5 innovazioni dell'intelligenza artificiale che stanno trasformando la scoperta dei materiali oggi

L'intelligenza artificiale (IA) continua a trasformare il mondo e a rimodellare il futuro dell'umanità.

La tecnologia sta guidando i cambiamenti in quasi tutti i settori, svolgendo compiti che in genere richiedono l'intelligenza umana. I sistemi di intelligenza artificiale utilizzano enormi quantità di dati per identificare modelli e prendere decisioni. 

In questo modo, l'intelligenza artificiale è in grado di simulare determinati livelli di ragionamento e processi cognitivi simili a quelli umani.

Secondo il Rapporto sul commercio mondiale, i guadagni di produttività e i vantaggi in termini di costi derivanti dall'intelligenza artificiale possono incrementare il PIL globale del 12-13% entro il 2040.

Riducendo del 50% il divario infrastrutturale digitale con le economie ad alto reddito e adottando l’intelligenza artificiale più ampiamente, le economie a basso e medio reddito possono vedere un aumento fino al 15% aumentare nei loro redditi.

Oltre ad aiutare le nazioni a rafforzare la propria produttività, il commercio e la propria posizione economica, l'intelligenza artificiale può aiutare la società promuovendo l'innovazione in tutti i settori. Uno dei modi in cui la tecnologia lo fa attualmente è attraverso la scoperta di nuovi materiali. 

La promessa dell'intelligenza artificiale nella scoperta dei materiali

La scoperta dei materiali è sempre stata fondamentale per l'innovazione. Molti secoli fa, il scelta di rame e stagno portarono all'età del bronzo, quando strumenti e armi più forti trasformato commercio e società.

Poi arrivò l'Età del Ferro, quando la padronanza del ferro rimodellò le economie. Facendo un salto in avanti fino al XIX secolo, l'acciaio ottenne una diffusione capillare. Lega di ferro e carbonio, l'acciaio fu la spina dorsale di ferrovie, grattacieli, navi e macchinari, alimentando la Rivoluzione Industriale e l'espansione globale.

Alla fine del XX secolo, il Era del silicio ha trasformato il mondo con la scoperta e il perfezionamento dei semiconduttori, che sono alla base dell'elettronica moderna. Viviamo ora nell'era dei materiali avanzati, in cui grafene, nanotubi di carbonio e materiali quantistici stanno aprendo le porte a un'energia più pulita, aerei più leggeri e computer più veloci.

L'avvento dell'intelligenza artificiale e dell'apprendimento automatico (ML) sta contribuendo all'innovazione nei materiali e, per estensione, in vari settori, accelerando significativamente il processo di scoperta, progettazione e utilizzo dei materiali.temporizzazione.

Per questo motivo, l'intelligenza artificiale utilizza algoritmi e modelli per selezionare vasti database di candidati in base a specifiche esigenze applicative. Qui, modelli di apprendimento profondo come Le reti neurali grafiche (GNN) e le reti neurali ricorrenti (RNN) sono fondamentali per l'analisi di set di dati complessi che sono essere trovato in materiaanche scienza.

Possono anche identificare materiali esistenti con le proprietà desiderate da questi database e persino prevedere le proprietà dei materiali in base alla loro composizione e struttura. 

Con l'aiuto dell'intelligenza artificiale, il campo della scienza dei materiali può andare oltre i tradizionali metodi di tentativi ed errori, che richiedono molto tempo e denaro.

Inoltre, i modelli di intelligenza artificiale possono generare nuove strutture di materiali su misura per requisiti specifici. Se integrata con piattaforme sperimentali automatizzate, l'intelligenza artificiale può accelerare il lungo processo che va dalla scoperta dei materiali alla produzione.

Nonostante questi vantaggi, le sfide rimanere in termini di mancanza di qualità e estensivo dati per determinati materiali. di risposte positive sintesi di nuova essere trovato e i materiali progettati in laboratorio sono un altro big sfida.

Come afferma lo scienziato dei materiali Anthony Cheetham dell'UCSB osservato¹ in Natura dopo l'esame di l'elenco di 2.2 milioni di cristalli ipotetici trovati da GNoME, uno strumento di intelligenza artificiale di DeepMind, una sussidiaria di Alphabet (Google), "Una cosa è scoprire un composto, un'altra è scoprire un nuovo materiale funzionale".

