Sintesi del progetto
HPCvsCO₂ intende fornire risposte all’esigenza globale di ridurre le emissioni di CO₂ sviluppando tecnologie avanzate per la cattura e la conversione del principale gas serra. Il progetto combina calcolo ad alte prestazioni, chimica quantistica e machine learning per accelerare la scoperta di materiali catalitici ad alte prestazioni. Questa integrazione permette di superare i limiti dei metodi tradizionali, troppo lenti e costosi per esplorare in modo efficiente il vasto spazio chimico dei potenziali catalizzatori.
Obiettivi
L’obiettivo del progetto è ridurre i tempi di sviluppo dei materiali per la conversione catalitica della CO₂, rendendo possibile un ciclo di scoperta più rapido, sostenibile e replicabile. La combinazione di dataset generati da chimica quantistica e modelli di Machine Learning predittivi consente di identificare con maggiore rapidità molecole promettenti, mentre l’AI generativa apre la strada alla creazione di strutture completamente nuove.
Problemi e necessità
La mitigazione del cambiamento climatico richiede tecnologie di cattura e conversione della CO₂ altamente efficienti, ma la ricerca di nuovi catalizzatori è ostacolata dall’enorme costo computazionale delle simulazioni molecolari. Inoltre, la riproducibilità e la scalabilità delle soluzioni dipendono dalla capacità di integrare correttamente HPC, gestione dei dati e algoritmi di apprendimento automatico.
Soluzioni sviluppate
Il progetto ha prodotto un nuovo dataset di composti con proprietà catalitiche (metal-salen) generato tramite metodi di chimica quantistica, colmando un vuoto nella letteratura e abilitando la costruzione di modelli ML in grado di prevedere rapidamente proprietà chimiche rilevanti. Parallelamente è stato avviato lo sviluppo di modelli generativi per esplorare nuove molecole con possibili caratteristiche catalitiche.
Impatti
I metodi sviluppati consentono di accelerare il ciclo di scoperta dei materiali, contribuendo allo sviluppo di processi industriali più puliti e meno energivori. Le tecnologie derivate possono aprire nuove vie per la neutralità carbonica, facilitare la ricerca di materiali avanzati e mettere a disposizione della comunità scientifica workflow documentati e riutilizzabili.
Settori di applicazione
I risultati prodotti sono direttamente applicabili a Industria energetica, Chimica e Scienza dei materiali, aziende che sviluppano tecnologie green e laboratori che adottano AI per la progettazione di nuovi materiali. Il workflow è replicabile anche in ambiti non correlati alla CO₂, come la ricerca di materiali funzionali, batterie avanzate e catalizzatori multiscopo.
