Lila Sciences ha utilizzato un laboratorio guidato dall’intelligenza artificiale per proporre, sintetizzare e analizzare 2.942 catalizzatori destinati alla produzione di idrogeno verde nell’arco di tre mesi, individuando sei famiglie di materiali a base di palladio capaci di offrire un equilibrio particolarmente favorevole tra attività catalitica e stabilità nella reazione di evoluzione dell’ossigeno in ambiente acido. Il lavoro è stato descritto in un preprint depositato su arXiv il 24 settembre 2026 con il titolo “AI-guided high-throughput discovery of iridium- and ruthenium-free palladium-oxide catalysts for durable acidic oxygen evolution” e coinvolge Ken J. Jenewein insieme ad altri venti autori. La produzione di idrogeno attraverso elettrolisi dell’acqua richiede due semireazioni: la hydrogen evolution reaction, HER, al catodo e la oxygen evolution reaction, OER, all’anodo. Quest’ultima costituisce uno dei principali problemi materiali del processo perché avviene a potenziali elevati e in condizioni fortemente acide, sufficientemente corrosive da dissolvere gran parte dei metalli. Negli elettrolizzatori commerciali il materiale di riferimento per l’OER è l’ossido di iridio, mentre il rutenio rappresenta un’alternativa con stabilità inferiore; entrambi sono però tra gli elementi più rari disponibili, e quasi tutto l’iridio viene ottenuto come sottoprodotto dell’estrazione del platino, con una produzione mondiale nell’ordine di poche tonnellate all’anno. La ricerca di materiali più abbondanti, meno costosi e inseriti in catene di approvvigionamento più robuste è quindi da decenni uno dei punti critici per rendere più facilmente scalabile l’elettrolisi destinata alla produzione di idrogeno.
Durante lo screening di 2.942 ossidi distribuiti fra 53 sistemi di materiali e 26 elementi, la piattaforma ha iniziato a proporre e sintetizzare composizioni contenenti palladio, una scelta inattesa perché questo metallo, pur essendo ampiamente impiegato come catalizzatore in settori che vanno dalle marmitte catalitiche alla sintesi farmaceutica, era generalmente considerato poco promettente per l’OER in ambiente acido. Il sistema non ha però selezionato palladio puro, bensì composizioni modificate nelle quali piccole quantità di altri elementi alteravano in modo sostanziale il comportamento del materiale. Nella seconda campagna sperimentale e in quelle successive sono emerse sei famiglie a base di palladio collocate sulla o in prossimità della cosiddetta frontiera di Pareto, quindi caratterizzate da una combinazione particolarmente efficiente fra attività e stabilità. Dopo ripetuti test di attività e oltre 1.000 ore complessive di prove di stabilità, la composizione più promettente ha mostrato prestazioni comparabili a quelle del rutenio. Il risultato ha sorpreso anche i ricercatori di Lila Sciences: John Gregoire, chief autonomous science officer dell’azienda, ha ricordato che il suo precedente gruppo al Caltech aveva studiato per dodici anni catalizzatori per questa reazione e che una combinazione di elementi di questo tipo sarebbe stata normalmente scartata a favore di direzioni considerate più promettenti, mentre Rafael Gómez-Bombarelli, chief scientific officer per le scienze fisiche di Lila Sciences e professore associato di Materials Science and Engineering al MIT, ha sottolineato che senza la conferma sperimentale il risultato avrebbe potuto essere interpretato come un errore o un’allucinazione del modello.
Tra i materiali descritti nel preprint figurano ossidi complessi privi sia di iridio sia di rutenio, tra cui InMnPdOx e NiTaPdOx. I candidati principali sono stati sottoposti a prove di lunga durata in acido solforico 1 M con una densità di corrente di 10 milliampere per centimetro quadrato. NiTaPdOx ha mostrato nel lungo periodo una sovratensione inferiore rispetto a PdOx, anche se entrambi hanno successivamente superato la soglia di 0,5 volt: PdOx dopo circa 200 ore e NiTaPdOx dopo circa 470 ore. InMnPdOx ha invece mantenuto un miglioramento analogo della sovratensione accompagnato da un incremento molto più marcato della stabilità operativa, rimanendo al di sotto di 0,5 volt per oltre 1.000 ore di funzionamento. Secondo gli autori, gli elementi aggiunti al palladio favoriscono la formazione di una nanostruttura associata all’attività catalitica e, contemporaneamente, stabilizzano il palladio rispetto alla corrosione. Il vantaggio potenziale non riguarda soltanto le prestazioni elettrochimiche: il palladio è più disponibile rispetto a iridio e rutenio, viene scambiato a un prezzo inferiore rispetto ai materiali più rari utilizzati oggi e dispone di una catena di approvvigionamento meno vulnerabile, elementi che potrebbero ridurre alcuni dei vincoli materiali associati a una produzione di idrogeno elettrochimico su scala più ampia.
