Fa l’ottobre e il novembre 2025, un gruppo di ricercatori dell’Università del New Hampshire (UNH) ha presentato un approccio pionieristico di “AI for Science”. Combinando modelli linguistici e machine learning, il team è riuscito ad estrarre, strutturare e valorizzare decenni di risultati sperimentali dalla letteratura scientifica. Il risultato operativo di questa iniziativa è il Northeast Materials Database (NEMAD), una piattaforma liberamente accessibile strutturata su tre ampi archivi: materiali termoelettrici, materiali superconduttori e, infine, un database dedicato ai materiali magnetici con oltre 67.500 voci. Proprio quest’ultimo è stato utilizzato per identificare 25 candidati ferromagnetici ad alta temperatura privi di terre rare, oltre a ulteriori candidati antiferromagnetici.
Questa scoperta risulta particolarmente rilevante per le organizzazioni che operano nei settori della cyber innovation, della sicurezza digitale e delle applicazioni dual-use, poiché fa confluire tre direttrici strategiche: la resilienza della supply chain dei materiali critici, l’accelerazione del ciclo di innovazione tramite l’AI, e la gestione dei rischi legali e reputazionali legati al text and data mining e ai diritti d’autore. Il caso suggerisce quindi azioni concrete sulla data governance, sulla qualificazione dei fornitori e sull’awareness interna riguardo alle dipendenze tecnologiche “invisibili”.
Lo scenario
Il punto di partenza nasce da una tensione strutturale. Molte tecnologie ad alta densità di potenza, infatti, dipendono da magneti ultra-performanti, spesso vincolati all’uso delle terre rare. La concentrazione geografica delle attività di estrazione e, soprattutto, di raffinazione e separazione introduce vulnerabilità che si traducono in volatilità dei prezzi, ritardi negli approvvigionamenti e rischi di razionamento. Recenti analisi di mercato indicano inoltre che, per tutto il 2026, potrebbero persistere colli di bottiglia nel comparto, con pesanti ricadute sulle filiere ad alto contenuto tecnologico.
In parallelo, l’attuale quadro geopolitico conferma che i controlli all’export sui materiali dual-use sono ormai una variabile strutturale, con impatti indiretti su settori critici come aerospazio, difesa e semiconduttori. Anche senza ipotizzare un’intenzionalità ostile esplicita, il semplice irrigidimento dei regimi autorizzativi altera i tempi, i costi e la prevedibilità delle forniture, aumentando il fabbisogno di solidi piani di continuità operativa.
È proprio in questo scenario che si inserisce la ricerca dell’UNH. Non si propone come una sostituzione immediata delle tecnologie consolidate, bensì come un acceleratore di opzioni industriali in un’ottica di riduzione delle dipendenze a medio termine. L’elemento strategico dello studio risiede nella trasformazione di una conoscenza scientifica “dispersa” in un asset interrogabile, pronto per uno screening rapido e per la prioritizzazione degli investimenti in R&D.
I fatti
Il contributo centrale dello studio è di natura squisitamente metodologica: l’impiego di modelli linguistici per analizzare la letteratura scientifica ed estrarre i campi sperimentali chiave (composizione, struttura, temperature di transizione magnetica 2 e altre proprietà termodinamiche). Questi dati vengono convertiti in record standardizzati e, successivamente, strutturati in dataset pronti per alimentare modelli predittivi. Il database NEMAD, che conta attualmente 67.584 voci solo nella sezione magnetica, si configura come una delle raccolte più ampie e strutturate oggi disponibili in questo dominio.
Utilizzando i dati estratti per il NEMAD, i ricercatori hanno addestrato modelli di regressione in grado di stimare, tra le altre cose, se un composto sia ferromagnetico o antiferromagnetico e quale sia la sua temperatura caratteristica attesa. Il team riporta prestazioni elevate sui test set, supportate da un rigoroso processo di validazione su campioni di record estratti, con un’accuratezza mediana dichiarata che arriva al 90% in specifici campi.
La fase di screening ha permesso di isolare 25 candidati ferromagnetici con temperature previste superiori a 500 K (secondo almeno due modelli distinti), individuati incrociando i dati con dataset esterni come il Materials Project e set di leghe di Heusler verificati tramite la Teoria del Funzionale della Densità (DFT). È fondamentale, tuttavia, inquadrare questi risultati nella giusta prospettiva: gli output dei modelli sono da considerarsi “candidati promettenti” e non materiali già pronti per lo scale-up industriale. La sintesi chimica e le misurazioni sperimentali in laboratorio rimangono passaggi ineludibili per confermare l’effettiva qualità, stabilità e le prestazioni complessive dei composti oggetto di studio.
Implicazioni strategiche
Il caso NEMAD evidenzia – e conferma – un macro-trend in atto: l’innovazione guidata dall’AI sta compiendo una transizione dal dominio puramente digitale a quello fisico-industriale, comprimendo i cicli di scoperta e conferendo un netto vantaggio competitivo a chi dispone di dati curati e modelli affidabili. Questa traiettoria si va ad inserire perfettamente con le politiche industriali che, in questo 2026, mirano a ridurre l’esposizione dell’Occidente sulle catene di approvvigionamento dei minerali critici e a rafforzare le filiere regionali, attraverso un’intensificazione senza precedenti degli investimenti pubblici e privati.
Inoltre, per le organizzazioni attive nei settori della cyber-defence e dell’aerospazio, la rilevanza di questi sviluppi è duplice. Da un lato, l’evoluzione dei materiali influenza direttamente le roadmap di apparati elettromeccanici, sensori, attuatori e componentistica avanzata, con effetti a cascata su prestazioni, disponibilità e certificazioni. Dall’altro, l’utilizzo dell’AI per l’estrazione e la modellazione trasforma il dato scientifico in una risorsa strategica a tutti gli effetti, imponendo nuovi controlli su qualità, provenienza e diritti di utilizzo.
Infine, sul piano della proprietà intellettuale, l’estrazione automatizzata di dati dai database degli editori scientifici richiama l’attenzione sulle policy di Text and Data Mining (TDM) e sulle licenze d’uso, che presentano frequenti vincoli sulle finalità e sulle condizioni di utilizzo. In ambito corporate, infatti, la costruzione di pipeline simili richiede un’attenta valutazione preventiva per separare rigidamente gli usi accademici da quelli commerciali/industriali. Diventa quindi fondamentale formalizzare procedure per la tracciabilità delle fonti, la conservazione delle evidenze legali e la chiara definizione delle responsabilità in fase di approvazione.
Rischi emergenti
Alla luce di quanto esposto, possiamo perciò spingerci nella definizione di tre principali categorie di rischio aziendale emergente in un simile percorso di innovazione.
Il primo, e forse più concreto, è sicuramente quello di Overconfidence tecnologica, ovvero riporre eccessiva fiducia negli strumenti predittivi. Modelli che presentano ottime metriche in silico possono comunque fallire nella fase di sintesi chimica, oppure i materiali scoperti potrebbero mostrare proprietà non adeguate per l’uso come magneti permanenti. Questo genera il pericolo di aspettative irrealistiche nelle fasi di procurement e pianificazione strategica. Il report dello studio evidenzia chiaramente come le elevate temperature caratteristiche non siano sufficienti da sole: sono necessarie ulteriori metriche prestazionali (es. anisotropia magnetica, prodotto di energia) e rigorose valutazioni di producibilità e scalabilità industriale.
Il secondo, ma non per importanza, è la Dipendenza dagli ecosistemi di dati e dalle licenze. La scalabilità di database simili al NEMAD è strettamente legata all’accesso ai corpora editoriali e alla conformità ai termini di utilizzo imposti dai detentori dei diritti. Un’interpretazione troppo estensiva delle licenze o un improvviso blocco dell’accesso ai dati può comportare gravi impatti sul time-to-market dei progetti che ne fanno uso e un significativo rischio reputazionale per l’azienda.
Il terzo ed ultimo rischio è quello della Convergenza tra supply chain fisica e supply chain digitale. Le organizzazioni si trovano oggi esposte su un doppio fronte di vulnerabilità. Possono subire contemporaneamente interruzioni nella fornitura di materiali fisici critici e attacchi o malfunzionamenti negli strumenti software, nei modelli e nelle infrastrutture dati che supportano la Ricerca & Sviluppo e le decisioni di investimento. In questo contesto, il concetto di “resilienza” si espande e richiede l’implementazione di controlli costanti sul versioning dei dataset, audit regolari sui modelli e un rafforzamento della robustezza delle pipeline MLOps, per evitare l’esposizione di dettagli operativi o configurazioni sensibili.
Impatti operativi
Sul piano operativo, inoltre, lo scenario fin qui presentato, richiede alle organizzazioni di sensibilizzarsi e porre attenzione fin da subito a quattro percorsi di adeguamento concreti.
Processi interni. È necessaria l’introduzione di un presidio di “data governance per R&D” che stabilisca in modo inequivocabile quali fonti siano utilizzabili, con quali licenze e con quali requisiti di tracciabilità e conservazione. Questo presidio deve includere linee guida rigorose e procedure chiare sulle attività di text and data mining e sul riutilizzo di contenuti protetti da copyright (Elsevier).
Governance. Diventa fondamentale l’adozione di un modello di validazione a due livelli per i risultati AI-driven (una prima validazione metodologica e una successiva validazione sperimentale). Questo approccio riduce drasticamente il rischio che output puramente predittivi influenzino prematuramente decisioni critiche di investimento o di fornitura.
Supply Chain. Occorre aggiornare il risk assessment sui materiali critici, integrando scenari che contemplino restringimenti dei regimi autorizzativi, ritardi nelle concessioni di licenze e colli di bottiglia derivanti dall’eccessiva concentrazione geografica della raffinazione. Tali valutazioni devono essere supportate da opzioni praticabili di second sourcing e dalla costituzione di stock strategici laddove applicabile.
Awareness del personale. I percorsi formativi aziendali devono integrare in modo sistematico il concetto di “dipendenza nascosta”. Il personale deve essere formato a distinguere chiaramente tra componenti critici ad alto rischio di indisponibilità e componenti facilmente sostituibili, comprendendo a fondo il legame diretto tra queste vulnerabilità, i costi occulti e la continuità operativa.
Prospettive future
La scoperta guidata dall’AI nell’individuazione di candidati magnetici ad alta temperatura e la creazione di un database sperimentale su larga scala, anticipano in modo chiaro il passaggio dell’intelligenza artificiale verso applicazioni fisiche a reale impatto industriale. Per una grande organizzazione, il valore intrinseco di simili innovazioni non risiede nel singolo elenco di nuovi materiali, ma nell’inedita capacità di trasformare l’immensa conoscenza storica e dispersa in intelligence tecnica strutturata, abbattendo al contempo l’incertezza e i tempi di esplorazione R&D.
In ottica di sicurezza e resilienza, il caso NEMAD stabilisce una chiara priorità strategica: i materiali critici, i dati che li definiscono e i relativi diritti di utilizzo devono essere trattati come un unico e indivisibile perimetro di rischio. Si tratta di un perimetro esteso in cui procurement, R&D, comparto legale e sicurezza devono cooperare in sinergia, utilizzando metriche condivise che integrino il monitoraggio continuo degli scenari geopolitici, la rigorosa governance delle pipeline AI e l’imprescindibile verifica sperimentale in laboratorio.
[1] Suman Itani, Jiadong Zang e Yibo Zhang
[2] per “temperatura di Curie” si intende la soglia oltre la quale un ferromagnete perde l’ordinamento magnetico spontaneo, diventando paramagnetico; si tratta di una variabile critica per applicazioni ad alta temperatura.
Fonti:
Ricerca Scientifica — NEMAD & AI per Materiali Magnetici
UNH News – UNH researchers harness AI to discover magnetic materials
Nature Communications – NEMAD: AI-assisted extraction and discovery of magnetic materials (DOI: 10.1038/s41467-025-64458-z)*
arXiv – The Northeast Materials Database for Magnetic Materials (NEMAD)**
SciTechDaily – Breakthrough AI tool identifies 25 previously unknown magnetic materials
Supply Chain — Terre Rare & Materie Critiche
S&P Global – Rare earth supply bottlenecks set to persist in 2026
S&P Global – US, EU to further intensify critical mineral investments
Reuters – Rare earth shortages worsen US aerospace, chips despite trade truce
Global Policy Watch – Heavy rare earth elements: rising supply chain risks and emerging policy responses
Policy & Licensing
Elsevier – Text and Data Mining License
* Pubblicato il 24 ottobre 2025. Fonte primaria peer-reviewed di riferimento per questo articolo.
**Prima versione: settembre 2024; versione aggiornata (v2): settembre 2025. Il preprint e il paper su Nature Communications documentano il medesimo lavoro di ricerca: si segnala qui esclusivamente come riferimento liberamente accessibile per chi desiderasse consultare il testo integrale senza abbonamento editoriale.
