio a metà strada per allenare il proprio sistema di AI alla ricerca di nuovi composti fra vetro e metallo. Prima hanno analizzato gli studi pubblicati sull’argomento e poi hanno nutrito un algoritmo di machine learning con le regole estratte da quelle indagini e relative appunto a come siano stati realizzati particolari “vetri metallici”. La macchina ha imparato a fare sue analisi e previsioni su quali combinazioni di elementi avrebbero creato nuove forme di quel materiale, suggerendo i punti di partenza. Pur con tutti i miglioramenti necessari una strada è dunque aperta. Utile, fra l’altro, non solo a scoprire nuovi materiali ma anche a “individuare modi più efficienti per produrre quelli che già realizziamo e utilizziamo” come ha spiegato Elsa Olivetti, coautrice di uno studio al Mit. Le sfide rimangono perché i calcoli non possono prevedere ogni implicazione e mantengono margini di errore, specie in terreni come questi.