Jonathan Bean, CEO & Co-Founder di Materials Nexus – Intervista alla serie

Jonathan Bean è il CEO e Co-Founder di Materials Nexus. Con una formazione in entrambi i settori teorici e pratici dell’ingegneria dei materiali, Jonathan ha rapidamente identificato l’opportunità per una nuova piattaforma di modellazione dei materiali. Mentre era ricercatore all’Università di Cambridge, ha fondato Materials Nexus per accelerare l’adozione di nuovi materiali per affrontare la crisi climatica.

La ricerca di dottorato di Jonathan all’Università di York si è concentrata su tecniche di modellazione avanzate per materiali policristallini.

Oltre al suo ruolo in Materials Nexus, Jonathan è un mentore per Global Talent Mentoring e i Leaders in Innovation Fellowships gestiti dalla Royal Academy of Engineering. Insegna anche Scienza dei Materiali per gli Ingegneri al Trinity College, Cambridge e è un Visiting Fellow all’Università di Londra Sud.

Materials Nexus è un’azienda che utilizza l’intelligenza artificiale per creare materiali superiori più velocemente che mai.

Può condividere la storia dietro la fondazione di Materials Nexus? Cosa ha ispirato la creazione dell’azienda e il suo focus sulla scoperta di materiali guidata dall’AI?

Ultimamente, il limite di ciò che può essere costruito è il materiale utilizzato per costruirlo; questa è stata la mia motivazione per studiare la scienza dei materiali. Durante il mio tempo all’Università di Cambridge, lavorando con il mio co-fondatore Robert Forrest, il desiderio di rendere la nostra ricerca più veloce ci ha ispirato a sviluppare algoritmi di apprendimento automatico. Ciò è diventato il fondamento della tecnologia di Materials Nexus.

È stato chiaro che questa ricerca poteva avere un impatto positivo nel mondo e che la sua adozione doveva essere accelerata. Allo stesso modo, le prestazioni dei prodotti sono limitate dai materiali, così come il nostro progresso verso la neutralità climatica. Questo è ciò che ci ha ispirato a fondare l’azienda.

Una forza trainante per noi come azienda è migliorare lo stato del mondo, ambientalmente, geopoliticamente ed eticamente. Il nostro obiettivo è rivoluzionare l’industria dei materiali progettando materiali innovativi che soddisfino le crescenti richieste di sostenibilità e prestazioni.

Può spiegare come l’AI sta trasformando il processo di scoperta dei materiali, in particolare nel contesto di Materials Nexus?

Allo stesso modo in cui l’AI ha impattato il processo di scoperta dei farmaci, sta anche cambiando fondamentalmente la scoperta dei materiali; trasformando ciò che è tipicamente un approccio basato su trial-and-error in un processo di progettazione basata su intenti. Tuttavia, a differenza della ricerca farmaceutica, c’è l’aggiunta della complessità e di uno spazio di ricerca più ampio in tutta la tavola periodica. In Materials Nexus, stiamo esaminando l’intera lunghezza di scala, dal livello quantistico al bulk – ciò significa che stiamo sfruttando non solo la meccanica quantistica per la previsione della composizione, ma anche modellando le tecniche di elaborazione e sintesi. Ciò ci consente non solo di identificare, ma anche di produrre fisicamente materiali ad alte prestazioni con precisione, in un lasso di tempo di alcuni mesi anziché decenni, accelerando notevolmente il processo di R&D.

Quali sono i principali vantaggi dell’utilizzo dell’AI rispetto ai metodi tradizionali basati su trial-and-error nello sviluppo di nuovi materiali?

L’utilizzo dell’AI per la scoperta dei materiali offre diversi vantaggi: velocità, efficienza dei costi e sostenibilità sono chiave. La nostra piattaforma guidata dall’AI può analizzare vasti set di dati e prevedere le proprietà dei materiali con precisione, tutto prima di entrare in laboratorio, rendendo il processo efficiente in termini di costi e meno spreco, poiché minimizza la necessità di esperimenti costosi e risorse-intensive. Ciò significa anche che processi che normalmente richiedono giorni in laboratorio possono essere eseguiti in poche ore sulla nostra piattaforma.

Ciò sblocca un nuovo set di opportunità con la “progettazione” di materiali mirata rispetto alla scoperta. È possibile incorporare qualsiasi set di dati o parametro del materiale, come le emissioni di CO2, il costo o il peso, e cercare composizioni che soddisfino quelle esigenze specifiche, capovolgendo il processo di “scoperta”.

Qual è il ruolo dell’AI e dell’apprendimento automatico nella riduzione dell’impatto ambientale della produzione di materiali?

