Documento originale: comunicato stampa scientifico di EurekAlert
Pubblicazione scientifica peer reviewed
Un gruppo di ricercatori giapponesi ha sviluppato un metodo per comprendere come l’intelligenza artificiale colleghi la struttura atomica dei materiali alle loro proprietà ottiche. La ricerca potrebbe accelerare la progettazione di celle solari, fotodetettori, pigmenti e altri materiali avanzati.
L’intelligenza artificiale applicata alla scienza dei materiali compie un passo verso una maggiore trasparenza. Lo studio, pubblicato il 15 giugno 2026 su Advanced Intelligent Discovery, propone infatti una tecnica capace di estrarre e organizzare le informazioni apprese dalle reti neurali.
La ricerca è stata condotta da Akira Takahashi, Yu Kumagai, Arata Takamatsu e Fumiyasu Oba, appartenenti all’Institute of Science Tokyo, alla Tohoku University e al centro KISTEC. Il gruppo ha utilizzato ALIGNN, una rete neurale a grafo progettata per rappresentare atomi, legami e angoli di legame.
Il modello è stato addestrato sui dati ottenuti da calcoli di primo principio relativi a 2.681 ossidi metallici, calcogenuri e composti affini. Successivamente, i ricercatori hanno estratto le caratteristiche interne apprese dall’algoritmo e applicato un sistema di clustering gerarchico.
L’analisi ha permesso di riunire materiali accomunati sia dalla composizione e dall’organizzazione atomica sia dalla forma degli spettri di assorbimento. Il modello avrebbe riconosciuto autonomamente relazioni riguardanti coordinazione atomica, lunghezze e angoli dei legami, pur senza ricevere direttamente stati di ossidazione o configurazioni elettroniche.
Il risultato non equivale ancora alla scoperta sperimentale di nuovi materiali. Offre però uno strumento per trasformare le previsioni delle cosiddette “scatole nere” in indicazioni fisiche e chimiche verificabili. Il metodo potrebbe essere esteso a proprietà influenzate da temperatura e pressione, ma richiederà ulteriori validazioni su dati sperimentali e famiglie di materiali più ampie.
Cronologia e approfondimenti
- 2021: viene presentata l’architettura ALIGNN per includere distanze e angoli atomici nelle previsioni. Nature
- Ottobre 2025: una versione preliminare dello studio viene depositata su arXiv.
- 15 giugno 2026: pubblicazione peer reviewed su Advanced Intelligent Discovery.
- Approfondimento istituzionale: Science Tokyo.
Abstract etico-sociale
Il metodo promette maggiore comprensibilità, controllo scientifico e progettazione mirata. Restano i rischi di errori nei dati, correlazioni scambiate per cause fisiche e fiducia eccessiva nell’automazione. In futuro, l’IA interpretabile potrebbe rafforzare la collaborazione tra ricercatori e algoritmi, purché le previsioni siano accompagnate da validazione sperimentale, documentazione e supervisione umana.
