The Pulse

Microsoft afferma che l’IA ha progettato un candidato per una batteria a flusso senza vanadio

Secondo Microsoft, Discovery Engine ha aiutato i ricercatori di Yale a progettare e validare una nuova molecola organica per batterie redox a flusso di lunga durata. Il lavoro utilizza agenti di IA, misurazioni di laboratorio e risultati ne

AI.info Team · Scritto con l’IA · verificato · 2026-09-12

Microsoft presenta un esperimento sulle batterie come prova del fatto che l’IA può fare più che generare candidati chimici: può conservare i risultati degli esperimenti falliti, rivedere la propria strategia e aiutare i ricercatori a ottenere un risultato verificabile.

In un articolo pubblicato il 7 settembre 2026 sul blog Tech Community di Microsoft, l’azienda ha affermato che Discovery Engine ha contribuito a progettare un nuovo negolita organico per batterie redox a flusso 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 per la rete elettrica.

Microsoft descrive il risultato come il primo esito scientifico di Discovery validato dall’inizio alla fine, combinando previsioni computazionali e misurazioni di laboratorio. L’azienda non ha pubblicato un insieme completo di dati sulle prestazioni che dimostri che il candidato sia pronto per l’impiego commerciale: l’annuncio rappresenta quindi un risultato di ricerca, non una batteria già pronta.

Tre cicli di progettazione, non una previsione fortunata

Il lavoro è iniziato con la struttura chimica della benzo[c]cinnolina, che Microsoft e i suoi partner hanno modificato alla ricerca di 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 emergevano nuove evidenze.

Il sistema ha organizzato il lavoro in tre cicli. I primi due hanno esplorato un’ampia gamma di modifiche molecolari, ma molti candidati non soddisfacevano le condizioni chimiche o elettrochimiche richieste. Nel secondo ciclo, nessuna delle esplorazioni parallele ha prodotto un candidato adatto a essere sviluppato ulteriormente.

Quei fallimenti sono diventati parte dei dati utilizzati nel terzo ciclo attraverso Discovery Bookshelf, un sistema di gestione della conoscenza che registra i legami tra ipotesi, previsioni, risultati misurati e livelli di confidenza. Secondo Microsoft, quattro delle sei esplorazioni del terzo ciclo hanno avuto successo dopo che il sistema ha usato i risultati precedenti per cambiare il modo in cui interpretava i propri strumenti computazionali.

L’IA ha imparato a diffidare di uno strumento di previsione imperfetto

L’adeguamento più rivelatore ha riguardato uno strumento per prevedere il potenziale redox. Secondo Microsoft, il modello non ha prodotto 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 considerare lo strumento come una fonte di misurazioni precise e lo ha usato per stilare classifiche indicative. Questa distinzione ha permesso al sistema di conservare informazioni utili ricavate da un modello imperfetto, anziché scartarlo del tutto.

Secondo Microsoft, questo processo ha anche aiutato gli agenti a evitare di ripetere modifiche molecolari che non avevano avuto successo. L’azienda presenta questa capacità come una forma di memoria scientifica: una registrazione dei motivi per cui gli approcci precedenti sono falliti, anziché una banca dati contenente solo i 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 dall’uomo con la capacità dell’IA di esplorare vasti spazi di progettazione chimica: e stiamo solo cominciando a vedere cosa può fare».

David Kwabi, professore associato di ingegneria chimica e ambientale, Yale University

Perché le batterie a flusso hanno bisogno di una nuova chimica

Le batterie redox a flusso immagazzinano energia in elettroliti liquidi contenuti in serbatoi esterni. Durante la carica e la scarica, alcune pompe fanno circolare i liquidi attraverso una cella elettrochimica, consentendo di aumentare la capacità di accumulo del sistema aggiungendo serbatoi più grandi anziché costruire altre celle.

I sistemi a base di vanadio hanno attirato l’attenzione per l’accumulo sulla rete elettrica perché lo stesso elemento può operare 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 realizzabili con materiali più facilmente reperibili.

Le molecole organiche presentano a loro volta dei problemi. Un negolita utile deve combinare il giusto potenziale redox con un’elevata solubilità in acqua, stabilità chimica, comportamento elettrochimico reversibile e un percorso di sintesi che funzioni al di fuori di una simulazione al computer. Migliorare una proprietà può danneggiarne un’altra, il che rende la selezione dei candidati un problema a più variabili.

Che cosa ha effettivamente dimostrato Microsoft

L’annuncio di Microsoft stabilisce che Discovery Engine ha supportato un ciclo di lavoro a circuito chiuso, in cui i progetti generati dall’IA sono stati confrontati con i risultati di laboratorio e poi rivisti. I ricercatori di Yale hanno guidato la caratterizzazione sperimentale, mentre, secondo Microsoft, il sistema ha coordinato l’analisi della letteratura, la generazione dei candidati, lo screening computazionale e l’interpretazione dei risultati.

L’annuncio non stabilisce una densità energetica commerciale, una durata in cicli, un costo per chilowattora né presenta un prototipo in scala reale. Non dimostra neppure che il candidato organico superi i sistemi al vanadio in un impianto di rete funzionante.

La distinzione è importante perché la ricerca sulle batterie presenta due ostacoli distinti: trovare una molecola con proprietà promettenti e dimostrare che resiste a un funzionamento ripetuto 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 batterie convenzionali agli ioni di litio. Quel materiale è stato sintetizzato e testato in un prototipo funzionante, ma Microsoft ha descritto le ulteriori attività di validazione e ottimizzazione come ancora in corso.

Il valore potrebbe risiedere nel conservare i fallimenti

I progetti scientifici spesso registrano le misurazioni positive con più cura delle strade che non hanno avuto successo. Microsoft sostiene che i percorsi scartati possono essere altrettanto utili quando un sistema di IA deve decidere cosa testare in seguito, soprattutto quando i modelli computazionali non concordano con gli esperimenti.

Discovery Bookshelf è progettato per conservare queste relazioni nel corso di un progetto. Anziché memorizzare solo le strutture dei candidati, registra il ragionamento alla base di una scelta, le evidenze a suo sostegno, il risultato che ne è seguito e il livello di confidenza assegnato a ciascuna conclusione.

Per il progetto sulla batteria, 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 falliti in un ciclo successivo migliore, portando a un nuovo candidato organico validato attraverso misurazioni di laboratorio.