NTT DATA, in collaborazione con l’Università di Palermo e l’Università Magna Graecia di Catanzaro, ha sviluppato un framework di intelligenza artificiale dedicato alla scoperta di nuovi catalizzatori per la conversione della CO2. Il progetto si inserisce nel contesto della ricerca sui materiali avanzati e punta a ridurre i tempi necessari per individuare composti chimici adatti ai processi industriali legati alla decarbonizzazione.

L’iniziativa è stata finanziata dallo Spoke 7 del Centro Nazionale di Ricerca in HPC, Big Data e Quantum Computing (ICSC) e si concentra sull’utilizzo della cosiddetta “material informatics”, disciplina che integra analisi dei dati, machine learning e chimica computazionale per accelerare la progettazione di nuovi materiali. Secondo quanto comunicato dai partner coinvolti, il framework avrebbe consentito di aumentare di circa venti volte la velocità di scoperta dei catalizzatori rispetto agli approcci tradizionali.

La ricerca affronta uno dei temi centrali della transizione energetica e industriale: la conversione dell’anidride carbonica in sostanze riutilizzabili nei processi produttivi. In questo ambito, il ruolo dei catalizzatori è fondamentale perché consente di migliorare l’efficienza delle reazioni chimiche e di ridurre il consumo energetico necessario alla trasformazione della CO2. Il framework sviluppato combina diverse tecnologie di intelligenza artificiale con strumenti di simulazione chimica avanzata. Il sistema è stato progettato per analizzare grandi quantità di dati molecolari, esplorando spazi chimici molto estesi che sarebbero difficilmente gestibili attraverso attività di laboratorio o simulazioni convenzionali. L’obiettivo è trasformare la ricerca sui materiali in un processo maggiormente predittivo e automatizzato, riducendo la dipendenza da procedure sperimentali iterative.

NTT DATA ha curato la componente tecnologica del progetto, realizzando un database dedicato alle proprietà chimiche dei materiali e sviluppando algoritmi in grado di convertire le strutture molecolari in descrittori interpretabili dai modelli di intelligenza artificiale. Il framework utilizza sia tecniche di deep learning sia modelli di intelligenza artificiale generativa per individuare correlazioni tra struttura molecolare e proprietà chimico-fisiche. Attraverso questo approccio, il sistema ha esaminato milioni di potenziali candidati molecolari, identificando una nuova classe di catalizzatori omogenei basati su sali metallici. In particolare, i composti a base di manganese sono emersi come elementi con caratteristiche interessanti per la conversione della CO2, grazie alla loro capacità di favorire una trasformazione efficiente e stabile del prodotto finale.

Il progetto rappresenta anche un esempio di applicazione industriale dell’informatica dei materiali, disciplina che negli ultimi anni ha assunto un ruolo crescente nei settori ad alta intensità di ricerca e sviluppo. L’idea alla base di questo approccio è utilizzare dati, modelli predittivi e capacità computazionale per abbreviare il ciclo di sviluppo di nuovi materiali e nuove formulazioni chimiche. Secondo quanto spiegato dai promotori dell’iniziativa, la metodologia potrebbe essere estesa ad altri ambiti industriali oltre alla conversione della CO2. Tra i settori potenzialmente interessati figurano l’energia, la chimica industriale, il farmaceutico e la progettazione di materiali avanzati. In questi contesti, la possibilità di individuare rapidamente nuove combinazioni molecolari può avere implicazioni sia economiche sia operative, soprattutto in attività dove i tempi di ricerca e validazione risultano particolarmente lunghi.

Antonio Policicchio, responsabile Quantum Computing e Material Informatics di NTT DATA Italia, ha evidenziato come il framework sia stato progettato per supportare flussi di lavoro industriali nell’ambito dell’informatica dei materiali, con l’obiettivo di rendere più rapido il processo di innovazione e favorire una maggiore competitività industriale. L’iniziativa rappresenta un esempio di collaborazione tra pubblico e privato finalizzata allo sviluppo di tecnologie deep tech con possibili applicazioni industriali, in particolare nell’ambito della cattura e conversione della CO₂.