Rivoluzione nell’IA: studiosi di Singapore scoprono come prevedere il futuro dei materiali da campioni minuscoli

L’analisi dei comportamenti su vasta scala ha sempre richiesto risorse enormi. Provare a simulare il movimento di milioni di atomi o molecole per capire come reagirà un nuovo materiale nel tempo richiede supercomputer dai costi energetici e finanziari insostenibili. Un collo di bottiglia che finora ha rallentato la creazione di nuove tecnologie, dai chip di nuova generazione alle batterie ad alta efficienza.

Ora una svolta cambia le carte in tavola. Un team di ricercatori della National University of Singapore (NUS), guidato dal professor Qianxiao Li, ha creato un metodo basato sull‘intelligenza artificiale in grado di estrarre le regole microscopiche “nascoste” analizzando solo piccoli campioni e sistemi ridotti. Il modello apprende le leggi fondamentali su piccola scala e le applica per prevedere il comportamento di sistemi enormemente più grandi. I dettagli sono descritti negli studi pubblicati su Physical Review Materials e presentati all’International Conference on Machine Learning (ICML 2026).

La svolta tecnica: addio all’ordine fisso e risparmio di calcolo

Simulare il comportamento di una lega metallica, di un fluido o di un polimero è un’impresa complessa. In un sistema con centinaia di migliaia di particelle, tracciare ogni singola unità richiede una potenza di calcolo spaventosa.

L’approccio della NUS supera questo limite grazie a due intuizioni cruciali:

• Variabili latenti sbloccate: l’IA individua poche variabili essenziali che sintetizzano il comportamento collettivo, ignorando i dettagli superflui.
• Indipendenza dall’ordine delle particelle: nei metodi tradizionali, l’algoritmo si scontra con il problema dell’ordinamento. In un fluido o in un gas, le particelle si mescolano in continuo; costringere il modello a tracciare ogni elemento una per una richiede un enorme dispendio di memoria. L’IA di Singapore analizza la distribuzione di massa e la densità d’insieme, rendendo il calcolo molto più fluido e stabile.

I ricercatori hanno dimostrato che è possibile addestrare il modello su un sistema piccolo e poi estrapolare le proiezioni su scala macroscopica. Nei test su oltre 500.000 atomi, la precisione si è rivelata sovrapponibile a quella delle simulazioni tradizionali, ma con un frazione del costo energetico e computazionale. Un vataggio enorme che migliorerà la sicurezza dei nuovi prodotti.

Le ricadute pratiche per il tessuto industriale e le aziende

Per le imprese manifatturiere e tecnologiche, questa innovazione rappresenta un cambio di paradigma importante sul piano economico:

• Abbattimento dei costi di R&S: le aziende non avranno più bisogno di supercomputer aziendali da milioni di euro per fare ricerca sui materiali.
• Velocità di go-to-market: progettare nuove batterie, leghe metalliche resistenti o componenti per l’elettronica richiederà mesi anziché anni.
• Ottimizzazione dei processi di miscelazione: settori come la chimica, la plastica e la farmaceutica potranno prevedere la stabilità dei fluidi e dei polimeri prima di passare alla produzione di massa.

Ridurre drasticamente il tempo di simulazione significa abbassare le barriere d’ingresso per la ricerca scientifica industriale, rendendo l’innovazione sui materiali accessibili non solo ai colossi tecnologici, ma anche alle medie imprese specializzate. Avremo più prodotti, più sicuri, con maggiore competizione e a costi inferiori. Potrebbe aprirsi una nuova epoca per l’alta tecnologia e lo studio dell’elettronica.

Rimani aggiornato seguendoci su Google News!

SEGUICI