Mattia Bartoli (IIT): “L’intelligenza artificiale taglia di 50 mila volte i tempi computazionali”

Mattia Bartoli, ricercatore dell’Istituto Italiano di Tecnologia (IIT), si occupa di utilizzo e stoccaggio di idrogeno in condizioni di sicurezza e poi di polimeri, in particolare dei polimeri impiegati nelle tecnologie dell’idrogeno. E nel suo lavoro si serve dell’intelligenza artificiale.

“Da più di tre anni ci occupiamo di creare portafogli e librerie di materiali polimerici per applicazioni nella tecnologia dell’idrogeno. L’idrogeno è un elemento leggerissimo, in natura praticamente non si trova e quando si trova è mescolato ad altri elementi, e risulta per ciò di difficile impiego. Quindi dobbiamo produrlo: in genere lo si produce per elettrolisi dall’acqua, in modo da avere idrogeno sostenibile”.

Qual è il ruolo delle plastiche in questo processo?

Nel cuore degli elettrolizzatori, tra i due elettrodi, c’è uno strato di materia plastica, la membrana, che permette il passaggio degli ioni.

Il problema è che ad oggi le materie plastiche delle membrane hanno un ciclo di vita e di produzione molto inquinante. Sono infatti composte da plastiche fluorurate: funzionano benissimo, però le nuove regolamentazioni europee sui PFAS stanno mettendo dei limiti all’impiego di questi materiali, che diventando anti-economici perché sono soggetti a tassazione addizionale. Vogliamo arrivare ad una filiera di produzione di materiali con le stesse performance di oggi, o anche migliori se siamo fortunati, per produrre idrogeno, però con polimeri che non contengano additivi come cloro o fluoro.

E per farlo vi servite anche dell’intelligenza artificiale generativa. Immagino non usiate Chat GPT.

No, ma il concetto è lo stesso: perché quello che fa Chat GPT è utilizzare degli input, le informazioni, e lavorare su quelli. Se proviamo ad immaginare un sistema come quello di un elettrolizzatore, dove piazzare un polimero nuovo, dobbiamo capire quello che succede proprio vicino al polimero. In quella che si chiama interfase, la regione di separazione tra liquido e polimero. Ora, quando si studia questa ‘regione’, anche con una tecnica di indagine spettroscopica, di fatto questa viene alterata. Un’intelligenza artificiale in quest’ambito ci permette di utilizzare dei modelli di simulazione per capire come le molecole si muovono in prossimità del polimero, dove l’acqua e i solventi non si comportano più come se fossero dei liquidi. Tramite simulazioni dinamica molecolare, l’AI ci fa vedere come le molecole si spostano da e verso le membrane.

Leggi anche lo speciale AI e circolarità

Chi ha scritto gli algoritmi dell’AI che impiegate?

Molti di questi sono open source, alcuni vengono scritti all’interno del nostro gruppo. Il gruppo del professor Giancarlo Cicero, docente del Dipartimento di Scienza Applicata e Tecnologia (DISAT) del Politecnico di Torino, con cui IIT collabora, si occupa esclusivamente di questo. Crea queste black box che sono complicatissime una volta che vanno a regime, con tanti nodi che si cambiano vicendevolmente informazioni. Hanno sostanzialmente un input e un output, ma l’output funziona da input per un altro nodo e alle volte può creare anche dei loop.

Quanto sono efficienti dal punto di vista della simulazione?

Ipotizziamo una simulazione per osservare come si comporta l’acqua che si avvicina ad una membrana per un nanosecondo di interazione: si passa da 55 mila giorni col calcolo computazionale (tanti calcoli fatti molto velocemente ma uno dopo l’altro) a un solo giorno. L’AI taglia insomma di 50 mila volte i tempi computazionali.

L’intelligenza artificiale in queste situazioni fa una cosa che fa il cervello umano, però con la velocità di un computer. Mentre un normale personal computer procede in maniera lineare, cioè fa tanti calcoli uno dopo l’altro molto velocemente, un’intelligenza artificiale (che sia basata su una rete neurale e addestrata con il deep learning) è invece in grado di svolgere tante operazioni tutte insieme e portare avanti tanti processi in parallelo, che si parlano tra loro. È appunto quello che fa un cervello umano. Un computer funziona molto bene facendo una cosa alla volta ma molto velocemente, ma non è capace di svolgere tanti processi in parallelo. L’intelligenza artificiale permette di farlo distribuendo il calcolo su tanti nodi: ogni nodo fa una cosa diversa e parla gli altri nodi.

Questo semplifica molto la vita a noi che inventiamo polimeri, perché ci dà già un’idea di cosa può funzionare e cosa no.

Leggi anche: Se l’intelligenza artificiale fa il tifo per il nucleare

Come allenate questa intelligenza artificiale, cosa le date in pasto?

Le diamo la struttura della membrana, con i parametri cristallini, le distanze, le forze. Poi vediamo cosa è in grado di tirare fuori.

Non dimentichiamo che il concetto di intelligenza artificiale è un po’ una scatola che contiene tante cose: quello di cui sto parlando sono algoritmi che si basano su reti neurali. Ci sono algoritmi di intelligenza artificiale più semplici, usati per valutare tanti dati tutti insieme e cercare soluzioni ottimali. In quei casi lì il sistema è più semplice, perché è un sistema che ha un output ciclico che processa grandi quantità di dati. Invece in un ambito come quello dell’economia a idrogeno, in cui ci sono tanti differenti possibili approcci, definire qual è il migliore diventa complicato.

