Per decenni la scoperta di un nuovo materiale, un elettrolita più stabile, una lega più leggera, un semiconduttore più efficiente, ha seguito lo stesso copione: intuizione teorica, sintesi in laboratorio, mesi o anni di tentativi ed errori prima di ottenere un risultato utilizzabile su scala industriale. Nel giro di pochi anni questo schema è stato ribaltato da un nuovo strumento, l'intelligenza artificiale applicata alla scienza dei materiali, capace di analizzare milioni di combinazioni chimiche in poche ore e di restringere il campo a poche decine di candidati realmente promettenti.
Dopo aver trasformato il modo in cui produciamo testo, immagini e codice, l'IA sta ora entrando nei laboratori di chimica, nelle fonderie di semiconduttori e nei centri di ricerca sulle batterie, con conseguenze dirette su due tecnologie che definiranno il prossimo decennio industriale: l'accumulo di energia e la potenza di calcolo. In questo articolo analizziamo come l'intelligenza artificiale sta accelerando la scoperta di nuovi materiali, quali risultati concreti hanno già raggiunto Google DeepMind, Microsoft e Nvidia, quanto vale il mercato emergente della materials informatics e quali sfide restano aperte, tra dipendenza dalle materie prime critiche e limiti della sperimentazione fisica.
Indice dei Contenuti
- Cos'è la Scienza dei Materiali Guidata dall'Intelligenza Artificiale
- GNoME, l'AI di Google DeepMind che ha Scoperto Milioni di Nuovi Materiali
- Batterie di Nuova Generazione: gli Elettroliti Nati dalla Collaborazione tra Microsoft e PNNL
- Chip e Semiconduttori: l'IA Entra nella Progettazione dei Circuiti
- Esperienze, Domande e Pareri sulla Scienza dei Materiali Guidata dall'IA
- Il Mercato della Materials Informatics: Numeri e Prospettive di Crescita
- Materie Prime Critiche: la Sfida Geopolitica dietro ai Materiali Progettati dall'IA
- Le Sfide Ancora Aperte
- FAQ: Domande Frequenti
- Conclusione
Cos'è la Scienza dei Materiali Guidata dall'Intelligenza Artificiale
La disciplina che unisce intelligenza artificiale e chimica dei materiali viene chiamata materials informatics, o informatica dei materiali, e si basa su un principio semplice: invece di sintetizzare fisicamente ogni possibile combinazione di elementi per verificarne le proprietà, un modello di apprendimento automatico impara a prevedere la stabilità, la conduttività o la resistenza di un materiale a partire dai dati già disponibili, restringendo drasticamente il numero di candidati da testare in laboratorio.
Gli approcci utilizzati si dividono principalmente in due categorie. Il primo è lo screening virtuale, che analizza database di materiali già noti per scartare rapidamente quelli meno adatti a un'applicazione specifica; il secondo è il design de novo, in cui l'intelligenza artificiale genera da zero nuove strutture chimiche mai osservate prima, valutandone le prestazioni attraverso un processo iterativo che affina progressivamente le proposte. Il primo metodo funziona meglio con chimiche già consolidate, mentre il secondo è più adatto a esplorare composizioni radicalmente nuove, anche se comporta ancora sfide legate alla mancanza di filiere produttive per sostanze che, semplicemente, non sono mai esistite prima.
Il cambiamento più rilevante non riguarda soltanto la velocità del processo, ma la sua natura: da un metodo empirico basato su tentativi guidati dalla fisica classica, la ricerca si sta spostando verso una progettazione guidata dai dati, in cui reti neurali addestrate su strutture cristalline, proprietà elettrochimiche e simulazioni quantistiche sono in grado di proporre in poche ore combinazioni che un team umano avrebbe impiegato anni a individuare per tentativi.
GNoME, l'AI di Google DeepMind che ha Scoperto Milioni di Nuovi Materiali
Il caso più citato in questo campo resta GNoME, Graph Networks for Materials Exploration, lo strumento di deep learning sviluppato da Google DeepMind e descritto in un articolo pubblicato su Nature. Il sistema ha permesso di identificare 2,2 milioni di nuove strutture cristalline potenzialmente stabili, un numero che DeepMind stessa ha definito equivalente a quasi 800 anni di conoscenza scientifica accumulata, considerando che negli ultimi dieci anni erano stati scoperti sperimentalmente circa 28.000 nuovi materiali stabili.