Sottolineando ulteriormente l'impraticabilità di molti composti previsti dall'intelligenza artificiale, Cheetham ha affermato:

"Abbiamo trovato un sacco di cose ridicole."

Questo mostra il divario tra previsione e realizzazione pratica. Ciò che questo divario richiede è la combinazione di Intelligenza artificiale con competenze umane e scienza sperimentale.

Tuttavia, la promessa dell'intelligenza artificiale di rivoluzionare la scienza dei materiali non può essere ignorata. Data la sua capacità di accelerare lo sviluppo di materiali per l'energia, la sanità, l'automotive, l'aerospaziale e altre applicazioni cruciali, tale impatto è troppo grande per essere ignorato.

Quindi, andiamo diamo un'occhiata ad alcuni degli esempi più importanti dell'applicazione dell'IA in materiale scienza che ne dimostra il potenziale per ampliare i confini della scoperta e dell'innovazione dei materiali. 

Scorri per scorrere →

1. Celle solari in perovskite: materiali e lavorazione ottimizzati dall'intelligenza artificiale

Una delle soluzioni più promettenti realizzare l'energia sostenibile è l'energia solare e la sua adozione è rapidamente crescente. Nel 2024, il mondo ha installato un record di ~600 GW di energia solare, crescita 33% dal 2023. Entro la fine del decennio, questo è prevista a raggiungere circa 1 TW all'anno.

Questa crescente domanda di energia solare crea la necessità di materiali più efficienti, versatili e convenienti per le celle solari.

La perovskite è uno di questi materiali che presenta una struttura cristallina unica. Il minerale naturale può ora essere ricreato sinteticamente. Mescolando elementi organici e inorganici, gli scienziati creano perovskiti sintetiche che presentano notevoli proprietà di assorbimento della luce, rendendole particolarmente adatte alle applicazioni solari.

Oltre all'elevata efficienza, questi materiali offrono i vantaggi della flessibilità e sintonizzabile bandgap, ma persistono problemi di scalabilità e stabilità; da qui la ricerca di una nuova composiziones.

Quindi, i ricercatori si sono rivolti a AI per la correlazione le prestazioni delle celle solari perovskite (PSC) con proprietà dei materiali e processi di conversione dell'energia di oltre un decennio fa. Hanno poi utilizzato la tecnologia per ottimizzare la composizione dei materiali, sviluppare strategie di progettazione e prevederne le prestazioni.

Nel 2019, i ricercatori dell'Università della Florida Centrale rivisto² oltre 2,000 pubblicazioni sottoposte a revisione paritaria informazioni perovskite da raccogliere ancora 200 punti dati, che sono stati nutriti a il sistema di intelligenza artificiale che hanno creato per ottenere , il best ricetta per celle solari in perovskite (PSC). Lo stesso anno, gli scienziati del MIT sviluppato³ un modello per accelerare la sintesi e l'analisi di nuovi composti di un fattore dieci e essere trovato due nuove perovskiti senza piombo meritevoli di ulteriori indagini.

Nel 2022, i ricercatori del MIT e della Stanford University segnalati⁴ prendendo l'aiuto di L'intelligenza artificiale per ampliare la produzione avanzata di celle solari.

Per questo è stato creato un sistema, in fase di sviluppo da diversi anni, per integrare i dati provenienti da esperimenti precedenti e le informazioni basate sulle osservazioni personali dei lavoratori esperti. Questa integrazione ha reso i risultati più accurati e ha portato alla produzione di celle di perovskite con un'efficienza di conversione energetica del 18.5%.

Questo è diverso dalla maggior parte dei sistemi di apprendimento automatico, che utilizzano principalmente dati grezzi e in genere non incorporano l'esperienza umana. Per includere informazioni esterne nel loro modello, hanno utilizzato un fattore di probabilità basato sull'ottimizzazione bayesiana, che ha consentito loro di "scoprire tendenze che prima non eravamo in grado di vedere".

La scoperta della tecnologia solare avanzata della perovskite con l'aiuto di AI è continua e guadagnando velocità a aumentare Efficienza PSC. In uno di questi studio⁵, l'efficienza è stata aumentata al 26.2%, risparmiando “enormi quantità di tempo e risorse”.

