Un team di ricercatori sviluppa un framework automatizzato che unisce l’ingegneria dei prompt, un ensemble di modelli linguistici e la validazione in laboratorio. Il risultato? Un’accelerazione senza precedenti nella scoperta di materiali per l’energia pulita.

(Ti Lancio dagli Stati Uniti) New York 23 giugno 2026 – Nel mondo della scienza dei materiali esiste un paradosso frustrante: la soluzione a un problema energetico cruciale potrebbe essere già stata scoperta, ma è letteralmente “sepolta” sotto una montagna di PDF. Ogni anno vengono pubblicati migliaia di studi scientifici; i dati essenziali su come sintetizzare un materiale o sulle sue proprietà fisiche restano intrappolati in testi non strutturati, tabelle complesse e grafici.

Oggi, un innovativo studio pubblicato su Advanced Science dimostra come l’Intelligenza Artificiale possa finalmente abbattere questo muro. Un team di scienziati ha sviluppato un sistema a ciclo chiuso capace di leggere autonomamente la letteratura scientifica, estrarre i dati con una precisione del 90%, addestrare modelli di Machine Learning e guidare i ricercatori nella sintesi in laboratorio del materiale perfetto.

L’applicazione pratica? Ottimizzare il nitruro di carbonio grafito (g-C3N4), un promettente fotocatalizzatore utilizzato per produrre idrogeno verde sfruttando la luce solare.

Estrarre dati scientifici non è un compito facile per una singola IA. Spesso le informazioni sulla sintesi si trovano nelle appendici (i “Supporting Information”), mentre i risultati dei test sono nei grafici del testo principale.

Per superare i limiti dei singoli software, i ricercatori hanno applicato il framework CO-STAR per perfezionare i prompt (le istruzioni fornite all’IA) e hanno creato un vero e proprio ensemble di modelli linguistici (LLM), facendo collaborare i migliori sistemi disponibili sul mercato. GPT-4o: utilizzato come specialista multimodale per decodificare grafici e diagrammi. DeepSeek R1: sfruttato per la sua straordinaria logica di ragionamento step-by-step, che ha persino superato i rivali nella precisione sui dati di efficienza. Claude & Baichuan AI: integrati per la loro robustezza nel comprendere la terminologia chimica specialistica.

Questo approccio collaborativo (chiamato LLM_Combo) ha ridotto i tempi di elaborazione di cinque volte rispetto al lavoro manuale di un esperto umano, mantenendo un’accuratezza straordinaria (superiore al 90% su quasi tutti i parametri).

Una volta estratto un database di alta qualità da 175 articoli scientifici pubblicati negli ultimi dieci anni, il team ha dato in pasto i dati ad algoritmi di Machine Learning (tra cui il modello CatBoost) per prevedere l’efficienza dei materiali.

Ma l’IA non si è limitata a fare previsioni: grazie all’analisi SHAP (SHapley Additive exPlanations), gli scienziati sono riusciti a sbirciare dentro la “scatola nera” del codice per estrarre regole chimiche fondamentali. L’algoritmo ha identificato due fattori dominanti per massimizzare la produzione di idrogeno. La superficie specifica (SSA): identificando un valore ottimale di circa 170 m² g⁻¹. Il Bandgap (la fessura di banda energetica): Scoprendo una relazione non lineare con un punto di equilibrio perfetto tra 2.2 e 2.4 eV.

Questa scoperta quantifica un compromesso storico della fisica: un bandgap troppo stretto assorbe molta luce ma disperde energia, mentre uno troppo ampio non cattura abbastanza luce solare.

La vera prova del nove è avvenuta in laboratorio. Guidati dalle formule matematiche generate dall’IA, i ricercatori hanno sintetizzato sei diverse varianti di nitruro di carbonio difettoso.

I test empirici hanno confermato macroscopicamente le intuizioni del computer: la variante denominata C3N4-VI, progettata per avvicinarsi ai parametri ideali dettati dall’IA, ha mostrato le prestazioni migliori. Ma il dato più sbalorditivo è che il tasso di produzione reale di idrogeno ha deviato meno del 5% rispetto a quanto previsto dai modelli matematici. “Questo lavoro stabilisce un paradigma scalabile e trasferibile,” si legge nelle conclusioni dello studio. “Trasforma la letteratura frammentata in intelligenza azionabile”.

Ciò che è stato fatto per il nitruro di carbonio può ora essere replicato per lo stoccaggio dell’energia, la purificazione dell’acqua o la creazione di nuovi farmaci. L’era della scoperta scientifica per “tentativi ed errori” sta per tramontare: il futuro della scienza appartiene alla collaborazione simbiotica tra ricercatori e Intelligenza Artificiale.