Questa IA americana potrebbe trovare in poche ore le leghe capaci di sopravvivere alla fusione nucleare

Passare da diversi mesi di ricerca a poche ore per identificare una lega capace di sopravvivere in un reattore a fusione, è la promessa di DuctGPT, un nuovo strumento sviluppato all’Ames National Laboratory negli Stati Uniti.

Il software combina un approccio di intelligenza artificiale e modelli basati sulla fisica per accelerare una fase spesso lenta, lo screening delle composizioni metalliche che resistono al calore, alle radiazioni e alle sollecitazioni meccaniche. Il tema non è di poco conto, le pareti interne di un sistema di fusione devono sopportare condizioni estreme pur restando producibili su scala industriale. DuctGPT si inserisce in una dinamica più ampia del Dipartimento dell’Energia americano che mira ad accorciare il ciclo idea, test, distribuzione dei materiali avanzati. E sì, sulla carta può cambiare la cadenza, ma non la realtà fisica: una lega calcolata resta da produrre, da testare, poi da qualificare.

Ames National Laboratory adatta AtomGPT per creare DuctGPT

Il punto di partenza è AtomGPT, un modello inizialmente sviluppato dal NIST. Il team di Ames ha modificato e affinato questo strumento per orientarlo verso le esigenze molto specifiche dei materiali per la fusione. L’idea è semplice da enunciare e complicata da eseguire: collegare dati di scienza dei materiali a predizioni utili sul comportamento di leghe sottoposte ad ambienti che cumulano alte temperature, irraggiamento e sforzi meccanici.

Ciò che distingue DuctGPT è l’accoppiamento tra IA e modellazione fisica. Non si parla di un chatbot che inventa una ricetta di metallo, ma di un sistema che esplora uno spazio di composizioni a partire da vincoli richiesti dai ricercatori. Concretamente, può analizzare un gran numero di combinazioni di elementi in pochi secondi, poi proporre candidati che corrispondono ai parametri fissati.

Altro aspetto messo in evidenza, l’interfaccia conversazionale. I ricercatori pongono domande in linguaggio corrente, descrivono un obiettivo, poi lo strumento restituisce composizioni possibili. Questo formato punta a ridurre l’attrito tra l’intuizione di un metallurgista e l’esecuzione informatica. Ma c’è una sfumatura da tenere a mente, l’ergonomia non sostituisce la validazione sperimentale, e il rischio, se lo si dimentica, è di confondere la velocità di selezione con la prova di prestazioni in condizioni reali.

DuctGPT punta alla duttilità e alla resistenza del tungsteno

Nei reattori a fusione, il tungsteno è spesso citato per la sua solidità e per il suo altissimo punto di fusione. Il suo problema maggiore è più concreto, la sua scarsa duttilità a bassa temperatura, che lo rende difficile da formare in pezzi complessi. Eppure, un materiale perfetto sulla carta ma impossibile da fabbricare in modo pulito finisce raramente in una macchina operativa.

Il ricercatore Singh, citato dal laboratorio, riassume la posta in gioco, conservare le qualità del tungsteno migliorando al contempo la sua lavorabilità. DuctGPT permette di interrogare uno spazio di composizioni, ad esempio famiglie del tipo tungsteno-titanio-zirconio-afnio, per individuare leghe che conservino la resistenza e la tenuta in temperatura, guadagnando in duttilità. È un approccio di esplorazione guidata, più rapido di iterazioni manuali.

Un punto molto concreto è messo in evidenza: queste query possono girare su un computer da scrivania, senza ricorrere a calcoli costosi su supercomputer. Ed è qui che il guadagno di tempo si materializza, il laboratorio parla di un passaggio da diversi mesi a giorni, o addirittura a poche ore. Ma attenzione, questa cifra descrive la fase di scoperta e preselezione, non la campagna di test, che resta lunga non appena si entra nella qualifica.

ARPA-E CHADWICK e la missione Genesis spingono l’accelerazione

Il progetto è supportato dal programma ARPA-E CHADWICK, con investimenti interni del laboratorio. Si allinea anche con la missione Genesis del Dipartimento dell’Energia, che mira ad accelerare la scoperta e la diffusione di materiali avanzati per l’energia. Dietro questi nomi c’è una logica industriale: ridurre il tempo tra la ricerca fondamentale e componenti utilizzabili in sistemi energetici.

Questa accelerazione dei materiali si ritrova in altri annunci recenti sulla fusione, in particolare l’ascesa di attori privati. Un esempio notevole è la partnership tra Inertia Enterprises e Lawrence Livermore National Laboratory, annunciata come un modo per ridurre il tempo necessario alle innovazioni verso una centrale commerciale. In questo panorama, DuctGPT gioca un ruolo più discreto ma centrale: senza materiali adatti, niente macchina duratura.

La conseguenza attesa è una migliore cadenza di selezione delle leghe candidate, quindi più piste testate a parità di budget. Ma occorre tenere a mente una critica, lo strumento dipende da dati e da modelli, se lo spazio di addestramento non copre alcuni comportamenti sotto irraggiamento o in fatica termica, le predizioni possono essere troppo ottimistiche. La fusione ha già visto passare promesse rapide, la differenza si farà sulla ripetibilità dei risultati e sulla capacità di trasformare questi candidati in pezzi installabili.