Il protocollo messo a punto dal Politecnico di Torino 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.
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.
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.
“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”.
Previsto un investimento di 100 milioni di euro, sorgerà nel Comune di Settimo Milanese, nell’area metropolitana di Milano. Debutta così una nuova infrastruttura strategica per lo sviluppo del territorio e il rafforzamento dell’ecosistema tecnologico italiano, che richiede sempre più cloud e Intelligenza Artificiale.
13-03-2026
Questi reattori di piccola taglia e a concezione modulare impiegano il sodio liquido per il raffreddamento del nocciolo.
13-03-2026
Nel contributo, a cura di Sabrina Curti, Marketing Director di ESET Italia, vengono analizzati come funzionano questi attacchi, quali sono i segnali utili che possono aiutare a individuare una voce sintetica e quali le misure da valutare per difendersi.
13-03-2026
Garofalo scende al 7%, la Molisana al 2,65%. Per gli altri undici marchi italiani interessati dalla procedura dazi del governo americano la percentuale cala al 5,21 percento.
12-03-2026
Lo sviluppo della rete di trasmissione e la sua capacità di integrare fonti rinnovabili e accumuli sono cruciali per migliorare la sicurezza energetica e ridurre il costo dell’energia. Secondo uno studio TEHA-Terna ogni euro in essa investito genera 1,31 euro di PIL
L’Osservatorio Digital & Sustainable rileva un rallentamento della politica sui temi ESG, mentre le imprese italiane continuano a considerare i due temi fondamentali, ma sulla sostenibilità hanno spesso un approccio “conformista”
Pubblicata su Science, la scoperta documenta la prima osservazione sperimentale di una topologia elettronica half Möbius in una singola molecola.
La soluzione combina AI, radar di ultima generazione integrati all’escavatore che hanno il compito di penetrare il terreno. La benna di scavo LDR Excavate scansiona il sottosuolo durante le operazioni, rilevando infrastrutture sotterranee (tlc, gas, acqua) non visibili. Gli operatori, direttamente in cabina, ricevono indicazioni in tempo reale tramite l’intuitivo display LDR Visualize, che fornisce avvisi visivi e acustici, consentendo di lavorare in sicurezza.