The Pulse
Microsoft afferma che l’IA ha progettato una candidata per batterie a flusso senza vanadio
Microsoft afferma che il suo Discovery Engine ha aiutato i ricercatori di Yale a progettare e convalidare una nuova molecola organica per batterie a flusso redox di lunga durata. Il lavoro combina agenti di IA, misurazioni di laboratorio e
AI.info Team ·
Microsoft presenta un esperimento sulle batterie come prova che l’IA può fare più che generare candidati chimici: può conservare gli esperimenti falliti, rivedere la propria strategia e aiutare i ricercatori a ottenere un risultato verificabile.
In un post pubblicato sul blog Tech Community di Microsoft il 7 settembre 2026, l’azienda ha dichiarato che il suo Discovery Engine ha contribuito a progettare un nuovo negolita organico per batterie a flusso redox organiche acquose. Il candidato, sviluppato con Yale Engineering, Canam Bioresearch e Pacific Northwest National Laboratory, è pensato per ridurre la dipendenza dal vanadio, un minerale costoso utilizzato in molte batterie a flusso su scala di rete.
Microsoft descrive il risultato come il primo esito scientifico convalidato end-to-end di Discovery, ottenuto combinando previsioni computazionali e misurazioni di laboratorio. L’azienda non ha pubblicato un set completo di dati sulle prestazioni che dimostri che il candidato è pronto per l’impiego commerciale, quindi l’annuncio presenta un risultato di ricerca, non un prodotto finito.
Tre cicli di progettazione, non una previsione fortunata
Il lavoro è partito dallo scaffold chimico della benzo[c]cinnolina, che Microsoft e i suoi partner hanno modificato per cercare una molecola organica adatta agli elettroliti delle batterie a flusso. Discovery Engine ha utilizzato CLIO, acronimo di Cognitive Loop via In-Situ Optimization, per seguire più linee di ragionamento e adattare il proprio approccio man mano che arrivavano nuove prove.
Microsoft afferma che il sistema ha organizzato il progetto in tre cicli. I primi due hanno esplorato un’ampia gamma di modifiche molecolari, ma molti candidati non soddisfacevano i requisiti chimici o elettrochimici. Nel secondo ciclo, nessuna delle esplorazioni parallele ha prodotto un candidato idoneo a proseguire.
Attraverso Discovery Bookshelf, un sistema di conoscenza che registra i collegamenti tra ipotesi, previsioni, risultati misurati e livelli di confidenza, quegli insuccessi sono diventati parte degli input del terzo ciclo. Microsoft afferma che nel terzo ciclo sono riuscite quattro esplorazioni su sei, dopo che il sistema ha utilizzato i risultati precedenti per cambiare il modo in cui interpretava i propri strumenti computazionali.
L’IA ha imparato a diffidare di un predittore imperfetto
L’adattamento più rivelatore ha riguardato un predittore del potenziale redox. Microsoft afferma che il modello non ha fornito valori numericamente accurati rispetto alle misurazioni di laboratorio, ma le sue classifiche hanno comunque indirizzato i ricercatori verso candidati relativamente migliori.
Discovery ha quindi smesso di trattare il predittore come una fonte di misurazioni precise e lo ha utilizzato come strumento per ordinare i candidati in base alla direzione indicata. Questa distinzione ha permesso al sistema di conservare le informazioni utili ricavate da un modello imperfetto, anziché scartarlo del tutto.
Microsoft afferma che questo processo ha anche aiutato gli agenti a evitare di ripetere modifiche molecolari rivelatesi infruttuose. L’azienda descrive questa capacità come una forma di memoria scientifica: una registrazione dei motivi per cui gli approcci precedenti non hanno funzionato, anziché un database contenente solo risultati positivi.
Questo lavoro introduce un nuovo e potente quadro di riferimento per far progredire la scienza delle batterie con l’IA. Dotando un agente della capacità di ragionare a partire dagli esperimenti e di adattarsi a essi, combiniamo i punti di forza della sperimentazione guidata dalle persone con la capacità dell’IA di esplorare vasti spazi di progettazione chimica; e stiamo solo iniziando a vedere cosa può fare.
