Orizzonti futuri

L’IA e la scienza dei materiali: progettare la materia a partire dai principi primi

L’IA è ormai in grado di proporre milioni di strutture cristalline. Nel gennaio 2026, Nature ha pubblicato una correzione dell’articolo sull’A-Lab e i cristallografi non vi hanno trovato nuovi materiali: il collo di bottiglia si è spostato

Gabriele Masetti · 2026-09-01

Nel 2023, GNoME, il sistema di Google DeepMind il cui nome sta per Graph Networks for Materials Exploration, ha previsto l’esistenza di 2,2 milioni di nuove strutture cristalline stabili, di cui 380.000 giudicate particolarmente promettenti per applicazioni pratiche. Per dare un termine di paragone, in tutta la storia della scienza dei materiali erano state catalogate circa 48.000 strutture cristalline inorganiche stabili. Con un’unica esecuzione computazionale, DeepMind ha ampliato di circa 45 volte l’universo teorico della scienza dei materiali.

L’annuncio è stato accolto con entusiasmo negli ambienti scientifici e in gran parte ignorato dal pubblico. Questa differenza di attenzione è di per sé un dato significativo: la scienza dei materiali è alla base di quasi tutte le tecnologie da cui dipendiamo — batterie, semiconduttori, farmaci, compositi strutturali, celle solari, superconduttori — eppure opera a un livello di astrazione che raramente entra nel dibattito pubblico. Capire quali atomi, legati in quali configurazioni, producano determinate proprietà è una delle frontiere scientifiche più importanti e, al tempo stesso, meno visibili.

L’IA sta trasformando questa frontiera con una rapidità e una profondità che iniziano a ristrutturare interi settori industriali. Negli anni successivi a quell’annuncio, però, si è anche scontrata con il problema più antico del campo: un cristallo stabile all’interno di un computer non è ancora un materiale. Nelle pagine che seguono vedremo come funzionano questi strumenti, che cosa hanno prodotto e dove si ferma ciò che è documentato nelle pubblicazioni scientifiche.

Il vecchio modo di scoprire i materiali

Per capire che cosa cambia con l’IA, è utile vedere come avveniva prima la scoperta di nuovi materiali.

Il processo tradizionale era empirico e lento. Un ricercatore formulava un’ipotesi su quale combinazione di elementi potesse produrre una proprietà desiderata — maggiore conducibilità elettrica, minore dilatazione termica, maggiore resistenza alla trazione ad alte temperature — sulla base delle conoscenze esistenti di chimica e fisica. Poi sintetizzava in laboratorio i materiali candidati, ne caratterizzava le proprietà con diverse tecniche analitiche e ripeteva il procedimento alla luce dei risultati. Un singolo ciclo poteva richiedere settimane. Per arrivare a una scoperta servivano talvolta anni o decenni di tentativi.

La velocità del processo era limitata da due fattori fondamentali. Primo, lo spazio delle combinazioni chimiche è enorme: anche considerando soltanto gli 83 elementi stabili e non radioattivi della tavola periodica, le possibili combinazioni di 2 elementi sono migliaia, quelle di 3 elementi sono centinaia di migliaia, e il numero di strutture cristalline possibili per una data composizione elementare è di fatto infinito. Esplorare sperimentalmente questo spazio, un esperimento alla volta, è disperatamente lento.

Secondo, il rapporto tra la struttura atomica di un materiale e le sue proprietà macroscopiche è complesso e spesso controintuitivo. Le proprietà di un materiale dipendono non solo dagli atomi che contiene, ma anche dalla loro disposizione: la struttura cristallina, la densità dei difetti, i bordi dei grani, la chimica della superficie. Una piccola variazione nelle condizioni di sintesi può produrre, a partire dalla stessa composizione elementare, materiali con proprietà radicalmente diverse. Per sviluppare un’intuizione di questi rapporti servono anni di esperienza sperimentale.

I metodi computazionali — la teoria del funzionale della densità, le simulazioni di dinamica molecolare — sono impiegati per aiutare la scoperta di materiali fin dagli anni 1980. Ma richiedono enormi risorse di calcolo: un singolo calcolo da primi principi relativo a una struttura cristallina complessa può richiedere giorni su un cluster di calcolo ad alte prestazioni. Aumentavano le probabilità di successo, ma non cambiavano in modo sostanziale il ritmo delle scoperte.

Che cosa cambia con l’IA

Gli approcci dell’IA alla scienza dei materiali funzionano in modo diverso sia dai metodi sperimentali sia da quelli computazionali convenzionali. Anziché simulare ogni volta la fisica a partire dai principi primi, apprendono la relazione tra struttura e proprietà da grandi insiemi di dati sui materiali esistenti e usano quanto appreso per prevedere le proprietà di nuove strutture, senza dover eseguire ogni volta una simulazione fisica completa.

