Il caldo record di questa estate ha messo sotto pressione le reti elettriche di tutto il mondo, non solo svelando le vulnerabilità, ma anche sottolineando la crescente importanza di dotarsi di moderne infrastrutture energetiche. Il progressivo aumento della domanda di raffreddamento e le crescenti difficoltà delle reti elettriche richiamano sempre più l’attenzione sulle tecnologie su cui si basa la transizione energetica. L’energia rinnovabile, la capacità di accumulo delle batterie e l’elettrificazione sono aspetti chiave per costruire un sistema energetico più resiliente e a basse emissioni di carbonio. Tutto dipende però da un fattore la cui visibilità è di gran lunga minore: un’offerta crescente di minerali critici.
Litio, cobalto, nichel e altre terre rare sono essenziali per le tecnologie, a partire dalle batterie e dalle turbine eoliche per finire ai motori elettrici e alle infrastrutture dei sistemi elettrici. Garantirsene l’approvvigionamento sta diventando una priorità strategica. Secondo l’Agenzia internazionale per l’energia (AIE), considerato l’attuale orientamento delle politiche, la domanda di terre rare dovrebbe aumentare di circa il 50-60% entro il 2040, trainata in parte dalla crescente domanda di magneti permanenti utilizzati nei veicoli elettrici e nell’energia eolica.1
Litio, cobalto, nichel e altre terre rare sono essenziali per le tecnologie, a partire dalle batterie e dalle turbine eoliche per finire ai motori elettrici e alle infrastrutture dei sistemi elettrici
La sfida non consiste banalmente nell’incrementare l’offerta, ma nel farlo riducendo al contempo i costi ambientali e sociali derivanti dall’estrazione e dalla lavorazione di questi materiali. Alla luce delle sempre maggiori preoccupazioni sul fronte delle forniture, prosegue la corsa per scoprire nuove fonti di approvvigionamento o alternative ai minerali ritenuti essenziali per la transizione verde. Ma esiste un nuovo modo per reperire ed estrarre questi materiali o addirittura per sostituirli?
L’intelligenza artificiale potrebbe aiutarci a cambiare quella equazione.
Una sfida per l’offerta e per l’ambiente
Le terre rare non sono così rare come la loro denominazione suggerisce, quanto meno in termini geologici. La difficoltà risiede nell’individuare giacimenti dotati di concentrazioni abbastanza elevate per poi separare e raffinare gli elementi in modo economico. L’estrazione mineraria e la lavorazione comportano comunque anche elevati costi ambientali, dallo sfruttamento dei terreni, ai rifiuti, all’utilizzo e all’inquinamento delle acque. La ricerca di alternative sta diventando più impellente. I nuovi progetti di estrazione mineraria sono sottoposti a controlli più severi da parte delle comunità locali, delle ONG e delle autorità di regolamentazione, tesi ad accertarne l’impatto ambientale e sociale, compresi i ricorsi legali. La concentrazione della lavorazione delle terre rare in Cina ha aggiunto una dimensione geopolitica agli sforzi di reperire fonti alternative di approvvigionamento. La Cina rappresenta all’incirca il 60% delle terre rare estratte nel 2024 per i magneti, ma secondo l’AIE arriva addirittura al 91% nella raffinazione.2
Inoltre, decenni di accesso a terre rare relativamente abbondanti e ad altri minerali critici hanno fatto sì che ci fossero pochi stimoli per ripensare radicalmente il modo in cui l’industria estrattiva effettuava esplorazioni per reperire nuove risorse. Di conseguenza, il settore è rimasto al palo sul fronte dell’innovazione.
“Era facile trovare questi minerali”, afferma Mfikeyi Makayi, Chief Executive della divisione africana della start-up mineraria KoBold Metals Africa. E continua: “Erano lì, a portata di mano, perché dunque inventare uno strumento per andare più a fondo?”.
