AeroMag Forge: l’innovazione dei materiali comincia dentro l’azienda
· Di Antonio Sedino · Reinventy Solutions Corp.
Calcolo edge a basso consumo, conoscenza proprietaria e ingegneria verificabile: il progetto Reinventy punta a collegare ricerca sui materiali e progettazione delle macchine elettriche, mantenendo il controllo del sapere industriale.
Il materiale giusto può cambiare un’intera macchina. Può influenzarne il peso, le perdite, la gestione del calore, la durata e persino il modo in cui viene prodotta. Per un’azienda che innova, la domanda non è soltanto quali materiali comprare: è come trasformare ciò che sa in materiali e prodotti che prima non poteva realizzare.
È in questo spazio che si colloca AeroMag Forge, il progetto Reinventy dedicato all’ingegneria delle macchine elettriche e al collegamento tra materiali, geometria, produzione ed evidenze. Il lavoro con Alchemi, il programma per la ricerca sui materiali, guarda a un percorso più ampio: dalla selezione ragionata dei materiali esistenti alla proposta di nuove combinazioni e nuovi candidati da verificare.
Il patrimonio più prezioso è ciò che l’azienda ha imparato
Un laboratorio industriale accumula molto più di documenti. Conserva prove riuscite e fallite, relazioni tra processo e proprietà, vincoli dei fornitori, osservazioni e decisioni. Questa conoscenza diventa davvero utile quando può essere interrogata e confrontata, senza perdere la fonte o il contesto.
Un sistema interno può aiutare a collegare queste informazioni, individuare lacune e suggerire quali esperimenti meritino attenzione. La scelta architetturale è mantenere dati, modelli e decisioni sotto il controllo dell’impresa, riducendo la necessità di inviare a servizi esterni formulazioni, disegni e risultati riservati.
Sovranità significa anche decidere chi accede a cosa, quale modello viene usato e come ricostruire una conclusione. La collocazione interna del computer è un punto di partenza: accessi, separazione dei servizi, protezione degli archivi e verifiche restano parte del lavoro di qualificazione.
L’edge cambia il punto in cui il calcolo diventa utile
Oggi esistono piattaforme compatte capaci di eseguire modelli di intelligenza artificiale vicino agli strumenti e ai dati. Come riferimento pubblico, NVIDIA indica per Jetson Orin Nano Super fino a 67 TOPS INT8 e modalità di potenza da 7 a 25 watt. Il massimo dichiarato riguarda specifiche operazioni di inferenza, con condizioni di precisione e sparsità: non misura la velocità di un solutore fisico e non equivale al consumo elettrico dell’intero sistema.
L’opportunità concreta è distribuire bene il lavoro. Un nodo edge può eseguire modelli compatibili con la sua memoria, analizzare segnali, organizzare documenti e applicare modelli predittivi già addestrati. Addestramenti impegnativi e simulazioni ad alta fedeltà possono richiedere risorse aziendali più potenti. Anche il tempo necessario a ottenere un risultato conta: meno watt non significano automaticamente meno energia per ogni problema.
Per un laboratorio, questa architettura permette di avvicinare l’intelligenza al banco di prova e di riservare il calcolo più costoso alle domande che lo richiedono. La potenza utile nasce dalla scelta del metodo e del modello, oltre che dall’hardware.
Dalla proprietà del materiale alla decisione progettuale
AeroMag Forge è pensato per rendere visibile il legame tra le proprietà dei materiali e le scelte di una macchina elettrica. Una modifica può aiutare un obiettivo e peggiorarne un altro: prestazione magnetica, comportamento termico, massa, producibilità e costo vanno considerati insieme.
Il software dispone già di strumenti per esplorare configurazioni concettuali, svolgere calcoli deterministici e controllare la coerenza delle informazioni. Una regola guida il progetto: un risultato deve indicare da dove proviene e quale livello di evidenza lo sostiene. Un’ipotesi, una proprietà ricavata da un documento, una simulazione e una misura non sono equivalenti.
Il collegamento qualificato con i dati dei materiali e l’estensione delle capacità di simulazione fanno parte del percorso di sviluppo. Un modello geometrico concettuale non è ancora un componente pronto per la produzione; un controllo software superato non certifica una prestazione fisica.
Scoprire significa proporre, verificare e imparare
La ricerca internazionale ha già mostrato che modelli di apprendimento possono ampliare la ricerca di strutture e proprietà dei materiali. Il lavoro GNoME, pubblicato su Nature nel 2023, è un esempio di questa direzione scientifica. Non è una prova delle prestazioni di AeroMag Forge, né dimostra che qualsiasi candidato suggerito possa essere prodotto.
L’obiettivo del lavoro Reinventy è costruire un ciclo in cui conoscenza aziendale, modelli e ingegneri collaborino per selezionare ipotesi migliori. Il sistema potrà suggerire candidati, confrontare compromessi e orientare la scelta delle prove. La conferma richiederà caratterizzazione, ripetibilità e valutazione delle condizioni reali di impiego.
La scoperta di un nuovo materiale resta quindi un risultato da dimostrare. Il valore dell’intelligenza artificiale è aiutare a cercare con più metodo, conservare ciò che si impara e spiegare perché un candidato merita il prossimo esperimento.
Un laboratorio che conserva il proprio futuro
Per Reinventy, la prospettiva di AeroMag Forge e Alchemi è unire strumenti interni, calcolo proporzionato al compito e una catena di evidenze comprensibile. L’azienda deve poter accrescere il proprio patrimonio tecnico mentre sviluppa nuovi prodotti, mantenendo il controllo sulle informazioni che la distinguono.
L’ambizione è concreta: rendere più accessibile il percorso dalla domanda industriale al materiale candidato, e dal materiale alla macchina. La credibilità di questo percorso si costruisce a ogni passaggio, attraverso risultati verificabili e decisioni di cui l’impresa conserva la responsabilità.
Scopri AeroMag Forge e il percorso Project Daedalus:
Esplora la piattaforma di macchine elettriche AeroMag:
Fonti pubbliche
Specifiche e condizioni delle prestazioni NVIDIA Jetson Orin Nano Super: https://www.nvidia.com/en-au/autonomous-machines/embedded-systems/jetson-orin/nano-super-developer-kit/
NVIDIA, spiegazione di prestazioni sparse e modalità di potenza: https://developer.nvidia.com/blog/nvidia-jetson-orin-nano-developer-kit-gets-a-super-boost/
Merchant e altri, Scaling deep learning for materials discovery, Nature, 2023: https://www.nature.com/articles/s41586-023-06735-9