⬆ Torna alla tabella

2. Elettrocatalizzatori scoperti dall'intelligenza artificiale per la produzione di idrogeno

Un promettente sostituto dei combustibili fossili non rinnovabili che sono responsabile per enorme quantità di emissioni di gas serra (GHG) è l'idrogeno. L'elemento più abbondante nell'universo, l'idrogeno, è emersa come una fonte di energia pulita e rinnovabile.

Però, produzione efficiente di idrogeno Soddisfare la domanda su scala commerciale rappresenta una sfida seria. In questo caso, l'elettrolisi per scissione dell'acqua offre una strada promettente, in cui l'elettrocatalisi gioca un ruolo fondamentale. Questo rende lo sviluppo di elettrocatalizzatori attivi, stabili e a basso costo un prerequisito essenziale per ottenere la produzione elettrocatalitica di idrogeno desiderata dalla scissione dell'acqua.

Gli elettrocatalizzatori accelerano la produzione di idrogeno abbassamento l'energia di applicazione per la scissione dell'acqua by utilizzando metalli preziosi costosi come il platino o alternative più convenienti come nichel, cobalto, grafene, MXeni e altri.

Oltre alle proprietà e al costo del materiale, la scelta del catalizzatore specifico avviene in base al fatto che la reazione sia acida, alcalina o avvenga ad alte temperature. 

Però, è molto dispendioso in termini di tempo e denaro da utilizzare il tradizionale tentativi ed errori metodo per ricercare materiali esistenti e nuovi adatti a migliorare le reazioni, so AI è essendo utilizzato⁶ per superare i limiti degli approcci tradizionali, scoprire nuovi candidati e competenze prodotti noti.

Un recente studio segnalati⁷ che la sua intelligenza artificiale a screening entropico è stata addestrata su un set di dati DoE guardato attraverso 16.2 milioni di composizioni chimiche per identificare Fe12Co28Ni33Mo17Pd5Pt5 come best composizione per la scissione dell'acqua. La lega presenta sovratensioni estremamente basse per entrambe le reazioni elettrocatalitiche fondamentali, HER e OER, pur mantenendo una stabilità elevata.

Nel frattempo, un paio di anni fa, il laboratorio di intelligenza artificiale di Google DeepMind contribuito 380,000 nuovi composti per il Materials Project, una piattaforma che supporta numerose ricerche di catalizzatori ed esperimenti autonomi. 

Il database ad accesso aperto fondato presso il Berkeley Lab del Dipartimento dell'Energia è stato utilizzato dai ricercatori per confermare sperimentalmente le proprietà utili di nuovi materiali che mostrano potenziale per l'uso nella cattura del carbonio and come fotocatalizzatori, termoelettrici e conduttori trasparenti.

Il database include come gli atomi di un materiale sono disposti and quanto è stabile. GNoME è stato addestrato utilizzando i dati e i flussi di lavoro che erano sviluppato dal Progetto e poi migliorato via apprendimento attivo.

Utilizzando i calcoli di GNoME di Google DeepMind insieme ai dati del Materials Project, i ricercatori hanno testato A-Lab, una struttura del Berkeley Lab dove l'intelligenza artificiale guida i robot nella produzione di nuovi materiali. A-Lab ha superato con successo prodotta⁸ 41 nuovi composti.

⬆ Torna alla tabella

3. Materiali superduri: scoperta guidata dall'apprendimento automatico oltre il diamante

Settori come quello militare, aerospaziale e della produzione energetica richiedono materiali superduri, ovvero solidi praticamente incomprimibili. La durezza di questi materiali supera i 40 gigapascal (GPa) sulla scala Vickers e presentano un'elevata covalenza di legame e un'elevata densità elettronica.

Il diamante è il materiale più duro conosciuto fino ad oggi, con una durezza compresa tra 70 e 150 GPa. Ciò significa che ci vorrebbe una pressione maggiore (70-150 GPa) per lasciare un'impronta sulla superficie del diamante. Di conseguenza, viene usato negli utensili da taglio, negli abrasivi, nei rivestimenti resistenti all'usura e per la creazione di esperimenti ad alta pressione.

