DiffSyn: dall’ idea alla sintesi Il nuovo modello, DiffSyn, è stato addestrato su oltre 23.000 ricette di sintesi di materiali estratte da più di cinquant’ anni di letteratura scientifica. Utilizzando una tecnica nota come modello di diffusione( simile a quella usata dai generatori di immagini AI come DALL · E), il sistema impara a trasformare“ rumore” casuale in percorsi di sintesi significativi: in altre parole, genera proposte plausibili per combinazioni di temperatura, tempi di reazione e proporzioni dei componenti necessari per ottenere un materiale desiderato. Quando uno scienziato inserisce la struttura di un materiale che vorrebbe ottenere, DiffSyn restituisce una serie di possibili percorsi di sintesi. Questo rappresenta un enorme passo avanti rispetto ai modelli precedenti, che spesso fornivano un’ unica ricetta possibile senza considerare l’ esistenza di alternative altrettanto valide.
Un’ analogia semplice: dalla torta al materiale Il team di ricerca usa spesso un paragone culinario per spiegare il funzionamento del sistema: sapere come dovrebbe essere una torta finita è utile, ma senza alcuna indicazione su come cuocerla, è difficile realizzarla. DiffSyn fa esattamente questo: ti dice come cuocere la torta, ovvero come sintetizzare il materiale desiderato, proponendo percorsi multipli e valutabili.
IL NUOVO MODELLO DIFFSYN È STATO ADDESTRATO SU OLTRE 23.000 RICETTE DI SINTESI DI MATERIALI
Risultati concreti con le zeoliti Per testare il modello, i ricercatori hanno applicato DiffSyn alla sintesi di zeoliti— una classe di materiali complessa che richiede spesso giorni o settimane per cristallizzare. Seguendo i percorsi suggeriti dall’ IA, il team è riuscito a sintetizzare un nuovo materiale zeolitico con maggiore stabilità termica rispetto a quanto raggiunto finora. Questo non solo dimostra l’ efficacia del metodo, ma apre anche la strada a un utilizzo più efficiente dei dati e delle competenze umane nella ricerca di materiali avanzati.
Verso un futuro di scoperta accelerata I ricercatori pensano che, con dati di alta qualità e modelli adeguati, l’ approccio ideato per le zeoliti potrà essere esteso ad altre famiglie di materiali, come compositi organicoinorganici o solidi inorganici con molteplici vie di sintesi possibili. L’ obiettivo finale è integrare questi sistemi intelligenti con piattaforme sperimentali autonome, creando cicli di progettazione-sintesi-test in grado di accelerare drasticamente la scoperta di materiali utili per applicazioni tecnologiche, energetiche e ambientali.
WWW. PLASTMAGAZINE. IT 3 ~ 3 | 2026 RIVISTA DELLE MATERIE PLASTICHE 81