Di queste 2,2 milioni di strutture, 380.000 sono state indicate come le più stabili e quindi le migliori candidate per una sintesi sperimentale reale, e sono state rese pubblicamente disponibili alla comunità scientifica attraverso il database open access Materials Project, gestito dal Lawrence Berkeley National Laboratory. Tra le scoperte più promettenti, il team di DeepMind ha segnalato 528 nuovi potenziali conduttori di ioni di litio, utili per migliorare le batterie di prossima generazione, e circa 52.000 nuovi composti stratificati simili al grafene, un numero enorme se confrontato con il migliaio di materiali di questo tipo conosciuti fino a quel momento, con applicazioni dirette nell'elettronica e nei semiconduttori.
Le previsioni di GNoME non sono rimaste solo teoriche. In collaborazione con il Lawrence Berkeley National Laboratory, i ricercatori hanno testato le indicazioni dell'IA tramite A-Lab, un laboratorio autonomo in cui bracci robotici sintetizzano fisicamente i materiali candidati senza intervento umano continuo. Nel corso di 17 giorni di esperimenti automatizzati, A-Lab è riuscito a sintetizzare con successo 41 dei 58 composti previsti, con un tasso di riuscita del 71%, una dimostrazione concreta che le previsioni computazionali possono tradursi in materiali reali e funzionanti. Ekin Dogus Cubuk, responsabile del team Materials Discovery di Google DeepMind, ha sottolineato come l'umanità conosca oggi soltanto poche decine di migliaia di materiali stabili, nonostante il ruolo cruciale che i materiali giocano in qualsiasi tecnologia, mentre secondo Ju Li, docente di Scienza dei Materiali e Ingegneria al Massachusetts Institute of Technology, GNoME può essere paragonato ad AlphaFold, il precedente sistema di DeepMind che ha rivoluzionato la previsione delle strutture proteiche, applicato questa volta alla scoperta dei materiali inorganici.
Batterie di Nuova Generazione: gli Elettroliti Nati dalla Collaborazione tra Microsoft e PNNL
Un secondo caso concreto arriva dal settore delle batterie, dove la ricerca di elettroliti più sicuri ed efficienti rappresenta una delle sfide più urgenti per veicoli elettrici e accumulo energetico. Microsoft, attraverso la piattaforma Azure Quantum Elements, e il Pacific Northwest National Laboratory, PNNL, del Dipartimento dell'Energia statunitense, hanno collaborato per identificare un nuovo elettrolita allo stato solido partendo da un database di 32 milioni di materiali candidati.
Il sistema di intelligenza artificiale ha ridotto queste 32 milioni di combinazioni a circa 500.000 materiali stabili nel giro di pochi giorni, per poi restringere ulteriormente il campo a 18 candidati promettenti in sole 80 ore di calcolo, un'operazione che con i metodi tradizionali di simulazione e sperimentazione avrebbe richiesto anni. Dal punto di vista chimico, il risultato più interessante è un elettrolita che sostituisce circa il 70% del litio con il sodio, riducendo la dipendenza da una risorsa scarsa e geograficamente concentrata e diminuendo al tempo stesso il rischio di incendio tipico degli elettroliti liquidi convenzionali. Secondo quanto riportato da PNNL, l'intero percorso, dalla generazione computazionale dei candidati fino alla realizzazione di una batteria funzionante in laboratorio, si è concluso in meno di nove mesi.
Vijay Murugesan, responsabile del gruppo di scienza dei materiali di PNNL, ha spiegato che gli strumenti di intelligenza artificiale e calcolo ad alte prestazioni consentono ai ricercatori di eliminare le fasi più dispendiose di tentativi ed errori, concentrando gli sforzi sperimentali soltanto sui candidati con le maggiori probabilità di successo, mentre l'amministratore delegato di Microsoft, Satya Nadella, ha descritto l'obiettivo dell'iniziativa come quello di comprimere in venticinque anni progressi chimici e scientifici che normalmente ne richiederebbero duecentocinquanta. Un percorso di ricerca parallelo, condotto da ricercatori del New Jersey Institute of Technology e del Rensselaer Polytechnic Institute e pubblicato sulla rivista Cell Reports Physical Science, ha applicato modelli generativi di intelligenza artificiale, ispirati alle stesse tecniche alla base dei grandi modelli linguistici, alla scoperta di materiali di ossido poroso per l'accumulo di energia di nuova generazione, confermando come le architetture sviluppate per il linguaggio naturale si stiano rivelando utili anche per interpretare le strutture cristalline.
