L’intelligenza artificiale accelera la ricerca dei superconduttori a temperatura ambiente
La corsa verso i superconduttori a temperatura ambiente potrebbe aver trovato una marcia in più, grazie a un metodo che combina intelligenza artificiale e fisica quantistica. Un team internazionale guidato dalla professoressa Päivi Törmä dell’Università di Aalto ha dimostrato che il machine learning può setacciare un numero quasi infinito di combinazioni chimiche per individuare i candidati più promettenti, riducendo drasticamente i tempi di scoperta. E non si tratta solo di teoria: due nuovi superconduttori sono già stati identificati, sintetizzati e verificati sperimentalmente.
I superconduttori, materiali capaci di condurre elettricità senza alcuna resistenza, esistono già e vengono utilizzati in tecnologie che vanno dai computer quantistici ai treni a levitazione magnetica, passando per i reattori a fusione e i sistemi di neuroimaging medico. Il problema è che funzionano solo a temperature bassissime, vicine allo zero assoluto, e richiedono sistemi di raffreddamento costosi e complessi. Trovarne uno che funzioni a temperatura ambiente cambierebbe radicalmente il panorama energetico globale. Basterebbe pensare a cosa significherebbe sostituire i conduttori tradizionali nei data center e nei computer: il consumo energetico crollerebbe e l’impronta termica del settore ICT si ridurrebbe in modo impressionante.
Come funziona il nuovo approccio basato sull’IA
Il consorzio SuperC, fondato nel 2023 dalla professoressa Törmä insieme a un gruppo internazionale di fisici, è la prima collaborazione globale coordinata dedicata specificamente alla scoperta di nuovi superconduttori. L’obiettivo dichiarato è ambizioso: trovare un superconduttore a temperatura ambiente entro il 2033.
Nel lavoro più recente, pubblicato su Physical Review Research, il team ha identificato due nuovi materiali superconduttori: YRu3B2 e LuRu3B2. Le loro proprietà derivano da elettroni che formano bande piatte all’interno di un reticolo kagome, una struttura geometrica ispirata ai tradizionali motivi giapponesi di intreccio dei cestini. Il processo è stato strutturato in fasi: prima il machine learning ha scremato enormi quantità di combinazioni elementari possibili, poi un algoritmo specializzato ha selezionato i candidati migliori, che sono stati analizzati con calcoli quantistici dettagliati. Una volta confermate le previsioni teoriche, i colleghi della Rice University, guidati dalla professoressa Emilia Morosan, hanno sintetizzato i materiali e verificato che fossero effettivamente superconduttori.
Perché questa scoperta conta davvero
Per capire la portata di questo risultato, serve un po’ di contesto. In decenni di ricerca, la comunità scientifica ha identificato oltre 7.000 superconduttori, ma quasi tutti per puro caso. Il processo di valutazione teorica è talmente pesante dal punto di vista computazionale che, di fatto, solo una ventina di questi materiali sono stati previsti prima di essere scoperti. E anche quando un materiale sembra promettente sulla carta, potrebbe rivelarsi impossibile da sintetizzare o da produrre su larga scala.
L’approccio del team SuperC cambia le regole del gioco. Invece di sottoporre ogni singola combinazione a calcoli quantistici complessi, si usa l’intelligenza artificiale come filtro iniziale, concentrando le risorse computazionali solo sui candidati con le probabilità più alte. Secondo Törmä, questo metodo potrebbe permettere di analizzare miliardi di materiali, portando la ricerca dei superconduttori a temperatura ambiente a un livello completamente nuovo. Non è ancora la soluzione definitiva, ma rappresenta un passo critico nella direzione giusta. E in un campo dove ogni piccolo progresso richiede anni di lavoro, avere uno strumento capace di moltiplicare le possibilità fa tutta la differenza del mondo.