La tecnica fondamentale è il potenziale interatomico basato sull’apprendimento automatico: una rete neurale addestrata a prevedere l’energia di una configurazione atomica a partire dalla sua struttura. Una volta addestrato, un potenziale di questo tipo può valutare la stabilità e le proprietà di una nuova disposizione atomica in millisecondi, contro le ore necessarie per un calcolo equivalente basato sui principi primi. Questo vantaggio in termini di velocità permette di esplorare lo spazio di ricerca su una scala radicalmente diversa.

Il sistema GNoME di Google DeepMind esemplifica questo approccio. Usa una rete neurale a grafo — un tipo di rete neurale adatto a rappresentare le strutture atomiche come grafi di atomi collegati da legami — addestrata sul database Materials Project delle strutture cristalline note. Apprendendo da questo database la relazione tra struttura e stabilità, può prevedere se una nuova struttura proposta sarà termodinamicamente stabile senza eseguire una simulazione quantomeccanica completa. Il risultato è la possibilità di esaminare milioni di strutture candidate nel tempo che prima sarebbe servito a valutarne poche decine.

È sul numero che comincia la discussione. Nell’aprile 2024 Anthony Cheetham e Ram Seshadri hanno esaminato i risultati pubblicati da GNoME su Chemistry of Materials e hanno riferito di aver trovato «scarse prove di composti che soddisfino la triade di novità, credibilità e utilità»: secondo la loro interpretazione, la maggior parte delle strutture previste consiste in sostituzioni composizionali all’interno di tipi strutturali noti, anziché in una chimica nuova. Una sostituzione può comunque dare origine a un materiale utile, e uno screening non è mai stato pensato per sostituire il giudizio. Ma 2,2 milioni è un numero che riguarda la ricerca, non la scoperta.

MatterGen di Microsoft, presentato su Nature il 16 gennaio 2025, segue l’approccio inverso: invece di esaminare strutture candidate, usa un modello generativo per progettare da zero nuove strutture cristalline con proprietà mirate. È stato addestrato su 608.000 strutture stabili tratte da Materials Project e dal database Alexandria e genera disposizioni atomiche che, secondo le previsioni, possiedono una proprietà specificata — una suscettività magnetica, una conducibilità termica, una rigidità meccanica — invertendo così il metodo di lavoro tradizionale. Microsoft ha rilasciato il codice sorgente con una licenza MIT, perciò chiunque disponga della capacità di calcolo necessaria può verificare quanto dichiarato.

Lo studio ha fatto anche ciò che finora è mancato in questo campo. Una delle strutture generate, l’ossido TaCr2O6, è stata prodotta condizionando il modello a un modulo di compressibilità volumetrica di 200 gigapascal; è stata poi sintetizzata e il valore misurato è risultato di 169 gigapascal, entro il margine del 20 per cento che gli autori si erano prefissati. Un solo composto non è una rivoluzione. È un dato del tipo che ancora manca nella maggior parte degli annunci in questo campo.

Nell’ottobre 2024 il team FAIR Chemistry di Meta ha rilasciato Open Materials 2024 (OMat24) — oltre 110 milioni di calcoli basati sulla teoria del funzionale della densità, accompagnati da modelli addestrati — come infrastruttura aperta per lo stesso tipo di lavoro. Questo mette tali approcci alla portata di gruppi che non possono costruire dataset proprietari.

Il problema delle batterie: la sfida più importante dell’IA nella scienza dei materiali

Fra tutte le applicazioni dell’IA nella scienza dei materiali, nessuna ha implicazioni più importanti della ricerca di materiali migliori per le batterie.

La transizione verso l’energia pulita dipende dalle batterie. I veicoli elettrici hanno bisogno di batterie con una densità energetica maggiore, una ricarica più rapida, una durata in cicli più lunga e costi inferiori rispetto alle attuali batterie agli ioni di litio. L’accumulo di energia su scala di rete, essenziale per compensare la variabilità della produzione da fonti rinnovabili, richiede batterie sicure, durevoli e realizzate con materiali abbondanti e distribuiti in diverse aree geografiche. Entrambe le applicazioni sono oggi frenate dai limiti dei materiali: la predominanza di litio, cobalto e nichel crea vulnerabilità nelle catene di approvvigionamento e impone soglie minime di costo che ostacolano l’adozione.

