Nel laboratorio nazionale Argonne, negli Stati Uniti, è in corso un’importante trasformazione nella ricerca sulle batterie grazie all’integrazione tra due infrastrutture di punta: l’Advanced Photon Source (APS), recentemente potenziato, e il supercomputer Aurora. Questo accoppiamento tecnologico consente agli scienziati di eseguire esperimenti mentre una batteria carica/scarica con una risoluzione mai vista, e di analizzare enormi quantità di dati quasi in tempo reale. L’obiettivo è tagliare drasticamente i tempi di sviluppo di nuovi materiali, dall’ideazione fino alla verifica, mobilitando risorse che prima richiedevano mesi o anni.
Argonne combina APS e Aurora e ottiene un’accelerazione record per le nuove batterie
L’APS, grazie all’upgrade, ora produce fasci di raggi X fino a 500 volte più luminosi rispetto alla versione precedente. Questo migliora la capacità di “vedere dentro” le batterie mentre sono in uso. Si possono monitorare cambiamenti microscopici nella struttura degli elettrodi, individuare difetti che portano a deterioramento precoce, ed esplorare reazioni chimiche che si verificano solo durante il funzionamento.
Parallelamente, Aurora fornisce potenza di calcolo estrema con decine di migliaia di GPU a disposizione, permettendo analisi immediata dei dati prodotti dall’APS. È possibile applicare algoritmi di machine learning e intelligenza artificiale che riconoscono pattern, suggeriscono materiali alternativi, modellano prestazioni potenziali e ottimizzano la composizione chimica, tutto in una frazione del tempo che richiederebbero i metodi tradizionali.
Impatto e applicazioni concrete
Si ha innanzitutto una riduzione dei tempi, ciò che prima richiedeva progetti di ricerca pluriennali può ora ridursi a mesi o addirittura settimane. Inoltre, un miglioramento della durata e sicurezza complessiva grazie all’osservazione in tempo reale dei cambiamenti strutturali, quindi si potranno prevenire degradazioni o instabilità, ottenendo batterie che mantengono prestazioni elevate più a lungo. Si hanno anche costi più bassi nel lungo periodo, identificando materiali efficaci prima si riduce lo spreco sperimentale e si accelera la produzione. Infine, una minore dipendenza da materiali critici. La capacità di testare rapidamente molte varianti permette di esplorare combinazioni chimiche che evitano l’utilizzo di elementi rari o costosi.
Tuttavia, non è così semplice. Nonostante i progressi, serve massima efficienza nei flussi di lavoro tra gli esperimenti, accuratezza delle predizioni AI, gestione enorme dei dati (petabyte annui), e passaggi verso la produzione su scala industriale per tradurre i risultati di laboratorio in prodotti reali. Anche la calibrazione dei modelli predittivi è essenziale. Non basta che un materiale “funzioni bene in laboratorio”, deve farlo in condizioni variabili (temperature, cicli di carica/scarica, etc.). La strada è ancora lunga ma sicuramente promettente.
