NTT DATA porta l’intelligenza artificiale dentro una delle aree più complesse della ricerca industriale: la scoperta di nuovi catalizzatori per la cattura e la conversione della CO₂. Il progetto, sviluppato in collaborazione con l’Università di Palermo e l’Università di Catanzaro, dimostra come l’AI possa accelerare fino a 20 volte l’individuazione di materiali promettenti, trasformando un processo tradizionalmente lungo, costoso e ad alta incertezza in un flusso di lavoro predittivo, scalabile e ripetibile.
Il tema è rilevante perché la decarbonizzazione dei processi industriali non dipende solo dalla riduzione delle emissioni, ma anche dalla capacità di catturare, convertire e riutilizzare la CO₂ in modo efficiente. In questo scenario, la ricerca sui catalizzatori diventa un passaggio decisivo: servono materiali capaci di favorire reazioni chimiche complesse, con prestazioni adeguate, stabilità e potenziale applicabilità industriale.
L’approccio sviluppato da NTT DATA e dai partner accademici si inserisce nel campo della material informatics, cioè l’uso combinato di dati, modelli computazionali e algoritmi di intelligenza artificiale per accelerare la scoperta di nuovi materiali. Non si tratta di sostituire la chimica sperimentale, ma di ridurre drasticamente lo spazio delle ipotesi da verificare, selezionando in anticipo i candidati più promettenti.
Intelligenza artificiale per la cattura della CO₂, dalla ricerca lenta allo screening predittivo
La scoperta di nuovi catalizzatori è tradizionalmente un processo ad alta intensità di tempo e risorse. La complessità nasce dalla quantità enorme di combinazioni molecolari possibili, dalla necessità di valutare molte proprietà chimico-fisiche e dal fatto che non tutti i materiali teoricamente interessanti si rivelano poi adatti all’uso industriale.
Il framework di intelligenza artificiale sviluppato da NTT DATA interviene proprio su questo collo di bottiglia. Il sistema combina database di proprietà chimiche, feature engineering, modelli di deep learning e intelligenza artificiale generativa per esplorare in modo sistematico spazi chimici molto estesi. In pratica, le strutture molecolari vengono trasformate in descrittori leggibili da computer, così da permettere agli algoritmi di apprendere relazioni tra struttura e proprietà.
Questo consente di analizzare milioni di candidati molecolari e di identificare quelli con maggiore probabilità di successo. Il vantaggio non è solo quantitativo. L’AI permette di rendere il processo più predittivo e meno dipendente dall’intuizione iniziale del ricercatore, pur mantenendo il ruolo centrale della validazione scientifica.
Il risultato indicato dal progetto è significativo: l’accelerazione della scoperta di catalizzatori fino a 20 volte. In un settore in cui i cicli di ricerca e sviluppo possono richiedere anni, una riduzione di questa portata ha implicazioni dirette su costi, tempi di industrializzazione e competitività.
Material informatics e catalizzatori a base di manganese
La ricerca ha individuato una nuova classe di catalizzatori omogenei a base di sali metallici, con particolare attenzione ai sistemi a base di manganese. Questi materiali hanno mostrato un forte potenziale per una conversione efficiente della CO₂ e per un rilascio stabile del prodotto.
Il manganese è interessante anche perché rientra in una logica di maggiore sostenibilità rispetto a materiali più rari o costosi. La possibilità di individuare catalizzatori più accessibili, efficienti e potenzialmente scalabili è un elemento chiave per avvicinare la ricerca sulla conversione della CO₂ a scenari industriali realistici.
La componente di chimica computazionale è stata determinante. L’integrazione tra machine learning e simulazioni atomistiche ha permesso di individuare i parametri più rilevanti per ottenere catalizzatori più efficienti. In altri termini, l’AI non si limita a classificare molecole già note, ma contribuisce a orientare la ricerca verso combinazioni con proprietà più promettenti.
Antonio Policicchio, responsabile del settore Quantum Computing e Informatica dei Materiali presso NTT DATA Italia, ha spiegato: “Abbiamo sviluppato un framework di intelligenza artificiale per supportare i flussi di lavoro dell’informatica dei materiali a livello industriale. Questo approccio accelera l’innovazione sostenibile e rafforza la competitività industriale.”
Il ruolo delle università e il ponte tra ricerca e industria
Il progetto nasce da una collaborazione italiana che coinvolge NTT DATA, Università di Palermo e Università di Catanzaro, con il finanziamento dello Spoke 7 del Centro Nazionale di Ricerca in HPC, Big Data e Quantum Computing, ICSC. Il contesto è quello della ricerca avanzata sui materiali e sulle scienze molecolari, con l’obiettivo di portare tecnologie deep tech verso applicazioni industriali concrete.
I partner accademici hanno contribuito con competenze nella chimica computazionale, nella definizione dei metodi scientifici e nella validazione dei modelli. È un punto essenziale, perché l’uso dell’AI nella ricerca sui materiali richiede rigore: i modelli devono essere addestrati correttamente, i descrittori devono avere significato chimico e i risultati devono restare interpretabili e verificabili.
Adriana Pietropaolo dell’Università di Catanzaro ha sottolineato: “Integrando machine learning e simulazioni atomistiche, abbiamo individuato i parametri chiave necessari per ottenere catalizzatori più efficienti.”
Il professor Giampaolo Barone dell’Università di Palermo ha aggiunto: “Questa collaborazione fa da ponte tra l’eccellenza accademica e le esigenze dell’industria, dando slancio all’innovazione globale dal Sud Italia.”
La dimensione territoriale non è marginale. Il progetto mostra come competenze scientifiche e tecnologiche sviluppate in Italia possano contribuire a filiere di innovazione su temi globali, dalla sostenibilità industriale alla chimica avanzata, fino al calcolo ad alte prestazioni.
