Capire come si muove l'idrogeno con l’IA: un passo avanti per l’energia sostenibile

L’idrogeno è da tempo considerato una possibile fonte energetica pulita, ma uno dei problemi principali per il suo utilizzo su larga scala è quello dello stoccaggio. Tra le diverse soluzioni proposte, una delle più promettenti è l’utilizzo del magnesio, attraverso la creazione di idruro di magnesio. Restano però problemi nella comprensione del comportamento dell’idrogeno all’interno di questo materiale.

Per fare luce su questo tema, un gruppo internazionale di ricerca è riuscito a sviluppare un sistema di machine learning grazie al quale è possibile ricostruire nel dettaglio le proprietà cinetiche dell’idrogeno all’interno del magnesio a diverse temperature. I risultati sono stati pubblicati sulla rivista npj Computational Materials.

“Il modello che abbiamo messo a punto è in grado di predire in modo accurato il comportamento dell’idrogeno al variare della temperatura e ci permette quindi di fare chiarezza su aspetti di queste dinamiche ancora poco compresi”, spiega Cesare Franchini, professore al Dipartimento di Fisica e Astronomia "Augusto Righi" dell’Università di Bologna, che ha coordinato lo studio. “Questo risultato sottolinea anche lo straordinario impatto dei sistemi di machine learning nel campo delle scienze dei materiali, soprattutto per indagare dinamiche complesse che fino ad oggi era molto difficile esplorare solo con metodi sperimentali”.

Nonostante l'idrogeno sia una valida alternativa ai combustibili fossili, abbondante e a zero emissioni di anidride carbonica, manca ancora un sistema sostenibile, efficiente e sicuro per il suo stoccaggio e trasporto. L'utilizzo del magnesio potrebbe essere una buona soluzione: l’idruro di magnesio è una sostanza molto sicura e può essere immagazzinata senza rischi. Il problema è che sappiamo però ancora poco di come si comporta l'idrogeno all'interno di un materiale solido come il magnesio ed è quindi difficile riuscire a prevederne le dinamiche.

Per superare questo ostacolo, gli studiosi hanno implementato un sistema di apprendimento attivo, addestrato in tempo reale attraverso una serie di simulazioni del comportamento dell'idruro di magnesio in condizioni e temperature diverse. È nato così un modello basato su reti neurali capace di raggiungere un equilibrio eccezionale tra efficienza computazionale e accuratezza predittiva.

“È un progresso importante, non solo per conoscere meglio le dinamiche dell’idrogeno all’interno del magnesio, ma anche per aprire la strada a soluzioni future di stoccaggio con altre tipologie e combinazioni di materiali”, sottolinea Franchini. “Sistemi di machine learning come questo, in grado di modellare con precisione il comportamento dell’idrogeno, possono offrire contributi fondamentali per la transizione ambientale e per dare vita a un futuro basato sull’energia sostenibile”.

Lo studio è stato pubblicato su npj Computational Materials con il titolo “Hydrogen diffusion in magnesium using machine learning potentials: a comparative study”. Per l’Università di Bologna hanno partecipato Cesare Franchini, Luca Leoni e Luca Pasquini del Dipartimento di Fisica e Astronomia "Augusto Righi".