L'intelligenza artificiale al posto delle terre rare: una start-up di Monaco di Baviera alla ricerca di magneti realizzati con elementi abbondanti

Chi sei e da dove vieni?

alqem è un’azienda specializzata nella scoperta di nuovi materiali che utilizza l’intelligenza artificiale per individuare e commercializzare magneti ad alte prestazioni che non dipendono dagli elementi delle terre rare. La nostra sede centrale si trova a Monaco di Baviera, mentre il nostro centro di ricerca è in Portogallo.

Il nostro team fondatore vanta competenze complementari. Io sono cofondatrice e CEO; prima di alqem ho lavorato per quindici anni presso McKinsey, Unilever e OCI Global, e in precedenza ho guidato la prima iniziativa sull’economia circolare del World Economic Forum, quindi mi occupo di materiali dal punto di vista della catena di approvvigionamento e della strategia. Il mio cofondatore, il dott. Tiago Cerqueira, nostro direttore tecnico (CTO), proviene dal campo della scienza computazionale dei materiali; è coautore di Alexandria, il principale database aperto dedicato ai materiali inorganici, e da oltre dieci anni lavora su flussi di lavoro ad alta produttività basati su ML/AI per la scoperta di nuovi materiali. Il Prof. Milan Allan, il nostro CSO, è titolare della cattedra di Fisica Sperimentale presso la LMU di Monaco, il che ci garantisce un solido ancoraggio al mondo dei laboratori. Attorno a questo nucleo abbiamo creato un team di circa dieci ricercatori con dottorato di ricerca e siamo affiancati da consulenti del calibro della prof.ssa Claudia Felser dell’Istituto Max Planck di Dresda, del prof. Miguel Marques di Bochum e di Michael Viertler, ex Senior Managing Partner di McKinsey a Monaco e responsabile dei settori automobilistico e high-tech.

Quale sfida affronta alqem? Qual è la vostra grande visione?

Quasi tutto ciò che si muove nella transizione energetica dipende da un magnete permanente, ad esempio il motore di un’auto elettrica, il generatore di una turbina eolica, la robotica, gli azionamenti industriali. I magneti più potenti che sappiamo realizzare richiedono elementi delle terre rare, e quelli dalle prestazioni più elevate necessitano di terre rare pesanti come il disprosio e il terbio per resistere alle temperature a cui un motore funziona effettivamente.

Il problema è che questa catena di approvvigionamento è straordinariamente concentrata. Una singola regione domina l’estrazione mineraria e quasi tutta la lavorazione. Ciò trasforma un materiale senza il quale l’industria europea non può funzionare in un punto nevralgico geopolitico ed economico, un fenomeno che si è acuito notevolmente con le restrizioni alle esportazioni degli ultimi due anni.

Ciò che facciamo è utilizzare l’intelligenza artificiale per cercare composti magnetici costituiti da elementi abbondanti e accessibili in grado di superare o eguagliare le prestazioni delle terre rare e, cosa altrettanto importante, per prevedere come sintetizzarli effettivamente. I magneti permanenti sono solo l’inizio. Applichiamo lo stesso approccio ai materiali termoelettrici, che trasformano il calore di scarto in energia utile.

La visione d’insieme è chiara: una base di materiali per la transizione energetica che l’Europa possa effettivamente controllare, scoperta e commercializzata in pochi anni anziché in decenni.

Come vi è venuta l’idea?

L’origine è prettamente accademica. Milan e Tiago si sono conosciuti grazie a SuperC, un consorzio di ricerca internazionale impegnato nel perseguimento di uno degli obiettivi più ardui della fisica: un superconduttore a temperatura ambiente. Ciò che ha reso SuperC un progetto fuori dal comune è il fatto che, per la prima volta, ha riunito

teoria, calcolo, sintesi e caratterizzazione in un unico sforzo coordinato per scoprire nuovi materiali.

Da ciò, i due hanno sviluppato una convinzione condivisa articolata in tre punti. In primo luogo, che l’IA basata sulla fisica è uno strumento davvero potente per individuare materiali in territori che nessuno ha mai esplorato prima. In secondo luogo, che il metodo di lavoro di SuperC non doveva necessariamente limitarsi ai superconduttori: lo stesso approccio poteva essere applicato a classi di materiali completamente diverse. E in terzo luogo, che al di fuori del mondo accademico, con la giusta concentrazione e le risorse adeguate, l’intero processo avrebbe potuto procedere a un ritmo notevolmente più veloce.

La mia esperienza personale è alla base della scelta dei materiali. Quindici anni nel settore dell’energia e dei prodotti chimici mi hanno insegnato che progettiamo costantemente in funzione dei materiali di cui disponiamo, considerandone i limiti come fissi e aggirandoli con soluzioni ingegneristiche. Dopo averlo osservato abbastanza spesso, si inizia a vedere il contrario: quanto progresso tecnologico sia silenziosamente frenato dai limiti dei materiali e quanto si potrebbe sbloccare se quei limiti non esistessero. I magneti privi di terre rare con prestazioni superiori agli standard odierni sono tra i materiali in cui risiede quel potenziale.

Com’è stato il vostro processo di sviluppo? Quali sono state le sfide e le battute d’arresto più grandi? Quali i successi più significativi?

Abbiamo costruito la nostra piattaforma in tre fasi. La prima delinea lo spazio delle strutture candidate da esplorare. La seconda prevede le proprietà rilevanti, per i magneti aspetti quali la magnetizzazione e l’anisotropia, in modo da poter classificare i candidati. La terza consiste nel prevedere la sintesi: come si realizzerebbe effettivamente un candidato promettente in laboratorio.

Una delle sfide più ardue è la mancanza di dati reali sui magneti per addestrare il modello. Pertanto, il nostro approccio è consistito nella combinazione della creazione di un set di dati di addestramento ab initio e nell’utilizzo delle nostre capacità di sintesi per convalidare i dati di addestramento su un’ampia gamma di sistemi chimici. Siamo particolarmente orgogliosi del livello di accuratezza che abbiamo raggiunto dalla previsione agli esperimenti: i nostri valori previsti si discostano di non oltre il 15% dai risultati sperimentali, il che rientra pienamente nelle aspettative.

L’altra sfida è la capacità di sintetizzare in laboratorio i materiali previsti. Le difficoltà sono duplici: 1) la mancanza di dati sperimentali falliti pubblicati (un aspetto riconosciuto anche da molti nostri colleghi); e 2) stiamo lavorando su nuovi sistemi che non sono mai stati sperimentati prima. A tal fine, stiamo sviluppando un modello linguistico di grandi dimensioni (LLM) dedicato alla ricerca scientifica che ci aiuti a superare questa sfida, specialmente nel caso 2), dove ci aiuta a formulare le ipotesi più fondate, proprio come farebbe un chimico sintetico, ideando modi per testarle e imparando dai risultati (falliti).

Per quanto riguarda i successi: abbiamo riunito un gruppo di consulenti di altissimo livello, stiamo sviluppando una reale capacità di validazione anziché limitarci esclusivamente alla fase in silico (come menzionato sopra), stiamo effettivamente individuando nella nostra pipeline candidati che hanno il potenziale per superare i magneti NdFeB e SmCo sotto tutti gli aspetti, compresi i costi, e stiamo ottenendo un serio impegno da parte dei partner industriali che avvertono acutamente questo problema.

Come hanno reagito il mercato e il settore?

Notiamo un forte coinvolgimento da parte del settore. La riduzione dei rischi nella catena di approvvigionamento è passata da una semplice diapositiva in una presentazione strategica a una priorità a livello di consiglio di amministrazione nei settori automobilistico e manifatturiero industriale, e ciò è avvenuto quasi in tempo reale con l’inasprimento dei controlli sulle esportazioni. Ciò significa che non è stato necessario convincere le persone con cui abbiamo parlato che il problema fosse reale o urgente.

C’è un forte interesse da parte degli utenti finali a testare i nuovi candidati man mano che vengono verificati nel nostro laboratorio. Vorremmo collaborare con partner selezionati per ogni caso d’uso per sviluppare congiuntamente i prodotti in vista della commercializzazione.

Dal punto di vista degli investitori, l’interesse è provenuto da specialisti del deep-tech che comprendono come le aziende del settore delle scienze esatte assumano una forma diversa rispetto a quelle del software, ed è proprio questo il tipo di capitale di cui hanno bisogno.

Rifaresti questa scelta, oppure c’è qualcosa che faresti in modo diverso?

Lo rifarei senza troppe esitazioni, in parte perché il problema è reale e importante, e in parte perché stiamo mettendo insieme un team straordinario, in grado di affrontare qualsiasi sfida si presenti.

Ciò che farei in modo diverso riguarda soprattutto il fatto di procedere ancora più velocemente di quanto stiamo già facendo oggi.

Cosa possono imparare gli altri dalla storia della tua startup?

Ho in mente tre cose.

Primo: l’intelligenza artificiale è più potente quando amplifica una profonda competenza nel settore, non quando la sostituisce. I team che avranno successo nelle scienze esatte saranno quelli che abbineranno modelli validi a persone che comprendono davvero la fisica e la chimica. Abbiamo costruito alqem proprio partendo da questa convinzione.

Secondo: scegliete problemi in cui il vostro background (o la combinazione dei vostri background) rappresenti un vantaggio. Nel nostro caso, il nostro background come scienziato computazionale, fisico sperimentale e dirigente industriale ci aiuta a tracciare un percorso per risolvere un problema rilevante e creare valore.

Terzo: siate onesti nel raccontare la vostra storia; la maggior parte degli investitori è intelligente e sa vedere oltre il gergo tecnico e le finzioni.