Nuovi materiali per applicazioni energetiche: studio del Politecnico di Torino

Un gruppo di ricercatori del Politecnico di Torino apre la strada a una nuova generazione di strumenti computazionali per accelerare l’identificazione di materiali sostenibili per applicazioni energetiche

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, introduce Energy-GNoME, il primo database “evolutivo” ad integrare algoritmi di machine learning con i preziosi dati del progetto GNoME (Graph Networks for Materials Exploration), sviluppato da Google DeepMind.

Cosa sono GNoME ed Energy-GNoME

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 state indicate le possibili applicazioni tecnologiche.

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 utilizzo pratico.

Il protocollo utilizza un approccio in due fasi:

• prima, un sistema di “esperti artificiali” che – votando a 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.

Le considerazioni dei ricercatori

“Con Energy-GNoME abbiamo voluto dimostrare come l’intelligenza artificiale possa essere non solo uno strumento di analisi, ma un vero acceleratore di scoperta scientifica, capace di imparare dall’esperienza umana e crescere con i contributi della comunità. Allo stesso tempo puntiamo a risolvere una sfida cruciale dell’AI generativa: non basta esplorare alla cieca nuove possibilità, serve anche indirizzare questa esplorazione verso obbiettivi utili, perché un cristallo è solo un composto chimico, è la sua funzione ingegneristica che lo rende un materiale”, spiega Paolo De Angelis, primo autore dello studio.

“Un’importante merito del progetto risiede proprio nella natura “evolutiva” del database: attraverso una libreria Python open-source e linee guida rese pubbliche su GitHub, la comunità scientifica potrà contribuire con nuovi dati sperimentali o teorici, alimentando un processo iterativo di apprendimento attivo. In questo modo, la piattaforma è destinata a evolvere e a migliorare costantemente la sua capacità predittiva”, precisano Giulio Barletta e Giovanni Trezza.

“Questo approccio rappresenta una nuova frontiera nella modellazione dei materiali per le applicazioni energetiche: da un lato combina e sfrutta i saperi derivati da metodi sperimentali, teorici e di apprendimento automatico; dall’altro rende disponibile la conoscenza sintetizzata in un linguaggio interoperabile e accessibile, favorendo l’adozione e l’adattamento da parte di comunità scientifiche diverse”, aggiunge Pietro Asinari.

“Il nostro contributo principale è duplice: da un lato, aver reso disponibili alla comunità scientifica un’ampia selezione di nuovi materiali promettenti per applicazioni energetiche; dall’altro, aver messo a punto un protocollo metodologico che può essere facilmente esteso anche ad altri ambiti oltre a quelli trattati nello studio”, conclude Eliodoro Chiavazzo, coordinatore della ricerca. “In questo senso, Energy-GNoME non è solo un database, ma una vera e propria mappa per orientare futuri studi sperimentali e computazionali, accelerando l’esplorazione dei materiali avanzati in molteplici campi”.

Oltre al contributo diretto nel campo dell’energia, il lavoro apre prospettive più ampie

Il protocollo messo a punto mira ad essere un riferimento metodologico per la comunità scientifica, offrendo una via rapida e scalabile per esplorare nuovi materiali in settori diversi, dall’elettronica avanzata alla biomedicina, fino alle tecnologie quantistiche e a quelle emergenti per la sostenibilità.

Contenuti correlati

• 
  Innodisk presenta a Computex 2026 con un ecosistema integrato per l’intelligenza artificiale edge a 5 livelli

  Innodisk presenterà il suo ecosistema completo per l’AI edge alla fiera Computex 2026, dimostrando come le aziende e i clienti industriali possano accelerare l’adozione dell’AI con applicazioni pronte ad entrare in produzione. Costruito su cinque livelli essenziali –...
• 
  Advantech presenta le sue nuove soluzioni basate su Qualcomm Dragonwing IQ-9 per l’intelligenza visiva di livello industriale

  Advantech è orgogliosa di presentare le ultime soluzioni di edge AI basate sul processore Qualcomm Dragonwing IQ-9075, tra cui il modulo SMARC AOM-6741, i controller robotici ASR-A503 e AFE-A503 e il sistema edge AI AIR-055. Progettate per...
• 
  Reply inaugura Reply House: nel cuore di Torino nasce un campus aperto alla ricerca e all’innovazione

  Reply inaugura Reply House, il nuovo headquarter del Gruppo a Torino. Un campus dove laboratori per l’AI applicata, uffici, ambienti immersivi, spazi di condivisione e aree verdi compongono un sistema flessibile, capace di connettere competenze diverse e trasformare...
• 
  Logistica, è carenza di capitale umano: mancano 60.000 figure professionali

  Il settore italiano della logistica conto terzi, con un fatturato di 111 miliardi di euro, sale al 43,3% del mercato rispetto al 36,4% del 2009, trainato da piattaforme digitali e sistemi avanzati per ottimizzare la produttività, nonostante...
• 
  Ignition e AI insieme per una gestione più intelligente delle risorse idriche

  Ignition, la piattaforma software di Inductive Automation, distribuita in Italia da EFA Automazione/Relatech, conferma ancora una volta la propria capacità di evolvere insieme alle esigenze degli utenti e di integrarsi con le tecnologie più innovative. Lo dimostra...
• 
  Equilibrare l’utilizzo dell’intelligenza artificiale e della simulazione nella progettazione del prodotto

  La progettazione di qualsiasi prodotto, nel mondo odierno, è un processo complesso e articolato in più fasi, basato in larga misura sull’utilizzo della tecnologia di simulazione. Le simulazioni ad elevata fedeltà permettono ad ingegneri e progettisti di...
• 
  Un futuro con la Physical AI: Ferrari e Pirelli protagonisti ai Tech Talks 2026 di Siemens

  Si è recentemente svolta la terza edizione dei Tech Talks, l’appuntamento annuale di Siemens che riunisce imprese e partner per confrontarsi sulle principali sfide e opportunità della trasformazione digitale e sostenibile. Con il titolo “Where Real meets Digital”, l’edizione 2026 ha...
• 
  Eplan Copilot: l’AI diventa un partner affidabile per la progettazione

  Eplan Copilot, presentato in anteprima durante Eplan Next26, affianca gli utenti nel lavoro quotidiano come un partner affidabile. Costituisce una fonte di informazioni sicura e sempre disponibile. Combina competenze di progettazione, funzionalità della piattaforma e compiti specifici...
• 
  Robotica e AI: caccia agli unicorni

  Nel 2026 l’intelligenza artificiale non è più soltanto una questione di software e modelli digitali: il vero salto in avanti riguarda la capacità di tradurre l’AI in azione concreta nel mondo reale… Leggi l’articolo
• 
  Chi risponde degli errori dell’intelligenza artificiale?

  L’espansione dell’AI generativa pone sfide di responsabilità algoritmica. L’AI compliance manager emerge come figura chiave per garantire conformità normativa, gestire rischi sistemici e trasformare la compliance da obbligo a leva strategica per la crescita delle imprese Leggi...