Dalla prospezione alla scoperta predittiva
Sostenuta da investitori tra cui Bill Gates e Jeff Bezos, KoBold, che opera nella Repubblica democratica del Congo, è una delle società di nuova generazione che utilizzano l’intelligenza artificiale e l’analisi avanzata dei dati per individuare giacimenti vergini che possono aumentare l’offerta e ridurre al minimo l’impatto ambientale della produzione.3
L’intelligenza artificiale sta inoltre aiutando gli scienziati a riesaminare materiali che sono stati già estratti dal suolo
Makayi spiega che l’intelligenza artificiale riesce a individuare aree con maggiori percentuali di materiali quali litio, cobalto e nichel per ogni tonnellata di roccia e questo consente ai team di esplorazione di effettuare perforazioni più precise. “Non si scava per trovare materiale di bassa qualità”, afferma Makayi. E aggiunge: “Di conseguenza utilizziamo l’intelligenza artificiale per trasformare l’arte di trovare rocce ricche di minerali in una scienza ripetibile”.
Questa distinzione si rivelerà importante. Se le società minerarie possono estrarre maggiori quantità di materiale utile da minori volumi di roccia, potrebbero essere in grado di ridurre i costi e anche in parte l’impronta fisica associata alle attività di esplorazione e produzione.
L’intelligenza artificiale sta inoltre aiutando gli scienziati a riesaminare materiali che sono stati già estratti dal suolo. Julie Bryce, docente di scienze della terra presso l’Università del New Hampshire, cita l’esempio dei rifiuti delle miniere. I materiali scartati quando i prezzi delle commodity erano più bassi possono contenere concentrazioni di terre rare o altri materiali che oggi sono sempre più preziosi. “Le terre rare sono presenti in molti materiali”, spiega. Tuttavia, ora che sono così pregiate, ricercarle è economicamente fattibile.
Questo crea una seconda opportunità: estrarre maggiore valore da risorse esistenti anziché puntare esclusivamente su nuove miniere.
E se potessimo progettare partendo dalle terre rare?
Forse troviamo una possibilità più dirompente se prescindiamo del tutto dal settore estrattivo. Le aziende utilizzano l’intelligenza artificiale per scoprire come nuove combinazioni di materiali possano produrre versioni “senza terre rare” di magneti e altri componenti necessari per realizzare infrastrutture energetiche pulite.
Alcuni materiali, ad esempio, possiedono proprietà magnetiche, ma non riescono a trattenerle allo stesso modo con cui lo fa un magnete in terre rare. “Di per sé un normale minerale magnetico come il ferro non mantiene la stessa magnetizzazione, bisogna quindi ‘costringerlo’ a farlo”, spiega Kathy Christofidou, docente presso la cattedra di metallurgia digitale e sostenibile dell’università di Sheffield.
In genere, per trovare la giusta combinazione di elementi, partendo dall’enorme gamma di possibilità della tavola periodica, gli scienziati devono esaminare una mole gigantesca di possibilità, creando e testando ogni singolo campione fisico. L’intelligenza artificiale può restringere notevolmente quel campo di ricerca, individuando combinazioni promettenti in tempi più rapidi rispetto a quanto potrebbe fare l’uomo. “Ci vorrebbero molti giorni per creare solo un campione da testare, e i test richiedono tempo”, sostiene Kathy, che fa parte di un team che lavora con l’associazione di categoria che si occupa di intelligenza artificiale nel Regno Unito e con una società specializzata in scienza dei materiali, MatNex, per sviluppare materiali senza terre rare.
I dati per l’intelligenza artificiale sono come il combustibile per una macchina
L’intelligenza artificiale, tuttavia, trae la sua forza dai dati su cui si basa. Ciò ha attirato l’attenzione sulle informazioni disponibili a livello mondiale riguardanti formazioni geologiche e materiali, che sono per lo più ancora sparse tra i vari database digitali, archivi di Stato, documenti cartacei e mappe storiche. Al momento si sta tentando di mettere assieme queste fonti per renderle più accessibili alle analisi.
“Per noi, come settore, la sfida collettiva è riuscire a mettere insieme queste fonti”, afferma Makayi. Aggiunge, poi, che KoBold lavora fianco a fianco con i governi di Zambia e Congo per organizzare i rispettivi database geologici nazionali e facilitarne l’uso ai fini delle attività di esplorazione.