Il sistema che ha portato alla scoperta deriva dalla AI Science Factory, o AISF, che Lila Sciences ha iniziato a costruire dalla fine del 2024 per automatizzare gli esperimenti di elettrocatalisi. Il workflow è organizzato come un ciclo chiuso composto da quattro blocchi principali: sintesi, caratterizzazione prima del test, test elettrochimico e caratterizzazione successiva, con i dati prodotti in ogni fase che vengono reimmessi nel modello per orientare le decisioni sperimentali successive. Il modello di reasoning sviluppato internamente combina modelli bayesiani, particolarmente adatti a gestire l’incertezza, con modelli linguistici capaci di incorporare un contesto scientifico più ampio; l’interazione tra le due componenti viene utilizzata per bilanciare il grado di incertezza delle ipotesi con il valore informativo atteso di ogni nuovo esperimento. All’inizio di ciascun ciclo il sistema analizza lo spazio chimico e propone nuove ricette di materiali. Nelle prime fasi Ken Jenewein, elettrochimico di Lila Sciences, controllava le proposte e in alcuni casi interveniva modificandole o scartandole, ma questo controllo è stato progressivamente ridotto fino a lasciare agli scienziati soltanto una verifica preventiva della sicurezza dei materiali prima della sintesi. Una volta approvate, le composizioni vengono prodotte in parallelo in gruppi di 96 campioni tramite deposizione fisica da vapore, sottoposte a controlli sulla composizione, analizzate attraverso screening accelerato dell’OER in ambiente acido per valutarne attività e stabilità e infine caratterizzate nuovamente dopo il test. L’integrazione con un sistema LIMS, Laboratory Information Management System, consente inoltre di mantenere la tracciabilità di ogni campione e di ogni dato sperimentale lungo tutte le campagne.
La differenza rispetto a un processo sperimentale tradizionale emerge anche nei tempi e nel throughput. La prima campagna, condotta mentre l’infrastruttura stessa era ancora in fase di sviluppo, ha richiesto quattro mesi, mentre la seconda è stata completata in quattro settimane ed è proprio in questa fase che il sistema ha iniziato a proporre le combinazioni di palladio considerate inattese dagli specialisti. Lila Sciences afferma che la pipeline ha permesso di analizzare i catalizzatori con una velocità circa 17 volte superiore rispetto a quella di un laboratorio convenzionale, arrivando a circa 240 campioni alla settimana e a una capacità massima di 100 campioni al giorno, con una riduzione superiore al 90% del tempo umano necessario per singolo campione. Il preprint descrive un livello di automazione superiore al 90% e un’infrastruttura che combina sintesi combinatoriale mediante sputtering, screening ad alta produttività, modelli machine learning per collegare composizione e proprietà, ottimizzazione adattiva multi-obiettivo e reasoning contestuale basato su large language model. Nei benchmark retrospettivi riportati dagli autori, l’agente di sequential learning utilizzato dalla piattaforma avrebbe inoltre spostato più rapidamente la frontiera attività-stabilità rispetto sia a una strategia di Bayesian optimization a policy fissa sia a una selezione effettuata tramite language model in-context, permettendo alla ricerca di concentrarsi progressivamente nelle regioni dello spazio dei materiali che fornivano la combinazione più promettente tra prestazioni e durata.
Il risultato non rappresenta comunque un catalizzatore già pronto per l’impiego commerciale. Le composizioni individuate costituiscono una scoperta di scienza dei materiali che deve ancora dimostrare di poter funzionare su scala industriale e nelle condizioni operative estreme alle quali vengono sottoposti gli elettrolizzatori reali. Lila Sciences sta quindi continuando i test di durata e sta studiando, sempre con il supporto dell’AI e delle proprie apparecchiature sperimentali, il comportamento dei materiali in configurazioni fisiche maggiormente simili a quelle necessarie per un’applicazione industriale. Anche il laboratorio non è ancora completamente autonomo: nel progetto attuale il trasferimento dei campioni tra alcune macchine viene ancora effettuato da operatori umani, mentre l’azienda sta sviluppando sistemi robotici che dovrebbero consentire in futuro alle AI Science Factories di eseguire l’intero ciclo sperimentale senza interventi manuali e di operare continuativamente. Lila Sciences, startup con sede a Cambridge, Massachusetts, è stata presentata pubblicamente nel marzo 2025 con l’obiettivo di sviluppare sistemi nei quali l’intelligenza artificiale possa gestire l’intero metodo scientifico, dalla formulazione delle ipotesi alla progettazione e realizzazione degli esperimenti, fino all’interpretazione dei risultati e alla definizione degli esperimenti successivi.
Il workflow sviluppato per la ricerca sui catalizzatori OER non è inoltre limitato alla produzione di idrogeno. Secondo Fae Habib Zadeh, senior scientist di Lila Sciences, l’architettura end-to-end può essere applicata ad altre reazioni di elettrocatalisi, nelle quali l’elettricità viene utilizzata per guidare una reazione chimica, e di elettrosintesi, dove viene impiegata per costruire direttamente molecole. Tra le possibili applicazioni vengono indicate la produzione di ammoniaca verde e la sintesi di precursori destinati alla produzione di materiali plastici. Il team ha già avviato nuove campagne sperimentali utilizzando la stessa infrastruttura, mentre la combinazione tra modelli di reasoning, ottimizzazione iterativa e verifica fisica in laboratorio viene utilizzata proprio per esplorare regioni dello spazio dei materiali che una strategia guidata esclusivamente dalle conoscenze consolidate potrebbe non considerare prioritarie. Nel caso dei catalizzatori al palladio, il sistema ha quindi individuato in pochi mesi una direzione sperimentale che contraddiceva le aspettative iniziali degli stessi specialisti coinvolti, portandola dalla proposta algoritmica alla sintesi fisica, allo screening e infine a oltre 1.000 ore di validazione elettrochimica.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)