Un team di ricercatori del Politecnico di Torino composto da Paolo De Angelis, Giulio Barletta, Giovanni Trezza, Pietro Asinari ed Eliodoro Chiavazzo del laboratorio SMaLL – presso il Dipartimento energia -DENERG – ha sviluppato un innovativo protocollo basato su Intelligenza Artificiale per selezionare, tra centinaia di migliaia di materiali finora inesplorati, i candidati più promettenti per applicazioni energetiche. Lo studio, pubblicato sulla rivista Energy and AI, presenta Energy-GNoME, il primo database “evolutivo” che integra algoritmi di Machine Learning con i preziosi dati del progetto GNoME (Graph Networks for Materials Exploration), sviluppato da Google DeepMind. GNoME ha recentemente messo a disposizione della comunità scientifica un patrimonio senza precedenti: centinaia di migliaia di materiali mai studiati prima e teoricamente stabili, individuati grazie a tecniche di intelligenza artificiale generativa. Tuttavia, questi materiali non sono stati “caratterizzati”, ovvero non ne sono stati indicati le possibili applicazioni tecnologiche.
Il metodo del Politecnico di Torino
È proprio in questo contesto che si inserisce Energy-GNoME: il metodo sviluppato al Politecnico di Torino permette di individuare, tra l’enorme mole di candidati proposti da GNoME, quelli più ricchi di potenziale per il settore energetico, fornendo così un ponte essenziale tra la generazione di nuovi materiali e il loro pratico utilizzo. Il protocollo utilizza un approccio in due fasi: prima, un sistema di “esperti artificiali” che – votando una maggioranza – identificano i composti con maggiori probabilità di possedere proprietà utili per applicazioni energetiche; successivamente, altri modelli opportunamente addestrati ne stimano con precisione i parametri chiave.
Questo metodo consente di ridurre drasticamente il numero di candidati ritenuti utili per una certa applicazione tecnologica, ma al tempo stesso propone migliaia di nuove soluzioni per la conversione e lo stoccaggio di energia.