Queste pietre preziose, che sono una forma solida dell'elemento carbonio con i suoi atomi disposti in una struttura cristallina cubica simile a quella del diamante, vengono utilizzate anche dagli scienziati per trovare nuovi materiali adatti. Ma l'intelligenza artificiale ha cambiato le cose.

Nel corso degli anni, diversi ricercatori hanno essere trovato⁹ nuove fasi superdure, con una segnalazione¹⁰ BC10N, B4C5N3 e B2C3N a presentano fasi dinamicamente stabili con valori di durezza >40 GPa.

Nel 2020, i ricercatori dell'Università di Houston e del Manhattan College utilizzati¹¹ un modello ML per prevedere con precisione la durezza dei nuovi materiali, così consentendo loro di farlo trovare appropriato composti più facilmente.

La quantità di alta pressione richiesta per lasciare un segno sulla superficie di un materiale li rende rari e "l'identificazione di nuovi materiali è una sfida". Ed è esattamente per questo che "materiali come il diamante sintetico sono ancora utilizzati "anche se sono difficili e costosi da realizzare", ha affermato Jakoah Brgoch, coautore dell'articolo e professore associato di chimica presso l'Università di Houston.

Un fattore complicato è la dipendenza dal carico, ovvero la durezza di un materiale può variare a seconda della pressione esercitata. Questo rende il test di un materiale complesso dal punto di vista sperimentale. Anche l'utilizzo di modelli computazionali è pressoché impossibile, quindi i ricercatori hanno creato un modello che supera la sfida prevedendo la durezza Vickers dipendente dal carico basandosi esclusivamente sulla composizione chimica del materiale.

L'algoritmo era trading su un database che ha coinvolto 560 diversi composti che necessario andare attraverso centinaia di articoli accademici. "Tutti i buoni progetti di apprendimento automatico iniziano con un buon set di dati", ha affermato Brgoch. "Il vero successo risiede in gran parte nello sviluppo di questo set di dati".

Di conseguenza, hanno trovato oltre 10 nuove fasi stabili di borocarburo e, con un'accuratezza del modello pari al 97%, sono fiduciosi di poter raggiungere il successo in laboratorio.

Tuttavia, come ha osservato Brgoch, l'intelligenza artificiale non è esente da limiti: "L'idea di utilizzare l'apprendimento automatico non è dire 'Ecco il prossimo materiale migliore', ma di aiutare a guidare la nostra ricerca sperimentale". Ciò che fa questa tecnologia è "indicarti dove dovresti guardare".

⬆ Torna alla tabella

4. Dielettrici polimerici: materiali di accumulo di energia accelerati dall'intelligenza artificiale

Un componente essenziale dell'accumulo di energia moderno sono i dielettrici, ovvero materiali non conduttivi come aria, vetro e plastica. 

La scelta del materiale dielettrico è quello determina la densità energetica dei condensatori e dei dielettrici polimerici sono ampiamente utilizzati per lo stoccaggio di energia a causa di il loro basso costo, la flessibilità meccanica, l'affidabilità, la velocità di scarico rapida e la facilità di lavorazione. Ma ancora una volta, la loro bassa densità energetica è una problema. 

Di conseguenza, i ricercatori continuano Dai un'occhiata per migliorare le prestazioni sviluppando nuovi dielettrici polimerici aumentare la loro capacità di accumulo di energia per applicazioni nei sistemi di alimentazione, nell'elettronica e nei veicoli elettrici (EV). 

L'intelligenza artificiale ha compiuto progressi straordinari nei materiali polimerici. Ad esempio, solo un paio di mesi fa, i ricercatori del MIT e della Duke University hanno collaborato per creare¹² polimeri più durevoli incorporando molecole reticolanti sensibili allo stress, che sono stati identificati dall'IA. I ricercatori del MIT hanno anche costruito¹³ un sistema che trova, mescola e testa fino a 700 nuove miscele di polimeri un giorno per le applicazioni come elettroliti per batterie, stabilizzazione delle proteine ​​o materiali per la somministrazione di farmaci.

La progettazione di nuove miscele di polimeri presenta il problema di un numero quasi infinito di possibili polimeri da cui partiree una volta alcuni hanno stato selezionato mescolare, poi è necessario scegliere la composizione di ciascun polimero, nonché la concentrazione dei polimeri nella miscela.

