La prossima grande rivoluzione tecnologica potrebbe non avere la forma di un’app, di un robot o di un chatbot. Potrebbe essere un materiale: una batteria più efficiente, un catalizzatore meno costoso, un semiconduttore più stabile, una molecola capace di rendere un processo industriale meno energivoro.
Per arrivarci, però, la ricerca sta cambiando metodo. Per decenni la scoperta di nuovi materiali è stata un lavoro lungo, costoso e spesso basato su tentativi successivi. Si formulava un’ipotesi, si preparava un campione, lo si testava, si correggeva la direzione e si ricominciava. L’intelligenza artificiale non elimina questo percorso, ma può ridurne drasticamente la parte cieca.
Il punto di partenza sono i dati. Il Materials Project del Lawrence Berkeley National Laboratory è uno degli esempi più rilevanti: una piattaforma che raccoglie dati computazionali su materiali e molecole, pensata anche per essere utilizzata da modelli di apprendimento automatico. Secondo Berkeley Lab, la piattaforma conta centinaia di migliaia di utenti registrati e dataset strutturati su materiali e molecole, usati in campi come batterie, catalizzatori, microelettronica e quantum computing.
La novità non è soltanto avere più dati. È averli in una forma leggibile dalle macchine. Un archivio disordinato può essere utile a un ricercatore esperto, ma resta poco efficace per un modello di IA. Un dataset standardizzato, invece, permette agli algoritmi di cercare correlazioni, prevedere proprietà e suggerire composti da testare.
Questo cambia il rapporto tra laboratorio e computer. La scoperta non nasce più solo al banco chimico, ma in una sequenza ibrida: il modello propone, il laboratorio verifica, il risultato torna nel database, il sistema apprende e il ciclo riparte. Nei laboratori autonomi, questa catena può coinvolgere anche robot capaci di preparare e testare campioni, sempre sotto controllo umano.
L’effetto più importante è la riduzione dello spazio da esplorare. Il mondo dei materiali possibili è enorme, praticamente impossibile da attraversare con metodi tradizionali. L’IA non garantisce di trovare subito il composto giusto, ma può indicare quali direzioni sembrano più promettenti e quali invece meritano meno tempo.
C’è però un limite da non sottovalutare ed è ricorrente: un modello è forte e preciso quanto lo sono i dati su cui viene addestrato. Se le informazioni disponibili sono sbilanciate verso alcuni tipi di materiali, alcuni Paesi, alcune industrie o alcune proprietà, anche le previsioni rischiano di riflettere quello squilibrio. La corsa ai materiali del futuro sarà quindi anche una corsa alla qualità e neutralità degli archivi.
Il tema ha conseguenze economiche enormi. Batterie migliori possono incidere sulla mobilità elettrica e sull’accumulo energetico. Catalizzatori più efficienti possono ridurre costi industriali e impatti ambientali. Nuovi materiali per chip e sensori possono cambiare l’elettronica, la difesa, la medicina e le telecomunicazioni.
Spesso immaginiamo l’intelligenza artificiale come qualcosa che produce testi, immagini o risposte. Ma una delle sue applicazioni più profonde potrebbe essere molto meno visibile: aiutare la scienza a scoprire la materia di cui saranno fatti gli oggetti dei prossimi decenni.
La vera domanda, allora, non è se l’IA possa inventare da sola il materiale perfetto. È se i laboratori, le università e le imprese sapranno costruire infrastrutture per i dati abbastanza solide da trasformare l’intelligenza artificiale in uno strumento scientifico affidabile.