L’IA viene applicata a questo problema a ogni livello dei materiali che compongono le batterie. Per gli elettrodi, aziende tra cui Aionics, Chemix e Alchemy usano il machine learning per progettare nuove formulazioni di elettroliti che consentano un trasporto più rapido degli ioni, intervalli di tensione più elevati e una maggiore stabilità alle alte temperature. Per i catodi, l’IA viene usata per esplorare materiali privi di litio e cobalto, tra cui quelli basati su ioni di sodio, potassio e magnesio, che potrebbero ridurre i vincoli posti dai minerali critici alla produzione di batterie.

Gli elettroliti solidi offrono forse il potenziale di trasformazione maggiore nella chimica delle batterie. In questo campo, l’IA ha contribuito in modo significativo alla ricerca di materiali capaci di sostituire gli elettroliti liquidi infiammabili delle attuali batterie agli ioni di litio. Le batterie allo stato solido promettono una densità energetica molto più elevata, una maggiore sicurezza e una durata in cicli più lunga. Ma la ricerca di un elettrolita che abbia una conducibilità ionica sufficientemente alta a temperatura ambiente e sia al tempo stesso chimicamente stabile e fabbricabile ha resistito a decenni di tentativi sperimentali. Il database GNoME di Google DeepMind è stato esaminato alla ricerca di candidati promettenti per elettroliti solidi. Quanti di questi siano stati poi realizzati, e quanti fra quelli realizzati si siano comportati come previsto dallo screening, non è dato sapere dalle informazioni pubblicamente disponibili.

Questo silenzio rispecchia lo stato effettivo della ricerca sulle batterie. Le campagne di screening condotte da aziende e laboratori nazionali hanno annunciato elettroliti candidati che impiegherebbero meno litio rispetto alle soluzioni convenzionali, e gli screening sono davvero rapidi. Ciò che non è seguito con regolarità, sotto forma di studi sottoposti a revisione paritaria, è la cella: una batteria costruita con il materiale candidato, sottoposta a cicli di carica e scarica e misurata da un soggetto diverso da quello che l’aveva annunciata.

Semiconduttori: progettare la prossima generazione di chip

L’industria dei semiconduttori, alle prese con una transizione oltre il silicio descritta altrove in questa serie, usa l’IA nella scienza dei materiali per progettare quelli su cui si baserà la prossima generazione di hardware informatico.

Il materiale dominante nei transistor, il silicio, viene affiancato e, in alcune applicazioni, sostituito da semiconduttori ad ampia banda proibita, tra cui il nitruro di gallio e il carburo di silicio, che possono funzionare a tensioni e temperature più elevate e a frequenze di commutazione maggiori. Questi materiali sono fondamentali per l’elettronica di potenza nei veicoli elettrici, nei sistemi di energia rinnovabile e nelle apparecchiature industriali. L’IA ne accelera la scoperta e l’ottimizzazione. I potenziali interatomici appresi tramite machine learning vengono usati per esaminare dopanti, interfacce e strutture dei difetti che sarebbe troppo lento modellare a partire dai principi fondamentali; i modelli dei processi basati sull’apprendimento vengono usati per restringere gli intervalli di condizioni di crescita entro i quali si forma una pellicola utilizzabile di semiconduttore ad ampia banda proibita.

Guardando al futuro più lontano dell’informatica, l’IA viene usata per esplorare i materiali che potrebbero sostituire il silicio nei dispositivi logici. I materiali bidimensionali, tra cui grafene, disolfuro di molibdeno e nitruro di boro esagonale, hanno proprietà teoriche che li renderebbero superiori al silicio alle scale nanometriche, dove gli effetti quantistici limitano i transistor convenzionali. La sfida è capire come far crescere, lavorare e integrare questi materiali in modo affidabile in un contesto produttivo. Modelli di IA addestrati su una quantità crescente di dati sui materiali 2D vengono usati per prevedere le condizioni di sintesi, le concentrazioni dei difetti e le prestazioni dei dispositivi.

Il legame con la farmaceutica: somministrazione dei farmaci e biomateriali

La scienza dei materiali si intreccia con la medicina in modi che ricevono meno attenzione della scoperta di farmaci tramite IA, ma che potrebbero rivelarsi altrettanto trasformativi.

La somministrazione dei farmaci, cioè portare una molecola terapeutica nel punto giusto del corpo, alla concentrazione giusta e nel momento giusto, dipende in modo cruciale dai materiali usati per incapsularli e trasportarli. Nanoparticelle polimeriche, nanoparticelle lipidiche (il veicolo di somministrazione usato nei vaccini a mRNA contro la COVID-19), idrogel e dispositivi impiantabili dipendono tutti da materiali con proprietà regolate con precisione: biocompatibilità, velocità di degradazione, permeabilità e chimica di superficie.