"Avere uno spazio di progettazione così ampio richiede soluzioni algoritmiche e flussi di lavoro ad alta produttività, perché semplicemente non è possibile testare tutte le combinazioni utilizzando la forza bruta."

– Autore principale dell'articolo, Connor Coley

Il loro sistema di intelligenza artificiale ha fornito loro miscele ottimali, con la migliore che ha ottenuto risultati migliori del 18% rispetto ai singoli componenti.

Data l'efficienza con cui l'intelligenza artificiale fornisce nuove opzioni e miscele di polimeri, ha senso applicare la tecnologia¹⁴ identificare migliori dielettrici polimerici¹⁵.

Un team di ricercatori ha fatto proprio questo e scoperto¹⁶ dielettrici con una densità energetica 11 volte superiore a quella delle alternative commerciali a temperature elevate.

L'algoritmo innovativo è sviluppato per prevedere le proprietà e le formulazioni dei polimeri prima creandoli effettivamente. Per questo, hanno prima definito requisiti specifici e poi hanno addestrato i modelli ML su quelli esistenti proprietà materiale dati per prevedere i risultati desiderati.

Oltre all'intelligenza artificiale, i ricercatori hanno utilizzato la chimica dei polimeri e l'ingegneria molecolare consolidate per scoprire una serie di dielettrici nelle famiglie del polinorbornene e della poliimmide, molti dei quali presentano un'elevata densità energetica e un'elevata stabilità termica in un ampio intervallo di temperature. 

Ma uno in particolare ha mostrato una densità energetica di 8.3 J cc−1 a 200 °C, che è molti superiore al dielettrico polimerico disponibile in commercio.

"Agli albori dell'intelligenza artificiale nella scienza dei materiali, promossa dalla Materials Genome Initiative della Casa Bianca oltre un decennio fa, la ricerca in questo campo era in gran parte guidata dalla curiosità. Solo negli ultimi anni abbiamo iniziato a vedere casi di successo tangibili e concreti nella scoperta accelerata di polimeri guidata dall'intelligenza artificiale", ha affermato il coautore Rampi Ramprasad, professore presso il Georgia Institute of Technology. "Questi successi stanno ora ispirando trasformazioni significative nel panorama della ricerca e sviluppo sui materiali industriali".

⬆ Torna alla tabella

5. Elettroliti solidi: intelligenza artificiale per batterie più sicure e ad alta densità

Spinto dall'adozione diffusa di dispositivi portatili e veicoli elettrici e dalla crescente domanda di soluzioni di accumulo di energia rinnovabile, il mercato globale delle batterie è avanzando rapidamente¹⁷. dato che importante ruolo che le batterie svolgono nel mondo moderno, gli scienziati stanno cercando costantemente per sviluppare batterie più efficienti dal punto di vista energetico e più sicure la tecnologia.

Mentre le batterie agli ioni di litio sono i più ampiamente utilizzati oggi hanno una durata di vita limitata e rischi per la sicurezza, che sono indirizzata tramite batterie allo stato solido (SSB). 

Queste batterie sostituiscono gli elettroliti liquidi con elettroliti allo stato solido eliminare il rischio di infiammazione a temperature elevate, consentendo al contempo una maggiore densità energetica e migliorando la durata, creando batterie più sicure e potenti. 

Ma queste batterie con elettroliti solidi affrontano le loro sfide, come bassa conduttività ionica, compatibilità dell'interfaccia dell'elettrodo, stabilità meccanica e chimica e produzione conveniente. Quindi, i ricercatori stanno esplorando materiali in grado di superare questi problemi tramite l'intelligenza artificiale.

A differenza di altri campi di cui abbiamo parlato oggi, le batterie sono uno dei settori più caldi in cui l' applicazione dell'IA¹⁸ è esploso grazie al coinvolgimento di importanti case automobilistiche e startup che stanno investendo nella ricerca e sviluppo di batterie allo stato solido. Oltre al rischio per la sicurezza, il settore ha anche accumulato grandi database, sufficientemente ricchi per addestrare modelli di apprendimento automatico.

