Per un modello linguistico, descrivere un cristallo non è affatto naturale. I grandi sistemi generativi sono stati addestrati soprattutto su testi, immagini e codice; la materia cristallina, invece, è definita da disposizioni tridimensionali e periodiche di atomi, distanze, legami e simmetrie che vengono normalmente archiviate in formati specialistici. È una distanza importante: in scienza dei materiali, due sostanze dalla composizione simile possono comportarsi in modo molto diverso proprio a causa della loro struttura.
Un gruppo del Massachusetts Institute of Technology ha sviluppato un modello multimodale pensato per colmare questo scarto. Il sistema mette insieme la rappresentazione 3D delle strutture atomiche e le descrizioni in linguaggio naturale tratte dalla letteratura sperimentale e da database computazionali basati su calcoli di primo principio. L'obiettivo non è semplicemente associare il nome di un composto a una proprietà, ma dare al modello gli elementi per collegare composizione, geometria del reticolo, comportamento atteso, condizioni di lavorazione e possibili impieghi.
I risultati sono stati descritti in uno studio pubblicato su Nature Communications. Secondo i ricercatori, l'integrazione della struttura atomica consente di proporre progetti di materiali migliori rispetto ai modelli addestrati soltanto su flussi testuali. In una prova dedicata agli elettroliti per batterie agli ioni di litio allo stato solido, tra i candidati collocati ai primi posti dal modello figuravano sostanze che erano già emerse indipendentemente come promettenti.
Perché i dati testuali non bastano
L'idea di affidare all'AI la scoperta dei materiali è discussa da tempo: si fornisce un requisito, per esempio stabilità, conducibilità o compatibilità con una certa produzione, e il sistema dovrebbe restringere uno spazio di ricerca enorme fino a una lista utile per i test. Nella pratica, però, la sola capacità di leggere articoli scientifici non equivale alla capacità di comprendere un materiale.
La struttura è al centro della disciplina perché racchiude indicazioni decisive sulle proprietà e sulle prestazioni di un cristallo. La disposizione degli atomi e i loro schemi di legame non sono un dettaglio illustrativo da aggiungere alla descrizione: sono informazioni che concorrono a determinare come il materiale trasporta ioni o elettroni, come reagisce alle sollecitazioni e quali fasi può assumere. Ju Li, professore nel Department of Materials Science and Engineering del MIT e tra gli autori dello studio, sintetizza questo passaggio nell'esigenza di creare per il modello una connessione fra struttura atomica, proprietà e processi produttivi.
Un altro limite riguarda la qualità e la distribuzione delle informazioni disponibili. La letteratura sperimentale tende a concentrarsi su un numero ristretto di classi cristalline molto studiate. Se un modello apprende prevalentemente da quel corpus, può restituire suggerimenti sbilanciati verso le famiglie di materiali più rappresentate, anziché esplorare in modo efficace alternative meno documentate. Aggiungere dati strutturali permette di offrire un segnale diverso dal semplice ricorrere delle parole negli articoli e nei database.
Il lavoro del MIT punta dunque a trasformare il cristallo da oggetto descritto verbalmente a oggetto che il modello può considerare anche nella sua forma tridimensionale. I ricercatori riferiscono che il sistema ha appreso rappresentazioni geometriche delle strutture che un approccio esclusivamente testuale non riusciva a ottenere. Questa è la base che rende più credibile il passaggio dalla consultazione della letteratura a una vera attività di selezione o progettazione assistita.
Il caso delle batterie allo stato solido
La dimostrazione sugli elettroliti per batterie agli ioni di litio allo stato solido è significativa perché si tratta di un campo in cui la scelta del materiale è un vincolo centrale. L'elettrolita deve rispondere a requisiti diversi, e talvolta concorrenti, che non si leggono adeguatamente da una formula chimica isolata. Il test non prova che l'AI abbia scoperto da sola un nuovo materiale pronto per la produzione, né sostituisce la verifica in laboratorio. Mostra però che, guardando anche l'organizzazione atomica, il modello è riuscito a far emergere candidati già riconosciuti da percorsi di ricerca indipendenti.
È un tipo di validazione più prudente e utile delle promesse di automazione totale. Un sistema del genere può diventare uno strumento per ordinare priorità, formulare ipotesi e ridurre il numero di direzioni da esplorare sperimentalmente. La conferma di stabilità, sintetizzabilità, costi, resa di processo e prestazioni nelle condizioni reali resta affidata al lavoro di chimici e ingegneri. Inoltre, le proprietà rilevanti non dipendono sempre soltanto dal cristallo ideale: difetti, impurità, interfacce e procedure di produzione possono modificare profondamente il risultato finale.
Proprio per questo l'inclusione nel modello di indicazioni relative alla lavorazione è un elemento rilevante. La ricerca dei materiali non consiste nel trovare una struttura elegante sulla carta: un candidato può essere interessante dal punto di vista teorico e al tempo stesso difficile da produrre, instabile o inadatto a essere integrato in un dispositivo. Collegare i dati della struttura alle informazioni raccolte in testi sperimentali può aiutare l'AI a mantenere insieme queste dimensioni, senza ridurre la valutazione a un singolo valore previsto.
Un modello per navigare la complessità, non un laboratorio autonomo
Lo studio è stato firmato, oltre che da Li, da Yang Jeong Park, primo autore ed ex postdoc del MIT, Mayank Kumaran, Chia-Wei Hsu ed Elsa Olivetti. Il loro contributo si inserisce in un filone in rapida crescita, quello che cerca di applicare modelli generativi e multimodali alla chimica e ai materiali. La differenza, in questo caso, sta nell'attenzione a una forma di informazione che per i modelli linguistici è stata storicamente periferica: la geometria tridimensionale dei cristalli.
La portata pratica dipenderà da quanto bene approcci di questo tipo sapranno generalizzare fuori dai dati già conosciuti. Riconoscere candidati validati da altri studi è un segnale incoraggiante, ma la prova più impegnativa sarà produrre ipotesi nuove, controllabili e realmente utili per problemi industriali o scientifici specifici. Ci sarà poi il tema dell'accesso e dell'integrazione: per incidere sui tempi della ricerca, questi strumenti dovranno dialogare con database affidabili, simulazioni e flussi sperimentali, non limitarsi a generare una lista convincente.
Il lavoro del MIT indica comunque una direzione concreta. Se l'AI deve aiutare a progettare la materia, deve poter trattare la struttura come un'informazione primaria, accanto alle parole con cui gli scienziati la raccontano. Per materiali cristallini, la capacità di “vedere” gli atomi nello spazio può fare la differenza tra un motore che riassume ciò che è noto e uno che contribuisce a scegliere dove cercare dopo.