Tradizionalmente, ottimizzare questi materiali per specifiche combinazioni di farmaci e malattie richiedeva un’ampia sperimentazione empirica. L’ottimizzazione guidata dal machine learning è stata usata per individuare formulazioni di nanoparticelle lipidiche per la somministrazione di mRNA che si accumulano preferenzialmente in un tessuto bersaglio anziché essere catturate dal fegato. Un simile grado di precisione nel raggiungere il bersaglio era sostanzialmente impossibile da ottenere con metodi basati su tentativi ed errori in tempi praticabili.

Per i dispositivi medici impiantabili, come stent, protesi articolari, sonde neurali e impianti cocleari, l’IA viene usata per progettare rivestimenti superficiali e materiali di massa che riducano al minimo la reazione da corpo estraneo e il rischio di infezione, migliorando la biocompatibilità a lungo termine.

Materiali strutturali: reinventare il modo in cui costruiamo

Oltre all’elettronica e alla medicina, l’IA sta trasformando la scoperta e l’ottimizzazione dei materiali strutturali: metalli, compositi e ceramiche impiegati nell’edilizia, nell’aerospazio, nella produzione automobilistica e nelle attrezzature industriali.

Le leghe ad alta entropia, che contengono cinque o più elementi principali in proporzioni pressoché uguali, rappresentano una delle frontiere più promettenti della scienza dei materiali strutturali. Possono combinare resistenza meccanica, tenacità, resistenza alla corrosione e prestazioni ad alte temperature in modi impossibili per le leghe convenzionali a due o tre elementi. Ma lo spazio delle composizioni è così vasto — milioni di combinazioni possibili — che esplorarlo sperimentalmente richiede troppo tempo. Diversi gruppi hanno usato modelli di machine learning addestrati sui dati disponibili sulle leghe ad alta entropia per prevedere nuove composizioni promettenti, poi confermate da esperimenti.

I produttori aerospaziali hanno usato simulazioni assistite dall’IA per ridurre il peso dei componenti strutturali: ogni chilogrammo risparmiato si traduce direttamente in un risparmio di carburante nell’arco della vita di un aereo. Le case automobilistiche applicano lo stesso approccio ai componenti dei veicoli elettrici, dove un peso minore consente una maggiore autonomia.

I compositi in fibra di carbonio vengono riprogettati con strumenti di ottimizzazione che esplorano l’orientamento delle fibre, la composizione della matrice e i parametri di produzione molto più rapidamente di quanto consentano le sole prove fisiche.

Il collo di bottiglia sperimentale: sintesi e validazione

Nella scoperta di materiali assistita dall’IA ricorre un problema: la distanza tra previsione computazionale e realizzazione sperimentale. L’IA può individuare milioni di strutture candidate promettenti; il collo di bottiglia è ora la velocità con cui queste possono essere sintetizzate e caratterizzate in laboratorio.

Per affrontarlo si stanno sviluppando piattaforme di sperimentazione autonome: sistemi robotici di laboratorio che eseguono sintesi, caratterizzazione e analisi dei dati con un intervento umano minimo, operano ininterrottamente e reinseriscono i risultati nei modelli, che aggiornano le proprie previsioni. Il più noto è A-Lab, presso il Lawrence Berkeley National Laboratory. Un articolo pubblicato su Nature il 29 novembre 2023 riferisce che, in 17 giorni di attività ininterrotta, la piattaforma ha realizzato 36 composti a partire da 57 obiettivi individuati sulla base dei dati sulla stabilità di Materials Project e DeepMind.

Quel risultato non ha retto all’esame dei cristallografi. Nel marzo 2024, un gruppo di Princeton e University College London ha esaminato uno per uno i prodotti della sintesi in un articolo su PRX Energy, individuando quattro carenze ricorrenti nell’analisi, soprattutto nell’adattamento automatico con il metodo di Rietveld ai dati di diffrazione a raggi X su polveri e nella mancata considerazione del disordine, per cui elementi previsti in siti cristallografici distinti in realtà li condividono. La loro conclusione era inequivocabile.

Questi errori portano purtroppo alla conclusione che in quel lavoro non è stato scoperto alcun nuovo materiale. — Josh Leeman, autore principale, Dipartimento di chimica, Princeton University

Nel gennaio 2026 Nature ha pubblicato una correzione degli autori all’articolo su A-Lab. Il robot continua a funzionare come sistema robotico: può condurre una campagna di sintesi per settimane senza supervisione. Ciò che l’episodio ha smentito è l’affermazione che l’attività senza supervisione avesse prodotto nuovi materiali e, con essa, l’idea che caratterizzare i prodotti sia facile da automatizzare quanto sintetizzarli. La parte difficile è stabilire che cosa sia uscito dal forno.