Anche i governi hanno inserito le SSB tra le priorità strategiche per garantire la sicurezza delle catene di approvvigionamento nazionali e raggiungere gli obiettivi nazionali in materia di energia e clima.

Quindi, ci sono vari casi in cui l'IA ha aiutato¹⁹ ricercatori e aziende scoprono nuovi elettroliti solidi.

L'anno scorso, i ricercatori Microsoft utilizzato L'intelligenza artificiale e i supercomputer esamineranno 32 milioni di potenziali materiali inorganici a Find 18 candidati promettenti²⁰ in una questione di A pochi giorni. Il nuovo materiale, N2116, è un elettrolita allo stato solido in grado di ridurre del 70% l'uso del litio nelle batterie ed è stato testato per alimentare una lampadina.

Nel frattempo, lo strumento di intelligenza artificiale di DeepMind, GNoME, ha identificato²¹ 528 promettenti conduttori agli ioni di litio, alcuni dei quali potrebbero contribuire a rendere le batterie più efficienti. 

Poi c'è LBS²² (Li8B10S19) dai ricercatori di Stanford, che lo hanno definito "l'elettrolita agli ioni di litio a base di zolfo più stabile che abbiamo mai visto sperimentalmente". I ricercatori per primi identificato²³ elettroliti solidi a sostituire un giorno gli elettroliti liquidi infiammabili nelle batterie agli ioni di litio tramite l'intelligenza artificiale, circa un decennio fa.

⬆ Torna alla tabella

Conclusione

Questi esempi dimostrano che l'intelligenza artificiale può accelerare il processo di scoperta di nuovi materiali. La sfida ora è trasformare le previsioni dei computer in risultati concreti, il che significa abbinare l'intelligenza artificiale a ricercatori esperti e dati affidabili.

Scorri per scorrere →

Ciò a cui stiamo assistendo è solo agli inizi. Queste scoperte ci stanno guidando verso un'energia più pulita, tecnologie più sicure, materiali più resistenti e industrie che non impoveriscono il pianeta. L'intelligenza artificiale sta cambiando il nostro modo di lavorare sulla scienza dei materiali, e questo è importante per il futuro.

Clicca qui per scoprire tutto sugli investimenti nell’intelligenza artificiale.

