SAES è un gruppo industriale con una lunga tradizione nella ricerca, sviluppo e produzione di materiali funzionali avanzati. In linea con la propria propensione all’innovazione, l’azienda ha avviato un progetto di sperimentazione con AIRIC per valutare l’utilizzo di tecniche di intelligenza artificiale e machine learning applicate all’analisi del proprio patrimonio di dati storici per accelerare i processi di ricerca e sviluppo di nuovi materiali. La sfida è trasformare queste informazioni in conoscenza utile e sfruttare l’AI e il Machine Learning per identificare pattern e correlazioni in grado di supportare le future attività di Material Discovery. Il progetto mira a valutare l’applicabilità ed efficacia di modelli predittivi a supporto della Ricerca e Sviluppo nel processo di Material Discovery. L’obiettivo è ridurre tempi e costi di sperimentazione, rendendo più efficiente l’individuazione di nuove leghe e materiali ad alte prestazioni. Il progetto si è articolato in due fasi, ed è stato focalizzato sui materiali getter, leghe metalliche utilizzate in tecnologia del vuoto del cui sviluppo SAES è leader mondiale.
Analisi del Contesto e Raccolta Dati
In questa fase sono state identificate le fonti dei dati disponibili e selezionate quelle più rilevanti, definiti i problemi di apprendimento da affrontare, raccolti e puliti i dati storici, condotte analisi esplorative per individuare pattern, anomalie, correlazioni e per valutare qualità e quantità delle informazioni rispetto agli obiettivi del progetto.
Deliverables:
- Mappa delle fonti dati.
- Dataset puliti.
- Report tecnico preliminare con descrizione delle attività di pulizia e parsing dei dati, insieme ai risultati dell’analisi esplorativa.
Sviluppo, Training e Validazione dei modelli
Sulla base dei dati raccolti e puliti sono stati progettati e addestrati modelli di machine learning in grado di prevedere le performance di nuove leghe, conoscendone composizione e condizioni di utilizzo. L’obiettivo è stato quello di una validazione dei modelli sia quantitativamente sia qualitativamente, attraverso il confronto con gli esperti SAES, misurando l’accuratezza delle predizioni.
Deliverables:
- Codice per implementazione, training, testing e utilizzo dei modelli.
- Report tecnico finale con descrizione del problema, dei modelli sviluppati, dei risultati e dei possibili miglioramenti futuri.
Il progetto ha dimostrato che i dati storici aziendali contengono informazioni significative e sfruttabili attraverso modelli predittivi. I modelli sviluppati sono stati in grado di simulare performance di assorbimento di leghe getter variandone le composizioni ole condizioni di attivazione. Questo approccio, se sviluppato per un set sufficiente ampio di leghe omogenee per composizione, temperature di attivazione e caratteristiche morfologiche, può consentire di ridurre drasticamente il numero di esperimenti, concentrando la sperimentazione sui campioni più promettenti e abbattendo tempi e costi di ricerca.
Co-Director
AIRIC
Nicola
Gatti
Project Manager | Senior AI Research Engineer
AIRIC
Tommaso
Bianchi
AI Research Scientist
AIRIC
Piergiuseppe
Pezzoli
AI Research Scientist
AIRIC
Tomaso
Castellani
Technology Scouting Responsible
SAES
Corrado
Carretti
EX Consultant
SAES
Claudio
Boffito
Research Division
SAES
Research
Division
Vacuum System Division
SAES
Vacuum
System Division
Industrial Division
SAES
Industrial
Division
Avezzano Production Unit
SAES
Avezzano
Production Unit
