Gli ingegneri conoscono da tempo le proprietà che devono avere i materiali, come le prestazioni magnetiche, la conduttività e la resistenza termica. Tuttavia, tradurre tali requisiti in materiali reali e producibili è stato tradizionalmente difficile da realizzare. In questa sede, Gustavo Regueira Llansó, direttore della strategia e delle operazioni presso Altrove AI, uno degli espositori della Innovation Zone del CWIEME di Berlino, spiega perché la comunità della scienza dei materiali si trova ad affrontare lo stesso problema da decenni. 

Sappiamo come si presenta un materiale "buono". Gli ingegneri conoscono le proprietà di cui hanno bisogno, che si tratti di proprietà magnetiche, conduttività o resistenza termica. Ma tradurre tali requisiti in materiali reali e producibili è stato spesso un processo lento e costoso. Tuttavia, la situazione sta cambiando ora che l'IA sta rivoluzionando il nostro modo di concepire i materiali.

Questo cambiamento non poteva arrivare in un momento più critico. In tutto il settore dell'ingegneria elettrica, la domanda di materie prime chiave è aumentata vertiginosamente. La domanda di rame, terre rare, grafite e leghe specializzate sta aumentando in modo significativo. L'elettrificazione dei trasporti, l'espansione delle energie rinnovabili e la digitalizzazione dell'industria stanno tutte determinando un consumo senza precedenti. Allo stesso tempo, le catene di approvvigionamento sono diventate più fragili e più concentrate, esponendo i produttori a rischi che un tempo erano facili da trascurare.

Non molto tempo fa, i materiali potevano essere considerati una questione di approvvigionamento. Oggi sono al centro della strategia aziendale.

I produttori sono sempre più consapevoli che la loro capacità produttiva dipende da fattori che sfuggono al loro controllo. Trovare nuovi fornitori o diversificare le regioni di approvvigionamento è ancora necessario, ma non è più sufficiente. In molti casi, il problema è diventato il materiale stesso.

È qui che l’intelligenza artificiale sta avendo un impatto enorme. Storicamente, le industrie hanno fatto affidamento su due leve principali per affrontare le sfide legate ai materiali: estrarre più risorse o riciclare ciò che già esiste. L'IA sta ora introducendo una terza via – forse la più rivoluzionaria – creando materiali completamente nuovi su misura per esigenze specifiche. Ora, invece di chiedersi: "Dove possiamo reperire questo materiale?", i produttori possono chiedersi: "Possiamo progettarne uno migliore?"

L'IA rende possibile tutto questo ampliando notevolmente la gamma di possibilità. Laddove un tempo gli scienziati lavoravano con un insieme relativamente ristretto di strutture materiali conosciute, i modelli di apprendimento automatico possono ora esplorare milioni di configurazioni potenziali. Ancora più importante, sono in grado di prevedere come si comporteranno quei materiali prima ancora che vengano sintetizzati. Proprietà che un tempo richiedevano mesi di simulazione possono ora essere stimate in una frazione del tempo.

Conoscere le proprietà di un materiale è solo una parte della sfida. Come identificare gli ingredienti di una ricetta, la vera difficoltà sta nel definire il processo preciso necessario per produrlo su larga scala. Nella scienza dei materiali, questa “ricetta” è il processo di sintesi: i passaggi precisi necessari per trasformare un materiale teorico in qualcosa che possa essere prodotto su larga scala.

Combinando modelli predittivi con feedback sperimentali, è ora possibile generare e perfezionare i processi di produzione in modo molto più efficiente. Invece di affidarsi a iterazioni manuali e lente, le aziende possono utilizzare l’IA per proporre diverse “ricette”, testarle rapidamente e imparare dai risultati. Anche i tentativi falliti diventano dati preziosi, che vengono reimmessi nel sistema e migliorano i risultati futuri.