La combinazione di previsioni dell’IA e sperimentazione autonoma crea un ciclo chiuso qualitativamente diverso da ciascuno dei due approcci preso da solo: il modello formula previsioni, il robot sintetizza e caratterizza, i risultati aggiornano il modello. Il ciclo procede a una velocità limitata soltanto dalla capacità operativa della piattaforma e, come ha mostrato A-Lab, dall’affidabilità della fase di caratterizzazione.

Imprese tra cui Citrine Informatics e Chemify stanno sviluppando piattaforme che mettono alcune di queste capacità a disposizione dei team di ricerca e sviluppo industriali che non possono finanziare un laboratorio autonomo proprio.

Che cosa significa per l’industria e le politiche pubbliche

L’accelerazione della scoperta di materiali grazie all’IA ha implicazioni che vanno oltre il laboratorio.

Per l’energia pulita, la questione centrale per le politiche pubbliche è se la transizione possa procedere al ritmo necessario per raggiungere gli obiettivi climatici, dati i vincoli legati ai minerali critici da cui dipendono le attuali tecnologie delle batterie e delle celle solari. La scoperta di materiali assistita dall’IA offre una strada verso tecnologie meno dipendenti da minerali scarsi — batterie senza litio, celle solari senza silicio, trasmissione dell’energia elettrica senza rame — che potrebbero eliminare alcuni dei vincoli più rilevanti all’espansione dell’energia pulita.

Per la produzione di semiconduttori, l’innovazione nei materiali è sempre più decisiva per la capacità del settore di continuare a migliorare le prestazioni mentre il silicio si avvicina ai propri limiti. La competizione geopolitica sulle tecnologie dei semiconduttori — compresa la guerra dei chip tra Stati Uniti e Cina — è in parte una competizione sulle capacità di sviluppare materiali. I paesi e le aziende all’avanguardia nella scoperta di materiali assistita dall’IA avranno un vantaggio strutturale nello sviluppo della prossima generazione di semiconduttori.

Per le aziende farmaceutiche e biotecnologiche, la scoperta di biomateriali assistita dall’IA sta creando vantaggi competitivi nella somministrazione dei farmaci che sono difficili da replicare senza capacità analoghe. Le implicazioni normative sono significative: le autorità di regolamentazione devono sviluppare criteri per valutare l’impiego negli esseri umani di materiali progettati dall’IA, bilanciando la necessità di mantenere gli standard di sicurezza con l’opportunità di accelerare l’accesso a terapie realmente migliori.

La tavola periodica come spazio di progettazione

Per gran parte della storia umana, la tavola periodica è stata un catalogo di ciò che esiste in natura. La scienza dei materiali è stata, fondamentalmente, una disciplina di scoperta: trovare materiali con proprietà utili esplorando il mondo fisico, oppure combinando elementi noti in nuove configurazioni e osservando ciò che ne emerge.

L’IA sta trasformando la tavola periodica da catalogo a spazio di progettazione. Per la prima volta, sta diventando possibile indicare una proprietà desiderata — un materiale duro come il diamante ma elettricamente conduttivo, oppure biocompatibile e capace di degradarsi in esattamente trenta giorni, oppure in grado di immagazzinare il doppio dell’energia delle attuali batterie agli ioni di litio alla metà del costo — e cercare per via computazionale, tra le possibili configurazioni atomiche, candidati che soddisfino le specifiche.

Questa capacità è davvero nuova. Le sue conseguenze si dispiegheranno nell’arco di decenni, non di anni, e quanto emerso negli ultimi tre anni ha chiarito a che cosa saranno dedicati quei decenni: non alla ricerca, che ormai costa poco, ma alla validazione, al passaggio alla produzione su scala e al lavoro poco affascinante di dimostrare che ciò che si trova nel crogiolo corrisponde a ciò che appare sullo schermo. Ma la traiettoria è già visibile: nelle batterie che potrebbero trasformare l’economia dell’energia pulita, nei semiconduttori che potrebbero prolungare i progressi dell’informatica oltre i limiti del silicio, nei farmaci che raggiungono i propri bersagli con una precisione prima impossibile, nelle strutture costruite con materiali progettati atomo per atomo per il loro scopo.

L’era della materia progettata sta cominciando. Le sue implicazioni sono vaste quanto la tavola periodica stessa.