David Kwabi, professore associato di ingegneria chimica e ambientale, Yale University
Perché le batterie a flusso hanno bisogno di nuove soluzioni chimiche
Le batterie a flusso redox immagazzinano energia in elettroliti liquidi contenuti in serbatoi esterni. Durante la carica e la scarica, le pompe fanno circolare i liquidi attraverso una cella elettrochimica, consentendo di aumentare la capacità energetica del sistema di accumulo aggiungendo serbatoi più grandi anziché costruire altre celle.
I sistemi a base di vanadio hanno attirato l’attenzione per l’accumulo in rete perché lo stesso elemento può funzionare su entrambi i lati della batteria, riducendo alcune forme di contaminazione incrociata. I prezzi del vanadio, i vincoli di approvvigionamento e il costo degli impianti di grandi dimensioni hanno spinto i ricercatori a studiare alternative organiche ottenibili da materiali più ampiamente disponibili.
Le molecole organiche presentano problemi propri. Un negolita utile deve combinare il giusto potenziale redox con un’elevata solubilità in acqua, stabilità chimica, comportamento elettrochimico reversibile e un processo di sintesi che funzioni anche al di fuori di una simulazione al computer. Migliorare una proprietà può peggiorarne un’altra, rendendo la selezione dei candidati un problema con molte variabili.
Che cosa ha dimostrato davvero Microsoft
L’annuncio di Microsoft dimostra che Discovery Engine ha supportato un progetto a ciclo chiuso in cui i design generati dall’IA sono stati confrontati con i risultati di laboratorio e poi rivisti. I ricercatori di Yale hanno guidato la caratterizzazione sperimentale, mentre Microsoft afferma che il sistema ha coordinato l’analisi della letteratura scientifica, la generazione di candidati, lo screening computazionale e l’interpretazione dei risultati.
L’annuncio non stabilisce una densità energetica di livello commerciale, la durata dei cicli, il costo per kilowattora o l’esistenza di un prototipo su larga scala. Inoltre, non dimostra che il candidato organico superi i sistemi al vanadio in un impianto di rete in funzione.
La distinzione è importante perché la scoperta di batterie comporta due ostacoli distinti: trovare una molecola con proprietà promettenti e dimostrare che resiste a ripetuti cicli di funzionamento in un dispositivo pratico. Una precedente collaborazione di Microsoft con PNNL ha seguito un percorso simile: l’IA ha esaminato 32,6 milioni di materiali candidati e ha contribuito a individuare un elettrolita allo stato solido che utilizza circa il 70% di litio in meno rispetto alle tradizionali batterie agli ioni di litio. Il materiale è stato sintetizzato e testato in un prototipo funzionante, ma Microsoft ha dichiarato che la convalida e l’ottimizzazione ulteriori sono ancora in corso.
Il valore potrebbe consistere nel conservare gli insuccessi
Nei progetti scientifici spesso si documentano le misurazioni riuscite con più attenzione rispetto alle piste rivelatesi infruttuose. Microsoft sostiene che anche queste ultime possono essere altrettanto utili quando un sistema di IA deve decidere che cosa testare in seguito, soprattutto quando i modelli computazionali non concordano con gli esperimenti.
Discovery Bookshelf è progettato per conservare questi collegamenti nel corso di un progetto. Invece di archiviare soltanto le strutture dei candidati, registra il ragionamento alla base di una scelta, le prove a suo sostegno, il risultato ottenuto e il livello di confidenza assegnato a ciascuna conclusione.
Nel progetto sulle batterie, il risultato pratico non è stato un laboratorio autonomo capace di produrre una cella finita. È stato un risultato più circoscritto: un sistema di IA ha aiutato i ricercatori a trasformare gli esperimenti infruttuosi in un ciclo successivo migliore, portando a un nuovo candidato organico convalidato mediante misurazioni di laboratorio.