L'IA sta anche cambiando il modo in cui avviene l'innovazione stessa. In passato, i nuovi materiali venivano spesso sviluppati in modo isolato all'interno di laboratori di ricerca o istituzioni accademiche e solo in un secondo momento abbinati a casi d'uso industriali. Questo modello "push" portava spesso a un disallineamento tra ciò che veniva creato e ciò di cui il mercato aveva effettivamente bisogno.

Oggi, i produttori possono definire i propri requisiti in anticipo. Possono specificare le proprietà esatte necessarie, indipendentemente dal fatto che siano dettate da obiettivi di prestazione, vincoli di costo o considerazioni relative alla catena di approvvigionamento. I sistemi di IA possono quindi lavorare a ritroso, identificando e progettando materiali che soddisfino tali criteri.

Questo modello "pull" rappresenta un cambiamento significativo nel modo in cui vengono sviluppati i materiali. Sebbene il concetto in sé non sia nuovo, l'IA lo rende molto più pratico consentendo ai produttori di definire requisiti precisi ed esplorare rapidamente soluzioni materiali valide che li soddisfino.

Mette inoltre in discussione uno dei preconcetti più radicati del settore: ovvero che i compromessi siano inevitabili.

Per anni, la scelta dei materiali ha rappresentato un delicato equilibrio tra costi, prestazioni e sostenibilità. Migliorare un aspetto significava spesso comprometterne un altro. Tuttavia, esplorando uno spazio progettuale molto più ampio e ottimizzando contemporaneamente più variabili, l'intelligenza artificiale sta iniziando a sfatare questo preconcetto. È sempre più possibile sviluppare materiali che siano altamente performanti, convenienti e più sostenibili.

Questo cambiamento ha ripercussioni dirette sulle catene di approvvigionamento. La volatilità dei mercati delle materie prime rappresenta una sfida enorme per i produttori. Le fluttuazioni dei prezzi, le tensioni geopolitiche e le interruzioni delle forniture possono tutte avere ripercussioni operative immediate. Favorendo lo sviluppo di materiali alternativi, l'intelligenza artificiale applicata alla scienza dei materiali introduce flessibilità in un sistema che è stato a lungo rigido.

Quando le aziende dispongono di più opzioni, dipendono meno da una singola fonte. Anziché limitarsi a gestire le dipendenze, i produttori hanno ora l'opportunità di superarle del tutto. Sviluppando materiali alternativi su misura per le loro esigenze, possono ridurre la dipendenza da risorse limitate e modificare radicalmente le loro strategie di approvvigionamento.

Le aziende che adottano tempestivamente l'innovazione nei materiali basata sull'intelligenza artificiale hanno l'opportunità di trasformare un problema in un fattore di vantaggio competitivo. Lo sviluppo o l'adozione di materiali innovativi non solo può risolvere le difficoltà immediate di approvvigionamento, ma anche contribuire a differenziare i prodotti sul mercato. In alcuni casi, può addirittura ridefinire intere categorie di prestazioni.

Man mano che un numero crescente di organizzazioni inizierà ad avventurarsi in questo settore, il ritmo delle scoperte subirà un'accelerazione, creando un circolo virtuoso di innovazione in tutto il settore. Inoltre, grazie all'emergere di nuovi modelli commerciali, le aziende potranno esplorare l'innovazione nei materiali basata sull'intelligenza artificiale con un investimento iniziale minimo, beneficiando al contempo di un notevole potenziale di crescita.

Ecco perché il dibattito sulle materie prime sta assumendo un ruolo centrale in occasione di eventi come il CWIEME di Berlino. Quello che un tempo era un argomento tecnico di nicchia è oggi una priorità per l'ingegneria elettrica nel suo complesso. Il futuro del settore sarà determinato tanto dai materiali quanto dalla progettazione o dai processi di produzione.

Noi di Altrove assistiamo in prima persona a questo cambiamento. La combinazione tra intelligenza artificiale e scienza dei materiali sta già trasformando il modo in cui le aziende affrontano alcune delle loro sfide più cruciali. E proprio come per quella torta perfetta, l'obiettivo è quello di trovare finalmente la ricetta giusta e di farla funzionare, in modo coerente e su larga scala.