Gli agenti di AI aumentano il recupero delle strutture cristalline dal 27% al 69%, potenzialmente accelerando la ricerca sui nuovi materiali
Un nuovo sistema di AI utilizza agenti basati su modelli linguistici di grandi dimensioni per determinare la disposizione degli atomi nei cristalli a partire dai dati di diffrazione di polvere molto più velocemente, un passo che potrebbe accelerare la scoperta di farmaci e lo sviluppo di nuove batterie.

Un software che sfrutta agenti di intelligenza artificiale per scoprire come si organizzano gli atomi dentro i cristalli, a partire dai dati di diffrazione a raggi X.
Cosa se ne può fare
- Un ricercatore di materiali potrebbe determinare la disposizione atomica all'interno di un cristallo a partire da dati di diffrazione ai raggi X di polvere molto più rapidamente di prima, riducendo un lavoro che normalmente richiede settimane o mesi a una frazione di quel tempo 1.
- Uno sviluppatore di batterie potrebbe accelerare la scoperta di nuovi materiali per batterie identificando rapidamente come sono disposti gli atomi al loro interno 1.

Figura: Chen et al., arXiv:2611.17539, CC BY 4.0
Un rompicapo più difficile, risolto passo passo
Determinare la struttura atomica di un cristallo a partire dalla diffrazione ai raggi X di polvere — chiamata pXRD — è uno dei problemi più difficili nella scienza dei materiali. A differenza di altri metodi che offrono un'immagine chiara, la pXRD produce segnali sovrapposti da milioni di cristalli contemporaneamente, rendendo estremamente difficile ricostruire la disposizione originale 1.
Il team, guidato da Samuel Chen insieme a Jiaru Bai, Austin Henry Cheng, Varinia Bernales e Alán Aspuru-Guzik, ha riformulato il compito come un problema ricercabile. Invece di cercare di risolvere tutto in una volta, gli agenti propongono strutture candidate, le testano confrontandole con il modello di diffrazione e migliorano gradualmente — un processo simile alla salita collinare, in cui si fanno piccoli passi verso l'alto finché non si arriva in cima 1.
Ogni struttura candidata può essere verificata durante la ricerca simulando come apparirebbe il suo modello di diffrazione, e poi controllata contro una struttura di riferimento nota se disponibile 1.
Strutture cristalline trovate più velocemente con agenti AI
Benchmark pXRD-Bench di 200 problemi simulati
Benchmark e risultati
Per misurare i progressi, i ricercatori hanno creato pXRD-Bench, un set di test composto da 200 problemi simulati di determinazione strutturale monofase che coprono casi standard, strutture polimorfe complesse e variazioni controllate di composizione e topologia cristallina 1.
Su questo benchmark, adattare gli agenti LLM ha aumentato il recupero strutturale di successo dal 27% al 69%, con ulteriori miglioramenti grazie al campionamento ripetuto e al scaling del tempo di inferenza guidato dal verifier 1.
Imparare dagli errori senza campioni reali
Forse la parte più ingegnosa è come il sistema impari dall'esperienza senza bisogno di dati reali già risolti. I ricercatori hanno costruito un "quadro evolutivo riflessivo" in cui un agente evolutore genera problemi simulati di pXRD, diagnostica perché il suo risolutore ha fallito in ciascun caso e sviluppa linee guida persistenti e strumenti eseguibili per tentativi futuri 1.
Questo significa che il sistema diventa più intelligente grazie ai propri tentativi ed errori, producendo esperienza di addestramento verificabile senza richiedere una raccolta di misurazioni sperimentali precedentemente risolte 1.
Quando testato su 15 modelli realmente misurati provenienti da esperimenti di sintesi allo stato solido, il pacchetto evoluto ha migliorato l'accordo medio dei profili e ha trasferito una procedura di sostituzione analogica che ha recuperato una fase non presente nella libreria di riferimento 1.
In parole povere, l'AI ha trovato una struttura cristallina mai vista prima, assente nella libreria di riferimento fornita 1.
Cosa verrà dopo
Il lavoro è stato presentato come Spotlight al Workshop NeurIPS 2026 su AI for Materials (AI4Mat), indicando un forte interesse da parte della comunità scientifica 1. Sebbene la tecnologia sia ancora in fase di ricerca, la determinazione autonoma delle strutture cristalline potrebbe diventare uno strumento di routine nei laboratori di materiali automatizzati negli anni a venire .
Correzioni e aggiornamenti
- Corretto il 17 novembre 2026. Una versione precedente affermava che il lavoro fosse rivolto ai ricercatori di laboratorio con implicazioni per i prodotti di uso quotidiano; il articolo non lo dichiara. Una versione precedente sosteneva che gli esperti umani avrebbero faticato senza conoscenze pregresse; la fonte non stabilisce questo confronto, anche se conferma che una fase recuperata era assente dalla biblioteca di riferimento fornita.
I fatti principali
- L'adattamento dell'agente ha elevato il recupero strutturale dal 27% al 69% su un benchmark da 200 problemi
- Il sistema ha identificato con successo una struttura cristallina assente dalla sua libreria di riferimento utilizzando dati sperimentali reali
- Il framework di evoluzione riflessiva consente all'AI di imparare dagli errori sintetici senza campioni reali già risolti
- Lavoro accettato come spotlight al Workshop AI4Mat di NeurIPS 2026
Fonti
Guarda
Se questa notizia riguarda te o la tua azienda, o usa qualcosa che ti appartiene, chiedi una correzione o la rimozione. Come funzionano le richieste
Continua a leggere
Il nuovo modello di AI Gemini 4 Hydrogen si unisce alla famiglia Google
Google ha lanciato il suo modello Gemini 4 più economico, ora disponibile tramite uno strumento open-source molto usato quotidianamente dagli sviluppatori.
LLM addestrati con GRPO possono rafforzare silenziosamente cattive abitudini, rivela uno studio
Una nuova ricerca spiega perché gli assistenti AI talvolta sviluppano difetti di personalità indesiderati dopo il fine-tuning, anche quando nessuno ha richiesto quelle caratteristiche.
Gli LLM rendono il testo dell'AI più difficile da leggere perché sono ottimizzati per massimizzare le informazioni, non per la conversazione
Un nuovo studio rivela che i modelli frontier come GPT-6, Claude e simili usano una grammatica più complessa e parole meno comuni rispetto agli esseri umani, rendendo il loro output più difficoltoso da seguire.