“I dati per l’intelligenza artificiale sono come il combustibile per una macchina”, dichiara Jiadong Zang, docente di scienza dei materiali presso l’università del New Hampshire, dove ha contribuito a costruire un database di oltre 67’000 materiali magnetici, tra cui 25 composti precedentemente non riconosciuti, le cui proprietà magnetiche rimangono costanti anche ad alte temperature. Data la carenza di dati strutturati sui materiali magnetici, Zang e i suoi colleghi hanno utilizzato i grandi modelli linguistici per analizzare decine di migliaia di lavori scientifici ed estrarre informazioni su struttura, composizione chimica e proprietà magnetiche.
La capacità di tradurre decenni di materiale scientifico in dati che possono essere letti dalle macchine potrebbe essere uno dei contributi più preziosi che l’IA dà alla ricerca dei materiali. Grazie a questo “combustibile”, l’intelligenza artificiale può combinare velocemente una grande quantità di materiali, permettendo all’uomo di effettuare un numero di test fisici minore, ma di migliore qualità. “Si possono effettuare esperimenti nel mondo virtuale prima di andare in laboratorio”, afferma Jonathan Bean, co-fondatore e Chief Executive di MatNex.
Non vogliamo fare a meno della creatività dell’uomo…ma quando l’IA ci prospetta decisioni del genere, sperimentiamo un’intelligenza sovrumana
Quando l’IA vede quello che gli scienziati non vedono
In possesso di dati sufficienti, l’intelligenza artificiale può fare molto di più che limitarsi ad accelerare la ricerca di materiali promettenti. Può anche esplorare combinazioni che i ricercatori umani potrebbero trascurare. Rafael Gómez-Bombarelli, un docente dell’MIT e co-fondatore di Lila Sciences, una società che progetta materiali, sta sviluppando sistemi di intelligenza artificiale che possono apprendere dagli esperimenti successivi e generare nuove ipotesi. In un lavoro sulle alternative al rutenio e all’iridio, metalli utilizzati nella produzione di idrogeno verde, uno di questi sistemi ha prodotto un’idea praticabile che gli esperti interni dell’azienda non avrebbero considerato. “Non vogliamo fare a meno della creatività dell’uomo”, afferma, “ma quando l’IA ci prospetta decisioni del genere, sperimentiamo un’intelligenza sovrumana”.
Questo potenziale, tuttavia, ci arriva con i suoi compromessi ambientali. L’intelligenza artificiale dipende da data center energivori, ma Gómez-Bombarelli ritiene che le possibilità che gli scienziati accelerino la transizione verso l’energia pulita dovrebbero più che compensare l’utilizzo relativamente modesto che fanno dell’intelligenza artificiale in questo tipo di ricerca. “Data la quantità di energia che viene convogliata alla scienza, il risultato sarà un netto positivo”, afferma.
Oltre la miniera
È improbabile che si vinca la sfida dei minerali critici estraendo semplicemente più materiali dal terreno. La risposta più sostenibile potrebbe essere quella di utilizzare la tecnologia per trovare giacimenti migliori, estrarre più elementi dai materiali esistenti, ridurre i rifiuti e, infine, progettare alternative per alcune delle risorse più scarse. L’intelligenza artificiale sta cominciando ad ampliare la gamma delle possibilità: dall’individuazione di giacimenti più ricchi alla progettazione di nuovi materiali, aiuta a ridurre l’impronta ambientale delle terre rare necessarie per la transizione energetica.
Per gli investitori ciò rappresenta un’opportunità che va oltre la tradizionale attività estrattiva. È sempre più possibile creare valore con le tecnologie abilitanti che ruotano attorno ai minerali critici: informazioni geologiche, esplorazione avanzata, scoperta dei materiali, riciclo, efficienza di elaborazione e sostituzione. Sono queste le aree in cui le innovazioni possono contribuire a conciliare due obiettivi, spesso apparentemente contrapposti: assicurarsi i materiali necessari alla transizione energetica, riducendo al contempo l’impatto associato alla loro estrazione.
* Qualsiasi riferimento a una specifica società o a uno strumento finanziario non costituisce una raccomandazione ad acquistare, vendere, detenere o investire direttamente nella società o negli strumenti finanziari in questione.
condividi.