Le faccio un esempio molto pratico. Se si spulcia la letteratura scientifica, quello che si trova sono decine di centinaia lavori di revisione, in cui si fa una catalogazione di quello che altri hanno scritto su un certo tema. Per lo scienziato è complesso capire, all’interno di centinaia di lavori, quello che effettivamente è il migliore, cosa si può prendere da quel lavoro.

Se però si riesce ad avere uno strumento che permette di fare anche solo una scrematura – e questo lo può fare anche chat GPT, che nelle versioni più recenti è in grado di estrarre i dati dalle tabelle degli articoli – e su quella poi lavorare, allora si riduce il numero di possibilità e si possono indirizzare meglio le risorse, che ovviamente non sono infinite. Una cosa è portare avanti una linea di ricerca che in un anno consuma milioni di euro, tra personale, infrastruttura, costi di gestione, e impiegarla su dieci differenti progetti, un’altra è invece concentrarla solo su due.

Avete già misurato i risultati di questo approccio?

Sul fronte scientifico i risultati sono preliminari. Dal punto di vista operativi invece sì, e sono evidenti nella scrittura dei progetti. Abbiamo visto che scrivendo senza l’utilizzo di tool di intelligenza artificiale, si va ‘a sentimento’, per istinto: si parte da un’idea, che si crede buona, e si cerca di sostenerla con quello che si riesce a trovare in letteratura. Se invece partendo anche da un’idea grezza si usano tool di intelligenza artificiale che scremano e indirizzano verso una linea piuttosto che un’altra, questo permette di tagliare i tempi e ottimizzare l’idea di partenza in una misura che non pensavo fosse possibile. Non parlo di una Chat GPT, ma delle intelligenze artificiali che sono integrate ad esempio in portali di ricerca scientifici, come ad esempio SciFinder. SciFinder ti permette di creare delle mappe concettuali con pochissimi input, basandosi su tutta la letteratura disponibile. In fase di messa a punto di un progetto il vantaggio è palpabile: riusciamo a lavorare meglio e di più.

Il limite è che questo approccio è parziale. È parziale nella misura in cui il tool di intelligenza artificiale tralascia dei risultati: perché non sempre si orienta nella disomogeneità con cui ci si riferisce agli stessi concetti. Negli articoli scientifici questo può essere un problema. Ce ne siamo accorti di recente: dopo aver fatto una buona ricerca ci siamo imbattuti per caso in un lavoro che non era stato trovato dall’AI, ma che riportava procedure simili chiamandole però in un modo diverso. È quello che Raymond Kurzweil indicava come il problema del linguaggio sulle AI.

Leggi anche: Francesco Loreto, parla l’esperto di intelligenza artificiale: così rivoluzionerà l’agrifood

Dunque a differenza delle simulazioni fatte per gli elettrolizzatori, in questo caso non c’è la possibilità di verifica della bontà del lavoro, se non un riscontro casuale come questo di cui mi ha detto

Esatto, il riscontro è casuale, e questo è uno delle cose che preoccupa di più dell’uso di questi strumenti. Perciò siamo ancora un po’ restii. E perciò ci siamo dati delle regole.

L’utilizzo di questi strumenti per noi è molto, molto utile, ma è giusto che l’AI venga adoperata con cautela, anche per quanto concerne la scrittura degli articoli e la generazione dei contenuti.

Anche altri istituti di ricerca hanno stabilito delle regole, immagino

Certo. Pensi che quando si sottopone un articolo scientifico su una rivista con revisione paritaria, da un anno a questa parte c’è una sezione dedicata all’utilizzo degli strumenti d’intelligenza artificiale. Si possono utilizzare, nessuno lo vieta, ma l’utilizzo va dichiarato.

Per diverse ragioni. La prima è che in linea di principio io potrei far scrivere un intero articolo scientifico a un’intelligenza artificiale. Interamente, senza che io faccia niente. Scrivere un’equazione a caso, chiedere a Chat GPT o Gemini di svolgere un lavoro, copiarlo e incollarlo. Qual è lo scienziato che durante il processo di revisione paritaria esegue di nuovo gli esperimenti?

Il secondo punto riguarda le immagini. Io posso prendere l’immagine di una caratterizzazione microscopica di materiale X, modificarla facendo un lavoro di alto livello con l’intelligenza artificiale e raccontare che quello è il materiale Y. Chi se ne accorgerebbe?

Il terzo motivo è un motivo etico. Io, scienziato, devo essere responsabile di quello che pubblico. Quello che è pubblico deve essere frutto del mio lavoro e del lavoro del mio team di ricerca.

Per tutti questi motivi l’uso dell’intelligenza artificiale è stato regolamentato da subito. È stato un po’ come le biotecnologie a fine anni Ottanta o le tecnologie genetiche a metà anni Novanta: qualcosa che ha possibilità infinite in cui da subito la comunità scientifica mette dei paletti, perché governare lo strumento.

Leggi anche: L’intelligenza artificiale può rivoluzionare l’urban mining

© Riproduzione riservata