Non va infine dimenticato il fronte industriale: a Davos, nel gennaio 2026, il colosso cinese delle batterie CATL ha presentato una piattaforma che combina modelli elettrochimici basati sulla fisica con l'apprendimento automatico, applicata sia alla scoperta di nuovi materiali e alla progettazione delle celle, sia all'ottimizzazione dei sistemi di gestione della batteria, il BMS, per un monitoraggio in tempo reale dello stato di salute e strategie intelligenti di carica e scarica.
Chip e Semiconduttori: l'IA Entra nella Progettazione dei Circuiti
Se le batterie rappresentano il fronte chimico dell'IA applicata ai materiali, i semiconduttori ne rappresentano il fronte ingegneristico. I chip più avanzati oggi in produzione contengono trilioni di transistor e richiedono anni di sviluppo, investimenti enormi e capacità di simulazione sempre più sofisticate, un livello di complessità che rende la fase di progettazione, nota come EDA, Electronic Design Automation, uno dei colli di bottiglia più critici dell'intera filiera.
Il segnale più evidente di quanto l'intelligenza artificiale stia diventando centrale in questo processo è arrivato a dicembre 2025, quando Nvidia ha investito 2 miliardi di dollari in Synopsys, il principale fornitore mondiale di software per l'automazione della progettazione elettronica, acquisendo azioni al prezzo di 414,7 dollari l'una. L'accordo prevede l'integrazione tra i processori Nvidia e gli strumenti di progettazione e simulazione di Synopsys, oltre a un utilizzo più esteso di agenti di intelligenza artificiale lungo l'intero processo ingegneristico, dalla verifica dei circuiti alla litografia computazionale, passando per le librerie CUDA-X che Nvidia mette a disposizione di partner come Synopsys e Cadence per ridurre il tempo necessario a passare dal progetto logico al chip pronto per la produzione.
Pochi mesi più tardi, a luglio 2026, in occasione della conferenza DAC Chips to Systems, Synopsys ha annunciato lo sviluppo di funzionalità agentiche completamente autonome per la progettazione di chip e sistemi elettronici, rese possibili dal modello NVIDIA Nemotron e protette dal runtime NVIDIA OpenShell. Secondo Ravi Subramanian, Chief Product Management Officer di Synopsys, l'intelligenza artificiale sta ridefinendo l'ingegneria dei semiconduttori consentendo agenti autonomi capaci di gestire ogni fase dello sviluppo, trasformando attività storicamente lente come la verifica dei chip e la simulazione termica in processi automatizzati che generano direttamente indicazioni utili, con l'obiettivo dichiarato di aumentare la produttività dei team di ricerca e sviluppo oltre i limiti raggiungibili con i tradizionali agenti dedicati a singole attività.
Una tabella di sintesi aiuta a confrontare l'approccio tradizionale e quello guidato dall'intelligenza artificiale nella progettazione dei semiconduttori.
| Fase della progettazione | Approccio tradizionale | Approccio guidato dall'IA |
|---|---|---|
| Verifica del circuito | simulazioni manuali, cicli lunghi di correzione | agenti autonomi che individuano gli errori e propongono correzioni |
| Litografia computazionale | calcoli intensivi su cluster CPU | librerie accelerate su GPU, come cuLitho di Nvidia |
| Scoperta di nuovi materiali per i chip | screening sperimentale su singoli composti | modelli generativi che propongono migliaia di candidati |
| Simulazione termica | modelli fisici separati dal design | integrazione diretta nel flusso di progettazione agentico |
Esperienze, Domande e Pareri sulla Scienza dei Materiali Guidata dall'IA
Nei mesi in cui le collaborazioni tra grandi aziende tecnologiche e laboratori scientifici hanno prodotto i primi risultati concreti, ricercatori e team industriali coinvolti in questi progetti hanno condiviso alcune considerazioni ricorrenti, utili per capire come si stia effettivamente lavorando su questo fronte.