Referenze

1. Peplow, M. (2025). L'intelligenza artificiale sta inventando milioni di nuovi materiali. Sono validi? Nature, 646, 22–25. Pubblicato il 1 ottobre 2025. https://doi.org/10.1038/d41586-025-03147-92
2. Università della Florida Centrale. (16 dicembre 2019). L'intelligenza artificiale potrebbe aiutare gli scienziati a realizzare celle solari sprayScienceDaily. Pubblicato il 16 dicembre 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W. e Peng, Y. (2019). Celle solari perovskite ad alta efficienza tramite deposizione di vapore da una singola fonte. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, AC, Colburn, TW, Ren, Z., Dauskardt, RH e Buonassisi, T. (2022). Apprendimento automatico con vincoli di conoscenza per l'ottimizzazione del processo di produzione di celle solari a perovskite all'aperto. Joule, 6 (4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, JS, Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, JA, Guldi, DM, Pérez-Ojeda, ME, Seok, SI, Friederich, P. & Brabec, CJ (2024). Il flusso di lavoro di progettazione inversa scopre materiali di trasporto dei fori su misura per le celle solari in perovskite. Scienze, 386(6727), 1256-1264. Pubblicato il 13 dicembre 2024. https://doi.org/10.1126/science.ads0901
6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. e Wang, X. (2024). Sbloccare il potenziale: applicazioni di apprendimento automatico nella progettazione di elettrocatalizzatori per la trasformazione elettrochimica dell'energia dell'idrogeno. Recensioni della società chimica, 53, 11390–11461. Pubblicato il 9 ottobre 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, DW, Choi, JH, Goddard, WA e Kang, JK (2025). Progettazione basata sull'intelligenza artificiale di leghe multiprincipali per una scissione ottimale dell'acqua. Proceedings of the National Academy of Sciences, 122(28), e2504226122. Pubblicato il 15 luglio 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, NJ, Rendy, B., Fei, Y., Kumar, RE, He, T., Milsted, D., McDermott, MJ, Gallant, M., Cubuk, ED, Merchant, A., Kim, H., Jain, A., Bartel, CJ, Persson, K. & Zeng, Y. (2023). Un laboratorio autonomo per la sintesi accelerata di nuovi materiali. Nature, 624, 86–91. Pubblicato il 29 novembre 2023. https://doi.org/10.1038/s41586-023-06734-w
9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, MJ, Levy, O., Kramer, MJ e Gaultois, MW (2019). Previsione di materiali superduri tramite una ricerca di strutture evolutive basate sull'apprendimento automatico. npj Materiali computazionali, 5, 89. Pubblicato il 03 settembre 2019. https://doi.org/10.1038/s41524-019-0226-8
10 Chen, WC, Schmidt, JN, Yan, D., Oses, C., Toher, C., Curtarolo, S. e Mehl, MJ (2021). Apprendimento automatico e previsione evolutiva di composti BCN superduri. npj Materiali computazionali, 7, 114. Pubblicato il 21 luglio 2021. https://doi.org/10.1038/s41524-021-00585-7
11 Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake e Brgoch, Jakoah. (2021). Alla scoperta del prossimo materiale superduro attraverso l'apprendimento d'insieme. Materiali Avanzati, 33(5), e2005112. Pubblicato il 4 dicembre 2020. https://doi.org/10.1002/adma.202005112
12 Notizie dal MIT. (5 agosto 2025). L'intelligenza artificiale aiuta i chimici a sviluppare plastiche più resistenti. MIT News. Recuperato il 5 agosto 2025 da https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13 Notizie dal MIT. (28 luglio 2025). Un nuovo sistema velocizza notevolmente la ricerca di materiali polimerici. MIT News. Recuperato il 5 agosto 2025 da https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14 Tan, DQ (2020). La ricerca di una maggiore rigidità dielettrica dei dielettrici a base polimerica: una revisione mirata sui nanocompositi polimerici. Giornale di scienza dei polimeri applicata, 137, e49379. Pubblicato il 5 aprile 2020. https://doi.org/10.1002/app.4937915.
15 Ji, S., Jeong, D.-Y. e Kim, C. (2022). Progettazione ad alta dielettrica di compositi polimerici mediante l'utilizzo di reti neurali artificiali. Scienze applicate, 12, 12592. Pubblicato il 25 dicembre 2022. https://doi.org/10.3390/app122412592
16 Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, AA, Cao, Y., Sotzing, G. & Ramprasad, R. (2024). Scoperta assistita dall'intelligenza artificiale di dielettrici ad alta temperatura per l'accumulo di energia. Nature Communications, 15(1), 6107. Pubblicato il 19 luglio 2024. https://doi.org/10.1038/s41467-024-50413-x
17 Lombardo, T., Paoli, L., Fernandez Pales, A. & Gül, T. (2025). L'industria delle batterie è entrata in una nuova fase. Commento dell'IEAPubblicato il 5 marzo 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18 Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. e Xue, D. (2024). Accelerare lo sviluppo di elettroliti allo stato solido mediante l'apprendimento automatico. Prossima energia, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19 Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. e Yu, L. (2025). L'intelligenza artificiale potenzia le batterie allo stato solido per lo screening dei materiali e la valutazione delle prestazioni. Lettere Nano-Micro, 17, 287. Pubblicato il 6 giugno 2025. https://doi.org/10.1007/s40820-025-01797-y
20 Kuang, J. (2023). Gnome di DeepMind sta spingendo l'intelligenza artificiale nella scienza dei materiali. Time MagazinePubblicato il 6 giugno 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21 Microsoft. (2024). Come l'intelligenza artificiale e l'HPC stanno accelerando la scoperta scientifica. Microsoft Source – Funzionalità di innovazionePubblicato il 29 ottobre 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
^{22 Ma, Y., Wan, J., Xu, X., … (2023). Scoperta sperimentale di un elettrolita solido di tioborato di litio veloce e stabile, Li6+2x[B10S18]Sx (x ≈ 1). Lettere sull'energia ACS, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560}
23 Università di Stanford. (2016). Niente batterie in fiamme: gli scienziati di Stanford si affidano all'intelligenza artificiale per creare batterie agli ioni di litio più sicure. Notizie di StanfordPubblicato il 12 dicembre 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries