A Cambridge, il Dipartimento di Scienza dei Materiali e Metallurgia ha grandi sogni per quanto riguarda l’integrazione dell’intelligenza artificiale nel suo lavoro. Dal rilevamento e analisi automatizzati alla ricerca di modelli nella struttura coreografica degli acciai alla ricerca di strutture atomiche casuali per il prossimo materiale della batteria, l’intelligenza artificiale ha permeato la scienza dei materiali. Fondamentalmente, se vogliamo evitare il collasso climatico, i ricercatori dovranno affrontare le sfide materiali nella tecnologia della sostenibilità, e l’intelligenza artificiale potrebbe svolgere un ruolo importante.
Questo perché i progressi nella nostra tecnologia per la cattura del carbonio e le batterie sono fondamentalmente limitati dal fatto che i nostri materiali non sono abbastanza buoni e grandi aziende come Google, Meta e Microsoft stanno investendo milioni per utilizzare l’intelligenza artificiale per trovare materiali nuovi e migliori. Ma la scienza dei materiali ha bisogno dell’intelligenza artificiale? Per scoprire quanto sia pratico il “sogno” dell’intelligenza artificiale dei nostri materiali, ho parlato con due ricercatori di Cambridge in prima linea nell’intelligenza artificiale nei materiali: Chris Pickard e Shijing Sun.
Ho parlato per la prima volta con il professor Chris Pickard, un ricercatore computazionale leader a livello mondiale nella previsione della struttura dei materiali. Chris ha condotto ricerche per trovare un materiale migliore per il catodo della batteria utilizzando l’apprendimento automatico. Gli ho chiesto quanto sia utile l’intelligenza artificiale per la scienza dei materiali. Ha risposto con allegra precisione: “Beh, la scienza dei materiali è già un campo dell’intelligenza artificiale. Dagli anni ’90, il dipartimento utilizza reti neurali e tecniche di apprendimento automatico per risolvere problemi del mondo reale”.
Per Chris, l’apprendimento automatico (un sottoinsieme dell’intelligenza artificiale) è sempre stato determinante nel suo lavoro e l’entusiasmo per l’intelligenza artificiale è alimentato dai progressi nei modelli linguistici generativi di grandi dimensioni, come ChatGPT. Negli ultimi anni, Chris ha trovato successo con i potenziali interatomici di apprendimento automatico (MLIP), che accelerano la sua ricerca sui materiali.
“Bene, la scienza dei materiali è già un campo dell’intelligenza artificiale”
Nel 2023, Google DeepMind, il team di tecnologia AI di Google, ha affermato di aver scoperto 2,2 milioni di nuovi materiali. Questo articolo dimostra come l’intelligenza artificiale potrebbe presto guidare la scoperta dei materiali a livello globale. Tuttavia, quando il documento fu ispezionato dagli scienziati, scoprirono che migliaia di composti contenevano scarsi elementi radioattivi o erano instabili, rendendoli inutilizzabili per i dispositivi reali. In un articolo di risposta, Sir Anthony Cheetham, ex professore di scienza dei materiali presso il dipartimento di Goldsmiths e supervisore del dottorato di ricerca di Shijing, ha affermato: “Una cosa è scoprire un composto, e una cosa completamente diversa scoprire un nuovo materiale funzionale”.
Racconto questa storia a Chris. Lui annuisce lentamente. “La mia opinione è che sarebbe un peccato se non provassimo qualcosa perché pensavamo che non avrebbe funzionato.” Chris continua a descrivere il dialogo tra due parti: la vecchia guardia (scienziati esperti) e la nuova (entusiasmante ricerca sull’intelligenza artificiale). Quando un nuovo articolo sull’intelligenza artificiale, spinto dall’entusiasmo, rivendica in modo eccessivo le proprie scoperte, gli scienziati dei materiali si affrettano a trovare confutazioni, e questo è naturale.
“Una cosa è scoprire un composto, una cosa completamente diversa scoprire un nuovo materiale funzionale.”
Avevo ancora delle riserve: sicuramente il boom dell’intelligenza artificiale è sopravvalutato e destinato a crollare? Dopo averlo spiegato a Chris, i suoi occhi si illuminano, desiderosi di affrontare la domanda profonda, e mi racconta dei cicli di hype. Spiega come ha visto la nanotecnologia e il clamore del grafene attrarre molti investimenti, ma come ciò apparentemente si è dissipato quando le sfide sono diventate evidenti. “Di solito queste tecnologie non stanno facendo molto di più di quello che i ricercatori stavano già facendo”. Fa una pausa con effetto. “Tuttavia, penso che la differenza con l’intelligenza artificiale sarà il progresso nella tecnologia dei chip e nel calcolo in generale”.
Se la bolla dell’intelligenza artificiale dovesse scoppiare, Chris spera che i ricercatori avranno finalmente un accesso più economico alle GPU ad alte prestazioni che verrebbero altrimenti utilizzate dai data center. Inoltre, rimarranno gli strumenti associati ai software sviluppati da aziende come Nvidia. Tuttavia, c’è ancora un problema: come realizziamo effettivamente i materiali previsti da Chris? La realtà è che c’è un collo di bottiglia: entra in gioco la dottoressa Shijing Sun, la nuova ricercatrice nel dipartimento dei materiali, fresca di idee derivanti dal suo periodo alla Silicon Valley e all’Università di Washington a Seattle.
“Questo è attualmente il vuoto che sto cercando di colmare”, afferma Shijing, pieno di fiducia e disponibilità. “Da un lato, abbiamo questi grandi database basati sull’intelligenza artificiale di materiali davvero interessanti e, dall’altro, gli sperimentatori sono in laboratorio cercando di realizzarli”. La sua soluzione per rendere questo processo più veloce: laboratori automatizzati!
“L’idea di lavorare con un robot scientifico è un po’ come avere un robot da cucina”, scherza. Shijing riceve un ordine di cucina, forse un nuovo materiale per la batteria, e quindi crea una serie di istruzioni che descrivono in dettaglio come realizzarlo. “La cosa sorprendente è che ogni fase di questo processo può comportare calcoli. L’intelligenza artificiale può cercare strutture interessanti (il piatto) in grandi database, generare ingredienti e ricette, e la robotica può essere utilizzata per realizzare il prodotto, con l’intelligenza artificiale che gli fornisce le istruzioni.
“L’obiettivo è promuovere un ecosistema in cui l’automazione e l’intelligenza artificiale consentano agli scienziati umani di realizzare scoperte scientifiche significative”
E che aspetto ha un laboratorio automatizzato? L’attuale configurazione di Shijing consiste in una scatola da banco con molti sensori e un braccio robotico delle dimensioni e della forma di una stampante 3D. Questo può quindi eseguire operazioni automatizzate con le pipette e altre funzioni: è questo il futuro del laboratorio?
“Siamo ancora in una fase molto, molto iniziale”, afferma Shijing con considerazione. Spiega come gli scienziati siano già bravi a prendere decisioni fisiche, e quindi l’obiettivo non è quello di sostituirli. Invece, i laboratori automatizzati possono migliorare e accelerare la produzione di nuovi materiali con l’aiuto degli scienziati attuali. “L’obiettivo è promuovere un ecosistema in cui l’automazione e l’intelligenza artificiale consentano agli scienziati umani di realizzare scoperte scientifiche significative”. Diciamo che non sei sicuro se sia meglio utilizzare il 10% di A o il 10,1% di A in un dispositivo; questa banale differenza potrebbe richiedere ore perché un povero studente di dottorato possa indagare da solo. Tuttavia, con un laboratorio automatizzato, è possibile testare non solo quei campioni ma anche altre 100 composizioni. Il vantaggio per l’ottimizzazione è chiaro.
“Ci sono compiti in cui gli esseri umani eccellono, e altri in cui i robot ottengono risultati migliori. Ad esempio, svitare una bottiglia è banale per un essere umano, ma non è così semplice nell’automazione dei laboratori di oggi.” Anche i robot potrebbero commettere errori, ma Shijing spiega come i robot tendano a commettere gli stessi errori, permettendole di distinguere tra errori casuali e sistematici. “Il robot registra ogni azione e parametro, così possiamo tracciare come si verificano gli errori, imparare da essi e correggerli.”
Ma l’intelligenza artificiale non utilizza molta acqua ed energia? Ebbene, l’attenzione di Shijing è sui materiali energetici, cercando di affrontare il problema stesso dell’aumento della domanda di energia… ha senso risolvere il problema utilizzando uno dei colpevoli?
“Per essere sostenibili, non possiamo utilizzare eccessivamente le risorse. Tuttavia, alimentare un laboratorio robotico non richiede necessariamente un consumo energetico maggiore rispetto a un laboratorio convenzionale”, spiega Shijing. Spiega come l’efficienza degli strumenti e la produttività della ricerca possano spiegare questo: utilizza sempre l’intuizione scientifica per ottimizzare l’uso dell’energia. Ma più in generale, considera il consumo energetico nei data center. “I data center consumano molta energia, quindi non è assolutamente da trascurare.”
È un approccio ottimista e radicale, ma come dice Chris, sarebbe un peccato non provare qualcosa perché siamo scettici al riguardo. Il brillante lavoro di Shijing potrebbe essere la risposta stessa ai nostri sogni di intelligenza artificiale. Con l’automazione dei laboratori, i ricercatori potrebbero affrontare direttamente le sfide della sostenibilità e la rivoluzione dell’intelligenza artificiale.