I team di ricerca sulle batterie che utilizzano piattaforme come Azure Quantum Elements segnalano come il beneficio principale non sia soltanto la velocità, ma la possibilità di esplorare combinazioni chimiche che nessun ricercatore avrebbe preso in considerazione per intuizione, dato che l'IA non parte da ipotesi precostituite basate sull'esperienza pregressa.
I gruppi che lavorano alla progettazione dei chip con strumenti EDA potenziati dall'intelligenza artificiale evidenziano invece come il valore aggiunto risieda soprattutto nella riduzione dei cicli di verifica, una delle fasi più dispendiose in termini di tempo nello sviluppo di un semiconduttore avanzato.
I ricercatori che si occupano di database aperti sui materiali, come il Materials Project, sottolineano l'importanza di rendere pubbliche le scoperte generate dall'IA, poiché ciò consente a laboratori accademici e industriali di tutto il mondo di verificare in autonomia le previsioni computazionali prima di investire risorse nella sintesi sperimentale.
Le aziende che sviluppano materiali alternativi alle terre rare tramite algoritmi di intelligenza artificiale generativa segnalano infine che la sfida più grande non è più identificare un materiale teoricamente valido, ma dimostrarne la producibilità su scala industriale con le filiere produttive attualmente disponibili.
Domande e Risposte Rapide
L'intelligenza artificiale sostituisce del tutto la sperimentazione in laboratorio? No. Riduce drasticamente il numero di candidati da testare fisicamente, ma la verifica sperimentale, come dimostra il caso di A-Lab, resta indispensabile per confermare le previsioni computazionali.
Le scoperte generate dall'IA sono immediatamente utilizzabili nei prodotti commerciali? Non sempre. Come nel caso dell'elettrolita Microsoft e PNNL, spesso sono necessarie ulteriori fasi di ottimizzazione prima che un materiale scoperto in laboratorio diventi competitivo con gli standard industriali esistenti.
Tutti i materiali proposti dall'intelligenza artificiale risultano stabili una volta sintetizzati? No. Nel test condotto da A-Lab il tasso di successo è stato del 71%, un risultato considerato molto elevato per gli standard della scienza dei materiali ma comunque non assoluto.
Il Parere degli Enti di Ricerca
Il Lawrence Berkeley National Laboratory, che gestisce il database open access Materials Project insieme a Google DeepMind, ha evidenziato come il contributo di GNoME rappresenti la più grande aggiunta di dati sulla stabilità delle strutture cristalline mai ricevuta da un singolo gruppo di ricerca dalla fondazione del progetto nel 2011, mentre il Pacific Northwest National Laboratory, attraverso i propri ricercatori, ha descritto la collaborazione con Microsoft come un modello replicabile in altri campi scientifici, dalla farmaceutica alle tecnologie per l'energia pulita, grazie alla capacità dell'intelligenza artificiale di sintetizzare in poco tempo una quantità di informazioni impossibile da elaborare per un singolo team di ricercatori umani.
Il Mercato della Materials Informatics: Numeri e Prospettive di Crescita
Accanto ai risultati scientifici, sta crescendo rapidamente anche il mercato degli strumenti software dedicati alla materials informatics. Le stime degli analisti variano in modo significativo a seconda della metodologia utilizzata, ma convergono su un trend comune di crescita a doppia cifra per tutto il decennio. Secondo Precedence Research, il mercato globale della materials informatics vale 183,51 milioni di dollari nel 2026 ed è previsto raggiungere circa 736,71 milioni di dollari entro il 2035, con un tasso di crescita annuo composto del 16,7%. Una stima indipendente di Grand View Research colloca il valore del mercato a 211 milioni di dollari nel 2026, in crescita fino a 390,8 milioni di dollari entro il 2030, con un CAGR del 16,5%.