Sfruttare l’AI e l’apprendimento automatico sblocca un nuovo set di opportunità per i materiali attraverso la fase di scoperta. Al livello di produzione, l’impatto di ciò è duplice; in primo luogo, la composizione elementare dei materiali stessi, in secondo luogo, le condizioni di lavorazione dei materiali. La scoperta di materiali guidata dall’AI può escludere elementi specifici che hanno un alto costo ambientale (ad esempio, elementi delle terre rare) o ridurre la loro percentuale di composizione. Può anche essere utilizzata per esaminare le tecniche di lavorazione (ad esempio, la temperatura, la pressione o la purezza del minerale) necessarie per creare il materiale e identificare metodi a basso consumo energetico. Questi due aspetti possono avere un impatto significativo sulle emissioni primarie della produzione di materiali. Tuttavia, è importante notare che l’impatto ambientale va oltre la produzione stessa. L’applicazione di materiali superiori, sia ad alte prestazioni che più economici, può avere un impatto positivo secondario ambientale rendendo le tecnologie sostenibili più accessibili (ad esempio, auto elettriche più economiche), più efficienti (ad esempio, migliori chip per computer per l’AI) e meno tossiche nella loro gestione a fine vita (ad esempio, sostituendo gli idrofluorocarburi).

Come Materials Nexus è riuscita a creare un magnete senza terre rare in soli tre mesi, e quali sono le implicazioni di questa scoperta?

La nostra piattaforma è stata in grado di analizzare oltre 100 milioni di composizioni potenziali di magneti senza terre rare prima di entrare in laboratorio. Ciò ha significato che quando siamo passati alla fase di sintesi, avevamo già una previsione accurata della composizione e delle sue proprietà.

Le implicazioni di questo magnete sono significative: la scoperta va oltre la scoperta di questo singolo materiale e segnala la trasformazione di secoli di processi di progettazione dei materiali. Man mano che la nostra piattaforma diventa più sviluppata e intelligente, saremo in grado di prevedere composizioni ancora più rapidamente e in più aree dei materiali. Con 10¹⁰⁰ composizioni di elementi nella tavola periodica, le possibilità sono infinite.

L’AI può potenzialmente sostituire i metalli delle terre rare in altre applicazioni oltre ai magneti?

La scoperta di materiali guidata dall’AI ha il potenziale per identificare e sviluppare materiali alternativi per una vasta gamma di applicazioni oltre ai magneti. In questo caso, l’obiettivo era trovare una composizione di magnete alternativa che rimuovesse gli elementi delle terre rare, ma i nostri algoritmi di ricerca basati sull’apprendimento automatico sono progettati per essere applicati a qualsiasi classe di materiali. Ciò significa che stiamo costruendo una piattaforma di progettazione dei materiali universale.

Attualmente, le nostre capacità di piattaforma sono focalizzate su leghe e ceramiche, con un focus particolare su materiali funzionali per applicazioni in tecnologie verdi ad alto impatto come motori elettrici, semiconduttori, superconduttori e idrogeno verde, per citarne alcune.

Come la collaborazione tra Materials Nexus, l’Istituto Henry Royce e l’Università di Sheffield migliora lo sviluppo di nuovi materiali?

Le nostre collaborazioni con partner strategici chiave nell’ecosistema di innovazione del Regno Unito, come l’Istituto Henry Royce e l’Università di Sheffield, forniscono l’accesso a strutture e competenze di classe mondiale in aree specializzate della scienza dei materiali. Queste partnership ci consentono di accelerare la sintesi e il testing delle nostre previsioni.

Quali altri settori potrebbero trarre beneficio dalla scoperta di materiali guidata dall’AI, e come?

La scoperta di materiali guidata dall’AI può impattare ogni classe di materiali. In Materials Nexus, ci concentriamo su materiali che sono considerati tra i più difficili e costosi da progredire e migliorare, poiché stanno per fare il maggior impatto positivo. Ogni industria sarà influenzata: energia, aviazione, supercalcolatori, trasporto, per citarne alcune. Ad esempio, nel settore energetico, l’AI può aiutare a sviluppare materiali più efficienti e sostenibili per batterie e celle solari. Nei supercalcolatori, può portare alla creazione di nuovi materiali semiconduttori che migliorano la capacità di archiviazione e elaborazione dei dati. Abilitando lo sviluppo rapido di materiali ad alte prestazioni, l’AI può guidare l’innovazione e la sostenibilità in quasi tutte le industrie.

Quali future avanzamenti nell’AI per la scienza dei materiali possiamo aspettarci, e come impatteranno su vari settori?

Il nostro lavoro continuerà a spingere i confini di ciò che è possibile e siamo dedicati a superare quelle barriere. Materiali superiori significano innovazione superiore per soddisfare le richieste delle sfide di domani. Il futuro è limitato solo dalla nostra immaginazione.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Materials Nexus.