Il framework di material informatics sviluppato da NTT DATA analizza milioni di candidati molecolari per identificare catalizzatori per la conversione della CO2.
Scoprire un nuovo catalizzatore per la conversione della CO2 richiede, tradizionalmente, anni di lavoro. Il problema è la scala: lo spazio dei possibili candidati molecolari è talmente vasto che l’esplorazione sistematica con metodi convenzionali è impraticabile. NTT DATA, Università di Palermo e Università di Catanzaro hanno affrontato questo collo di bottiglia costruendo un framework di intelligenza artificiale che comprime quei tempi di un fattore venti.
Il framework opera nella material informatics: combina un database di proprietà chimiche, algoritmi per convertire strutture molecolari in descrittori leggibili da computer, e modelli di deep learning e AI generativa ottimizzati per apprendere le relazioni struttura-proprietà. Il sistema analizza milioni di candidati molecolari in modo predittivo e ripetibile, trasformando la scoperta di nuovi materiali da esplorazione intuitiva a screening sistematico su larga scala.
I catalizzatori al manganese: cosa emerge dallo screening
Tra i milioni di candidati processati, il framework ha identificato una nuova classe di catalizzatori omogenei a base di sali metallici. I sistemi a base di manganese mostrano il potenziale più promettente: alta efficienza nella conversione della CO2 e rilascio stabile del prodotto, due requisiti centrali per qualsiasi applicazione industriale.
La validazione è stata condotta integrando machine learning e simulazioni atomistiche per individuare i parametri chiave, un approccio che unisce potenza computazionale e rigore chimico. “Abbiamo sviluppato un framework di IA per supportare i flussi di lavoro dell’informatica dei materiali a livello industriale”, ha dichiarato Antonio Policicchio, responsabile Quantum Computing e Informatica dei Materiali in NTT DATA Italia.
L’IA accelera la scoperta di materiali nella material informatics
Il vantaggio della material informatics sta nella natura del processo. Dove il ricercatore tradizionale seleziona i candidati per intuizione, il framework IA esplora lo spazio chimico in modo esaustivo, catturando relazioni struttura-proprietà che sfuggirebbero all’analisi manuale. Questo diventa critico quando le variabili sono nell’ordine dei milioni.
La metodologia è replicabile oltre la CO2: lo stesso approccio si applica a energia, chimica, farmaceutica, materiali avanzati, e ovunque la complessità molecolare rende l’esplorazione tradizionale inefficiente.
ICSC Spoke 7 e la ricerca pubblico-privata nel deep tech industriale
Il progetto è finanziato dallo Spoke 7 del Centro Nazionale di Ricerca in HPC, Big Data e Quantum Computing (ICSC). “Il progetto dimostra come l’ICSC riunisca competenze pubbliche e private per sviluppare soluzioni deep tech con impatto industriale concreto”, ha commentato Stefano Fabris, responsabile dello Spoke 7 e Direttore del Dipartimento di Scienze Fisiche del CNR.
Per NTT DATA, presente in Italia con oltre 6.000 dipendenti, parte di un gruppo da oltre 30 miliardi di dollari, il progetto indica una direzione precisa: l’IA applicata alla ricerca sui materiali come leva per la decarbonizzazione industriale.
