Non solo più veloce, ma anche più intelligente: l'IA che spiega le sue scoperte
Utilizzando un approccio grey-box, in meno di 50 esperimenti è stato identificato un catalizzatore che supera lo standard industriale per la deidrogenazione del propano
Annunci
I laboratori a guida autonoma (SDL) alimentati dall'intelligenza artificiale (AI) stanno rapidamente accelerando la scoperta dei materiali, ma sono anche in grado di spiegare i loro risultati? I ricercatori del Dipartimento di Teoria del Fritz Haber Insitute, in collaborazione con BASF e BasCat - UniCat BASF JointLab, dimostrano di sì. La loro nuova strategia guidata dall'intelligenza artificiale lavora fianco a fianco con gli SDL per identificare catalizzatori migliori e rivelare la chimica alla base delle loro prestazioni. L'approccio è stato convalidato sulla conversione industriale del propano in propilene.
Schema del ciclo di scoperta accelerata.
© ACS Catal. 2026
Un SDL integra un'intelligenza artificiale che pianifica gli esperimenti con l'automazione e la robotica del laboratorio. Nella corsa allo sviluppo di materiali migliori, l'IA e gli SDL sono spesso celebrati per un motivo principale: la velocità. Questi sistemi possono testare e ottimizzare rapidamente nuovi materiali, aiutando i ricercatori a trovare soluzioni migliori in una frazione del tempo abituale. Ma i critici hanno sollevato importanti preoccupazioni: Se l'IA fornisce semplicemente risultati migliori senza spiegare perché funzionano, si tratta ancora di un vero progresso scientifico e come possiamo controllare l'affidabilità?
Un nuovo studio pubblicato su ACS Catalysis dal Dipartimento di Teoria del nostro Istituto, in collaborazione con BASF e BasCat - UniCat BASF JointLab, dimostra che la velocità non deve necessariamente compromettere la comprensione. Il team ha sviluppato una strategia avanzata guidata dall'intelligenza artificiale che non solo accelera la scoperta dei catalizzatori, ma rivela anche perché i materiali identificati hanno prestazioni migliori. Questo approccio è stato dimostrato con successo su una reazione industriale chiave: la conversione del propano in propilene, un elemento essenziale dell'industria chimica e materiale di partenza per un'ampia gamma di prodotti di uso quotidiano, tra cui plastica e fibre sintetiche.
Dall'IA "Black-Box" all'IA "Gray-Box
La maggior parte degli attuali approcci di scoperta guidati dall'IA si concentra sull'identificazione di un singolo materiale migliore nel più breve tempo possibile. Così facendo, spesso agiscono come "scatole nere", producendo risposte senza spiegazioni. Sebbene ciò possa essere utile per l'ottimizzazione, lascia agli scienziati una comprensione limitata della chimica sottostante. In questo caso, è stato adottato un approccio diverso: progettando attentamente il modo in cui l'intelligenza artificiale esplora le possibili combinazioni di materiali, è stato possibile ottenere prestazioni migliori e allo stesso tempo fornire approfondimenti significativi: una strategia definita "gray-box", che rende il processo più trasparente e controllabile.
Comprensione ed efficienza combinate
Oltre a identificare rapidamente un catalizzatore superiore all'attuale riferimento industriale, l'approccio ha tradotto il miglioramento delle prestazioni in un linguaggio comprensibile ai chimici. Ha evidenziato l'effetto dei singoli promotori contenuti nel catalizzatore identificato e soprattutto le interazioni sinergiche tra di essi, che non erano state colte nei precedenti studi tradizionali. Allo stesso tempo, il metodo è rimasto altamente efficiente: sono stati necessari meno di 50 esperimenti per cercare uno spazio di progettazione contenente più di 1013 aka 10000000000000 possibili combinazioni di promotori.
Nel complesso, lo studio dimostra che l'intelligenza artificiale e l'automazione in chimica non devono necessariamente andare a scapito della comprensione. Progettate con cura, queste tecnologie sono in grado di trasformare lo sviluppo dei materiali, passando dalla semplice ricerca di soluzioni migliori alla loro reale comprensione. In definitiva, l'IA diventerà un partner attivo nella scoperta scientifica, anziché uno strumento efficiente ma poco valutabile.
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Inglese può essere trovato qui.
Pubblicazione originale
Charles W. P. Pare, Aybike Terzi, Christian Kunkel, Michael Geske, Raoul Naumann d’Alnoncourt, Christoph Scheurer, Frank Rosowski, Karsten Reuter; "Adaptive Experiment Planning for Inverse Design and Understanding: Synergistic Interactions as Key to Optimized Multi-Promoter Formulations"; ACS Catalysis, 2026-3-19
Altre notizie dal dipartimento scienza