| Fonte | Valore stimato 2026 | Proiezione | CAGR |
|---|---|---|---|
| Precedence Research | 183,51 milioni di dollari | 736,71 milioni di dollari entro il 2035 | 16,7% |
| Grand View Research | 211,0 milioni di dollari | 390,8 milioni di dollari entro il 2030 | 16,5% |
Al di là delle differenze tra le singole stime, un dato ricorrente nei principali report di settore è che il segmento elettronica e semiconduttori è indicato come quello con il tasso di crescita più elevato tra i settori applicativi della materials informatics, un'indicazione coerente con gli investimenti già annunciati da Nvidia e Synopsys. Tra le aziende più citate come protagoniste di questo mercato figurano realtà specializzate come Citrine Informatics, Schrödinger e BIOVIA, oltre naturalmente al già citato Materials Project, che pur restando un progetto di ricerca no profit rappresenta oggi una delle infrastrutture dati più utilizzate a livello mondiale in questo campo.
Materie Prime Critiche: la Sfida Geopolitica dietro ai Materiali Progettati dall'IA
**Scoprire un nuovo materiale non significa automaticamente poterlo produrre su larga scala. **Molte delle innovazioni descritte in questo articolo, dalle batterie a basso contenuto di litio ai nuovi semiconduttori, dipendono ancora da una filiera di materie prime critiche fortemente concentrata in un numero ristretto di paesi. Per affrontare questa vulnerabilità, l'Unione Europea ha adottato il Critical Raw Materials Act, entrato in vigore nel maggio 2024, un regolamento che individua 34 materiali considerati strategici per i settori dell'energia, della difesa e delle tecnologie digitali, tra cui litio, cobalto, tungsteno ed elementi delle terre rare utilizzati nei semiconduttori e nelle turbine eoliche.
Il livello di dipendenza dell'Europa da questi materiali resta elevato: secondo i dati citati dalla stessa normativa europea, l'Unione Europea importa oggi circa il 98% delle terre rare dalla Cina, una concentrazione che espone l'intera filiera industriale a rischi geopolitici significativi. La domanda globale di materie prime critiche, del resto, continua a crescere: tra il 2021 e il 2024 è aumentata dell'11%, e le proiezioni indicano un ulteriore incremento del 34% entro il 2030, trainato in larga parte proprio dallo sviluppo dei data center che alimentano l'intelligenza artificiale, oltre che dalla mobilità elettrica e dalle energie rinnovabili. Nel solo 2024, secondo le stesse analisi, le materie prime critiche hanno contribuito a sostenere 3.900 miliardi di euro di produzione industriale nell'Unione Europea, pari a circa il 22% del PIL comunitario.
È in questo contesto che l'intelligenza artificiale applicata ai materiali assume anche un significato strategico: identificare materiali alternativi che riducano la dipendenza dalle terre rare, come nel caso dell'elettrolita a base di sodio sviluppato da Microsoft e PNNL, non è soltanto un progresso scientifico, ma una possibile risposta industriale a una vulnerabilità geopolitica che le istituzioni europee considerano ormai prioritaria.
Le Sfide Ancora Aperte
Nonostante i risultati già raggiunti, la scienza dei materiali guidata dall'intelligenza artificiale resta un campo in piena evoluzione, con alcuni nodi ancora da sciogliere.
Il divario tra previsione teorica e sintesi reale. Come dimostra il tasso di successo del 71% ottenuto da A-Lab, non tutti i materiali previsti come stabili da un modello di intelligenza artificiale si rivelano effettivamente sintetizzabili con le tecniche disponibili, e resta necessario un lavoro sperimentale approfondito per validare ogni singola scoperta.
La qualità e la disponibilità dei dati di addestramento. I modelli come GNoME dipendono dalla qualità dei database esistenti, come il Materials Project stesso: più i dati sono completi e accurati, più le previsioni risultano affidabili, il che rende cruciale continuare a investire nella raccolta e nella condivisione aperta dei dati scientifici.
La scalabilità industriale. Molte scoperte, incluso l'elettrolita a base di sodio di Microsoft e PNNL, richiedono ulteriori fasi di ottimizzazione prima di poter competere con i materiali già utilizzati nella produzione di massa, un passaggio che può richiedere anni indipendentemente dalla velocità della fase di scoperta iniziale.
La dipendenza dalle materie prime critiche. Anche quando un nuovo materiale viene identificato con successo, la sua produzione su larga scala può comunque scontrarsi con la scarsità o la concentrazione geografica degli elementi necessari, come ricordano le analisi legate al Critical Raw Materials Act europeo.
