La scoperta di nuovi materiali è fondamentale per risolvere alcune delle più grandi sfide dell’umanità. Tuttavia, come evidenziato da Microsoft, i metodi tradizionali di scoperta di nuovi materiali possono sembrare come “trovare un ago in un pagliaio”
Storicamente, la ricerca di nuovi materiali si è affidata a esperimenti di prova ed errore, laboriosi e costosi. Più di recente, lo screening computazionale di vasti database di materiali ha aiutato a velocizzare il processo, ma è rimasto un processo che richiede molto tempo.
Ora, un nuovo potente strumento di intelligenza artificiale generativa di Microsoft potrebbe accelerare questo processo in modo significativo. Denominato MatterGen, lo strumento si allontana dai metodi di screening tradizionali e progetta direttamente nuovi materiali in base ai requisiti di progettazione, offrendo un approccio potenzialmente rivoluzionario alla scoperta dei materiali.
Pubblicato in un articolo su Nature, Microsoft descrive MatterGen come un modello di diffusione che opera all’interno della geometria 3D dei materiali. Mentre un modello di diffusione delle immagini potrebbe generare immagini da messaggi di testo modificando i colori dei pixel, MatterGen genera strutture di materiali modificando elementi, posizioni e reticoli periodici in strutture randomizzate. Questa architettura su misura è stata progettata appositamente per gestire le esigenze uniche della scienza dei materiali, come la periodicità e la disposizione in 3D.
“MatterGen consente un nuovo paradigma di progettazione generativa dei materiali assistita dall’intelligenza artificiale che permette un’esplorazione efficiente dei materiali, andando oltre l’insieme limitato di quelli conosciuti”, spiega Microsoft.
Un salto oltre lo screening
I metodi computazionali tradizionali prevedono lo screening di enormi database di potenziali materiali per identificare quelli con le proprietà desiderate. Tuttavia, anche questi metodi sono limitati nella loro capacità di esplorare l’universo dei materiali sconosciuti e richiedono ai ricercatori di vagliare milioni di opzioni prima di trovare candidati promettenti.
MatterGen, invece, parte da zero e genera materiali in base a specifiche richieste di chimica, caratteristiche meccaniche, proprietà elettroniche, comportamento magnetico o combinazioni di questi vincoli. Il modello è stato addestrato utilizzando oltre 608.000 materiali stabili provenienti dai database del Materials Project e di Alexandria.
Nel confronto che segue, MatterGen ha superato in modo significativo i metodi di screening tradizionali nel generare nuovi materiali con proprietà specifiche, in particolare un modulo di massa superiore a 400 GPa, che significa che sono difficili da comprimere.
Mentre lo screening ha mostrato rendimenti decrescenti nel tempo, man mano che il pool di candidati noti si esauriva, MatterGen ha continuato a generare risultati sempre più innovativi.
Una sfida comune incontrata durante la sintesi dei materiali è il disordine compositivo, il fenomeno per cui gli atomi si scambiano casualmente la posizione all’interno di un reticolo cristallino. Gli algoritmi tradizionali spesso non riescono a distinguere tra strutture simili quando si tratta di decidere che cosa conta come materiale “veramente nuovo”.
Per risolvere questo problema, Microsoft ha ideato un nuovo algoritmo di corrispondenza delle strutture che incorpora il disordine compositivo nelle sue valutazioni. Lo strumento identifica se due strutture sono semplicemente approssimazioni ordinate della stessa struttura disordinata sottostante, consentendo definizioni più solide di novità.
Dimostrare che MatterGen funziona per la scoperta dei materiali
Per dimostrare il potenziale di MatterGen, Microsoft ha collaborato con i ricercatori dello Shenzhen Institutes of Advanced Technology (SIAT) – parte dell’Accademia delle Scienze cinese – per sintetizzare sperimentalmente un nuovo materiale progettato dall’intelligenza artificiale.
Il materiale, TaCr₂O₆, è stato generato da MatterGen per raggiungere un modulo di massa di 200 GPa. Sebbene il risultato sperimentale sia stato leggermente inferiore all’obiettivo, misurando un modulo di 169 GPa, l’errore relativo è stato solo del 20%, una discrepanza minima dal punto di vista sperimentale.
È interessante notare che il materiale finale presentava un disordine compositivo tra gli atomi di Ta e Cr, ma la sua struttura era strettamente allineata alle previsioni del modello. Se questo livello di accuratezza predittiva può essere tradotto in altri settori, MatterGen potrebbe avere un impatto profondo sulla progettazione di materiali per batterie, celle a combustibile, magneti e altro ancora.
Microsoft posiziona MatterGen come strumento complementare al suo precedente modello di intelligenza artificiale, MatterSim, che accelera le simulazioni delle proprietà dei materiali. Insieme, gli strumenti potrebbero fungere da “volano” tecnologico, migliorando sia l’esplorazione di nuovi materiali che la simulazione delle loro proprietà in cicli iterativi.
Questo approccio è in linea con quello che Microsoft definisce il “quinto paradigma della scoperta scientifica”, in cui l’intelligenza artificiale va oltre il riconoscimento dei modelli per guidare attivamente esperimenti e simulazioni.
Microsoft ha rilasciato il codice sorgente di MatterGen con licenza MIT. Oltre al codice, il team ha reso disponibili i dataset di addestramento e di messa a punto del modello per supportare ulteriori ricerche e incoraggiare un’adozione più ampia di questa tecnologia.
Riflettendo sul più ampio potenziale scientifico dell’IA generativa, Microsoft fa un parallelo con la scoperta dei farmaci, dove questi strumenti hanno già iniziato a trasformare il modo in cui i ricercatori progettano e sviluppano i medicinali. Allo stesso modo, MatterGen potrebbe rimodellare il modo in cui ci approcciamo alla progettazione dei materiali, in particolare per settori critici come le energie rinnovabili, l’elettronica e l’ingegneria aerospaziale.