Dalla CO₂ ai materiali avanzati, un modello replicabile
Il valore del framework non riguarda solo la cattura e la conversione della CO₂. La metodologia può essere replicata in molti settori ad alta intensità di ricerca e sviluppo: energia, chimica, farmaceutica, materiali avanzati e processi industriali complessi.
Il punto è trasformare la ricerca sui materiali in una pipeline più efficiente. Invece di procedere con cicli lunghi basati su selezioni manuali, tentativi successivi e validazioni estese, l’AI permette di restringere il campo, prevedere comportamenti, ridurre il rischio di sviluppo e accelerare il time-to-market.
Per le imprese, questo significa poter collegare più direttamente innovazione scientifica, sostenibilità e performance industriale. Nel caso della CO₂, la promessa è individuare catalizzatori migliori per processi più efficienti. In altri ambiti, lo stesso approccio può aiutare a scoprire materiali per batterie, semiconduttori, farmaci, polimeri, superfici funzionali o tecnologie energetiche.
La material informatics diventa così un’infrastruttura metodologica. Non è un singolo progetto isolato, ma un modo diverso di organizzare la ricerca: più data-driven, più predittivo, più vicino alle esigenze industriali e meno dipendente da cicli sperimentali puramente sequenziali.
HPC, Big Data e Quantum Computing come base per l’innovazione sostenibile
Il coinvolgimento del Centro Nazionale di Ricerca in HPC, Big Data e Quantum Computing colloca il progetto in un contesto più ampio. La scoperta di materiali richiede capacità computazionale, gestione di grandi quantità di dati, modelli avanzati e competenze multidisciplinari. L’intelligenza artificiale è il motore analitico, ma ha bisogno di infrastrutture e conoscenze specialistiche per generare valore reale.
Stefano Fabris, responsabile dello Spoke 7 del Centro Nazionale ICSC e Direttore del Dipartimento di Scienze Fisiche del Consiglio Nazionale delle Ricerche, ha commentato: “Il progetto dimostra come l’ICSC sia in grado di riunire competenze del settore pubblico e privato per sviluppare soluzioni deep tech con un impatto industriale concreto. Esso riflette perfettamente la missione dello Spoke 7, applicando la ricerca sui materiali avanzati a sfide strategiche quali la cattura e la conversione della CO₂.”
La direzione è chiara: usare AI, calcolo avanzato e ricerca sui materiali per affrontare problemi industriali reali. La cattura e conversione della CO₂ è uno dei casi più urgenti, perché tocca direttamente la transizione energetica e la riduzione dell’impatto ambientale dei processi produttivi.
NTT DATA spinge l’AI oltre l’automazione aziendale
Il progetto rafforza anche il posizionamento di NTT DATA nell’intelligenza artificiale applicata non solo ai processi aziendali, ma alla ricerca scientifica e industriale. L’azienda ha progettato e implementato il framework AI, sviluppando il database delle proprietà chimiche, gli algoritmi di conversione delle strutture molecolari in descrittori computazionali e i modelli di deep learning e AI generativa.
È un campo diverso rispetto agli usi più visibili dell’intelligenza artificiale generativa, spesso concentrati su produttività, assistenti virtuali o automazione dei processi. Qui l’AI viene applicata alla scoperta scientifica, con l’obiettivo di produrre risultati misurabili su materiali, reazioni e processi industriali.
Questo spostamento è importante. La fase più matura dell’AI enterprise non sarà definita solo dalla capacità di generare testi, codice o immagini, ma dalla possibilità di accelerare ricerca, ingegneria, progettazione e innovazione di prodotto. La material informatics va esattamente in questa direzione: meno visibile al grande pubblico, ma potenzialmente molto più incisiva sul piano industriale.
NTT DATA, che opera nei servizi tecnologici e digitali e investe anche in AI, cloud, sicurezza, connettività, data center e servizi applicativi, colloca così il progetto in una strategia più ampia di innovazione responsabile. In Italia, dove l’azienda conta oltre 6.000 dipendenti distribuiti in diverse sedi, la collaborazione con università e centri di ricerca conferma il ruolo crescente degli ecosistemi locali nello sviluppo di tecnologie deep tech.
La decarbonizzazione passa anche dalla velocità della ricerca
La cattura e conversione della CO₂ è una delle sfide più difficili della decarbonizzazione industriale. Non basta avere obiettivi ambientali: servono tecnologie efficienti, materiali adeguati, processi sostenibili e modelli economici praticabili. Accelerare la scoperta dei catalizzatori significa incidere su uno dei livelli fondamentali di questa catena.
Il contributo dell’intelligenza artificiale sta nella capacità di rendere più rapido e selettivo il percorso di ricerca. Analizzare milioni di candidati molecolari, individuare pattern, prevedere proprietà e orientare le verifiche sperimentali può ridurre tempi e costi, aumentando la probabilità di arrivare a soluzioni utilizzabili.
Il progetto di NTT DATA con Università di Palermo e Università di Catanzaro mostra quindi un’applicazione concreta dell’AI alla sostenibilità industriale. Non una promessa generica, ma un caso in cui dati, modelli e chimica computazionale convergono su un problema specifico: trovare catalizzatori migliori per trattare la CO₂.
In prospettiva, il vero impatto sarà nella replicabilità del metodo. Se la stessa logica potrà essere applicata ad altri materiali e altri settori, l’intelligenza artificiale diventerà un acceleratore strutturale della ricerca industriale. Non sostituirà il laboratorio, ma potrà renderlo più mirato, più efficiente e più vicino alle esigenze della produzione.
