NTT DATA e università italiane: lIA accelera di 20 volte la ricerca sulla cattura della CO₂

L'intelligenza artificiale si conferma una tecnologia abilitante fondamentale per la transizione energetica e la sostenibilità industriale. NTT DATA, colosso mondiale nei servizi tecnologici e nel business digitale, ha annunciato lo sviluppo di un framework di intelligenza artificiale capace di accelerare fino a 20 volte la scoperta di catalizzatori per la cattura e la conversione dell'anidride carbonica ($CO_2$). La ricerca è stata condotta in stretta sinergia scientifica con l'Università di Palermo e l'Università di Catanzaro, offrendo una risposta concreta a una delle sfide ingegneristiche più complesse per la decarbonizzazione dei comparti industriali ad alta intensità di emissioni. Il progetto, che ha ricevuto i finanziamenti dallo Spoke 7 del Centro Nazionale di Ricerca in HPC, Big Data e Quantum Computing (ICSC), si inserisce nel campo d'avanguardia della "material informatics" (l'informatica dei materiali). Questa disciplina combina la chimica computazionale avanzata con algoritmi di machine learning per trasformare la ricerca e sviluppo da un processo basato sull'intuizione e su infiniti tentativi di laboratorio a un flusso di lavoro predittivo, guidato interamente dai dati. Il sistema ha permesso di effettuare lo screening sistematico di milioni di candidati molecolari, esplorando spazi chimici vastissimi la cui analisi manuale sarebbe risultata impossibile o richiederebbe decenni di lavoro. Grazie all'infrastruttura di calcolo e ai modelli predittivi messi in campo, i ricercatori hanno individuato una nuova classe di catalizzatori omogenei a base di sali metallici. Tra le combinazioni testate, i sistemi a base di manganese hanno mostrato il potenziale più elevato, garantendo un'efficace conversione chimica della $CO_2$ unita a un rilascio stabile del prodotto finale. Dal punto di vista tecnico, NTT DATA ha curato la progettazione del framework strutturando un database proprietario per le proprietà chimiche, sviluppando descrittori in grado di rendere le strutture molecolari leggibili dai computer e ottimizzando modelli di deep learning e di intelligenza artificiale generativa per decodificare le relazioni intercorrenti tra la struttura della materia e le sue proprietà chimico-fisiche. I partner accademici hanno garantito il rigore scientifico dei metodi applicati e la successiva validazione e certificazione dei modelli digitali. Come evidenziato dai promotori della ricerca, questo approccio non è confinato alla sola gestione della $CO_2$: la metodologia rappresenta un modello industriale replicabile in qualsiasi settore ad alta intensità di ricerca e sviluppo, dal farmaceutico alla chimica fine, fino alla progettazione di materiali avanzati. L'adozione di queste piattaforme di intelligenza artificiale consente alle aziende di comprimere drasticamente il time-to-market dei nuovi prodotti, minimizzando i costi e i rischi associati alla sperimentazione fisica e allineando i target di sostenibilità ambientale alle performance produttive dei siti industriali.