La governance e la proprietà dei dati. Nel caso della progettazione dei chip, la stessa partnership tra Nvidia e Synopsys ha sollevato interrogativi sulla gestione dei dati proprietari, dato che gli strumenti di progettazione elettronica hanno accesso a informazioni riservate su circuiti destinati anche ad aziende concorrenti tra loro.
FAQ: Domande Frequenti
Cos'è GNoME e cosa ha scoperto?
GNoME è uno strumento di deep learning sviluppato da Google DeepMind che ha identificato 2,2 milioni di nuove strutture cristalline potenzialmente stabili, delle quali 380.000 sono considerate le migliori candidate per una sintesi sperimentale reale.
Quanto tempo ha impiegato Microsoft a scoprire il nuovo elettrolita per batterie?
Il sistema Azure Quantum Elements ha ridotto 32 milioni di materiali candidati a 18 opzioni promettenti in sole 80 ore, mentre l'intero percorso fino a una batteria funzionante in laboratorio si è concluso in meno di nove mesi.
Perché Nvidia ha investito in Synopsys?
Nvidia ha investito 2 miliardi di dollari in Synopsys per integrare le proprie piattaforme di calcolo accelerato nei flussi di progettazione dei chip, puntando su agenti di intelligenza artificiale capaci di velocizzare verifica, simulazione e litografia computazionale dei semiconduttori.
I materiali scoperti dall'intelligenza artificiale sono già disponibili sul mercato?
In gran parte no. Si tratta per lo più di scoperte in fase di validazione sperimentale o di ottimizzazione, come nel caso dell'elettrolita Microsoft e PNNL, che richiedono ulteriori passaggi prima di raggiungere la produzione industriale su larga scala.
Quanto vale il mercato della materials informatics nel 2026?
Le stime variano a seconda della fonte: Precedence Research indica 183,51 milioni di dollari, mentre Grand View Research stima 211 milioni di dollari, con una crescita annua composta compresa tra il 16,5% e il 16,7% nei rispettivi orizzonti di previsione.
Conclusione
Il passaggio dai modelli linguistici ai materiali progettati dall'intelligenza artificiale segna probabilmente una delle applicazioni più concrete e meno discusse dell'IA generativa e predittiva degli ultimi anni. Le due milioni di strutture cristalline identificate da GNoME, l'elettrolita a basso contenuto di litio sviluppato da Microsoft e PNNL e gli agenti autonomi che Synopsys sta integrando nella progettazione dei chip con la tecnologia Nvidia raccontano la stessa storia da tre angolazioni diverse: la scoperta e l'ottimizzazione dei materiali, storicamente uno dei processi più lenti dell'intera industria tecnologica, si sta comprimendo da anni a mesi, e in alcuni casi a poche ore di calcolo.
Restano tuttavia sfide non banali, dalla necessità di validare sperimentalmente ogni previsione computazionale fino alla dipendenza persistente da materie prime critiche concentrate in poche aree geografiche, un tema che l'Unione Europea considera ormai strategico al pari della sicurezza energetica. Il vero banco di prova dei prossimi anni non sarà quindi soltanto la capacità dell'intelligenza artificiale di proporre nuovi materiali, ma quella dell'industria di trasformare queste previsioni in tecnologie realmente prodotte, scalate e distribuite, dalle batterie dei veicoli elettrici ai chip che alimentano la stessa intelligenza artificiale che li ha resi possibili.
Fonti e Riferimenti
- Google DeepMind, Millions of new materials discovered with deep learning, deepmind.google
- Microsoft Azure Quantum Blog, Unlocking a new era for scientific discovery with AI, azure.microsoft.com
- Pacific Northwest National Laboratory, PNNL Kicks Off Multi Year Energy Storage, Scientific Discovery Collaboration with Microsoft, pnnl.gov
- Synopsys, Inc., Synopsys Showcases Comprehensive Autonomous Engineering Workflows from Silicon to Systems, Developed with NVIDIA Technology, 2026, news.synopsys.com
- Commissione Europea, Critical Raw Materials Act, single-market-economy.ec.europa.eu
- Precedence Research, Materials Informatics Market Size and Forecast 2026 2035, precedenceresearch.com