Uno studio del Politecnico di Torino sui nuovi materiali per applicazioni energetiche

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

• 
  Industrial AI, digitalizzazione e cybersecurity: soluzioni Siemens per la filiera della plastica

  Dal 9 al 12 giugno Siemens ha preso parte a PLAST 2026, una delle principali manifestazioni internazionali dedicate all’industria delle materie plastiche e della gomma, portando al Future Technology HUB di Fiera Milano Rho le proprie tecnologie per supportare la competitività delle...
• 
  AI al servizio delle infrastrutture critiche

  TXT e-Solutions (www.txtgroup.com), gruppo italiano quotato sul segmento Star di Borsa Italiana e attivo nello sviluppo di soluzioni software ad alto contenuto tecnologico, rafforza la propria strategia nell’ambito delle infrastrutture critiche con la nascita di TXT InfraWise,...
• 
  Ricarica EV avanzata e sistemi di alimentazione industriale da Delta in mostra ad Hannover Messe 2026

  Delta presenta ad Hannover Messe 2026 (pad.13, stand C02) le sue più recenti tecnologie per la produzione basata su AI, i digital twin, i sistemi di alimentazione industriale, la mobilità elettrica e l’energia sostenibile. Con il tema...
• 
  Vertiv acquisisce ThermoKey ampliando la gamma di soluzioni per la dissipazione del calore

  Vertiv ha siglato un accordo per acquisire ThermoKey SpA, azienda attiva nelle tecnologie di dissipazione e scambio termico con relazioni consolidate con OEM e system integrator. L’operazione rientra nel costante impegno di Vertiv nell’investire in soluzioni di...
• 
  Hitachi lancia la suite di servizi e soluzioni Hmax Energy, basate su AI

  Hitachi Energy ha annunciato il lancio di HMAX Energy, una suite di servizi e soluzioni basati sull’intelligenza artificiale progettata per salvaguardare le infrastrutture energetiche critiche e al contempo consentire l’efficienza operativa. Distribuita attraverso partnership di fiducia con i...
• 
  Snowflake Energy Solutions accelera la transizione verso un futuro a basse emissioni

  Snowflake, l’AI Data Cloud company, ha annunciato la disponibilità di Energy Solutions, una nuova offerta che integra in un’unica piattaforma le funzionalità di governance di Snowflake, soluzioni sviluppate dai partner e dataset strategici per il settore energetico. Snowflake...
• 
  Dai dati dei contatori energetici intelligenti all’erogazione di servizi con hiop e TaDa

  Trasformare l’enorme quantità di dati generati dai contatori elettrici intelligenti in informazioni comprensibili e utilizzabili a livello strategico. È questo l’obiettivo della partnership tra hiop, start-up deeptech specializzata in data infrastructure, e TaDa, start-up milanese attiva nell’ambito...
• 
  Trasformare la progettazione elettrica e fluidica grazie all’AI

  In un’epoca in cui l’industria evolve con velocità senza precedenti, l’intelligenza artificiale non è più solo una promessa per il futuro, ma una leva concreta per l’innovazione. Eplan ha colto questa opportunità, integrando soluzioni basate su AI...
• 
  Dal cantiere ai parchi urbani: come la security intelligente abilità città e imprese smart

  Per decenni il concetto tradizionale di sicurezza è rimasto ancorato all’immagine di un perimetro fisso: delle mura, una recinzione, cancelli sorvegliati. Si è trattato di un modello efficace finché le aziende operavano principalmente all’interno di strutture ben...
• 
  Energia 2026: cresce la domanda di elettrificazione

  La crescente elettrificazione dei consumi, l’espansione dei data center e l’integrazione massiva delle rinnovabili stanno trasformando il sistema energetico in un ecosistema sempre più complesso. Le infrastrutture esistenti faticano a tenere il passo: aumentano congestioni, tempi di...