Dal loro rilevamento alla separazione da altri composti, fino all’esplorazione, sono diverse le metodologie che fanno uso delle tecniche di intelligenza artificiale per la ricerca degli elementi raggruppati sotto il nome di REE - Rare Earth Elements.

TAKEAWAY

• Le terre rare sono ingredienti immancabili in numerosi comparti e prodotti tecnologici. Il loro valore di mercato è in notevole aumento così come il loro uso, ma scontano complessità di vario tipo, geopolitiche e non solo.
• Le tecniche di intelligenza artificiale hanno dimostrato di poter contribuire a ottimizzare diversi aspetti legati alla individuazione delle terre rare e al miglioramento di vari processi.
• Dal rilevamento alla separazione da altri composti, dall’esplorazione fino alla distinzione dai depositi di carbonatite (fonte primaria di Rare Earth Elements), sono diverse le ricerche che fanno uso di tecniche di machine learning e deep learning.

---

Contare sull’impiego di tecniche di intelligenza artificiale per le terre rare è strategico per migliorare le tecniche di individuazione e di estrazione di ingredienti fondamentali dell’innovazione tecnologica. Quali settori possono fare a meno anche di uno solo dei 17 elementi chimici (raggruppati anche sotto il nome di REE – Rare Earth Elements) che fanno parte di questo gruppo?

Lantanio, neodimio, gadolinio, erbio e gli altri entrano in numerosi prodotti che sono parte integrante della nostra vita quotidiana: da quelli elettronici (smartphone, pc, schermi LCD ecc.), agli apparecchi per la medicina nucleare, dalle pale eoliche ai componenti per veicoli elettrici fino a strumenti e velivoli aerospaziali e militari.

Così il valore di mercato a livello mondiale degli elementi è aumentato notevolmente e si prevede raddoppierà in pochi anni, passando da 2,8 miliardi di dollari nel 2021 a 5.5 miliardi di dollari nel 2028.

Malgrado il nome lo faccia pensare, le terre rare sono elementi che si trovano in abbondanza sulla Terra: le riserve mondiali stimate ammontano a 120 milioni di tonnellate. Tuttavia la loro estrazione è assai complessa e sono oggetto di aspre contese geopolitiche a causa della loro distribuzione e presenza: la Cina, da sola, ne detiene 44 milioni.

Da qui l’interesse per la ricerca di terre rare, che vede coinvolti anche personaggi di spicco come Bill Gates (fondatore di Microsoft), Marc Zuckemberg (Meta), Jeff Bezos (Amazon) e Jack Ma (Alibaba).

La startup statunitense KoBold Metals ha raccolto lo scorso anno 192 milioni di dollari grazie ai ricchi contributi dei fondi Equinor e Breakthrough Energy Ventures, di cui fanno parte i quattro miliardari. L’importanza dell’intelligenza artificiale per le terre rare la testimonia proprio questa startup, specializzata nella ricerca di REE mediante l’applicazione di tecniche di AI.

L’utilità dell’artificial intelligence in questo senso si dispiega su più fronti, dal loro rilevamento alle possibili combinazioni più efficaci per utilizzare le terre rare.

La loro scoperta è fonte di grande interesse, non solo a livello terrestre: la ricerca nel futuro verrà svolta anche nello spazio. La Luna, a questo proposito, è al centro di forti interessi per la ricerca di questi preziosi elementi. Anche a tale riguardo, l’AI fornirà un contributo sempre più determinante.

Intelligenza artificiale per le terre rare: il supporto di machine learning e deep learning

L’impiego dell’intelligenza artificiale per le terre rare parte dal loro rilevamento. A questo proposito è interessante quanto sta facendo Earth AI, società statunitense che è partita attingendo a una base dati di più di 40 anni ricavata da dati minerari inutilizzati e archiviati in maniera disorganizzata, unificando le informazioni e incrociandole con i dati satellitari della NASA e i dati geofisici dell’Archivio nazionale australiano.

Una volta raccolti i dati, ha iniziato a modellare quelli relativi ai depositi di metalli industriali come oro, rame, piombo e, appunto, gli elementi delle terre rare. Per fare questo ha impiegato tecniche di deep learning, addestrando una rete neurale artificiale per prevedere dove rintracciare i minerali di più alto valore.

In modo analogo agisce la già citata startup Kobold Metals, che ha attirato forti investimenti per consolidare e potenziare la sua tecnologia di esplorazione alimentata dall’intelligenza artificiale. Ha messo a punto una piattaforma per aggregare e strutturare enormi raccolte di dati scientifici e renderli rapidamente disponibili per l’analisi, impiegando una suite di algoritmi in grado di analizzarli, applicando machine learning e computer vision, per prevedere la composizione del sottosuolo in modo statisticamente valido.

C’è anche chi ha deciso di applicare tecniche di deep learning per distinguere la presenza di REE in depositi di carbonatite, fonte primaria di terre rare. Il progetto – messo a punto da un’équipe dell’Università di Nairobi – è teso allo sviluppo di un protocollo analitico di spettroscopia e di imaging chimico multiplex, sfruttando DL per la modellazione prospettica della presenza di REE in depositi di carbonatite (particolari rocce magmatiche) selezionati in Africa orientale in relazione alla loro genesi e geologia.

Come spiegano gli stessi ricercatori, i metodi attualmente utilizzati non sono in grado di modellare con accuratezza i processi associati alle distribuzioni geochimiche delle risorse minerarie e, in particolare, la presenza di terre rare nelle carbonatiti.

Per questo hanno applicato il deep learning: per sviluppare strategie di calibrazione mirate per le analisi spettrali e di imaging, nonché per modellare le distribuzioni geochimiche e individuare le associazioni legate alla presenza di REE.

Tutto ciò ha permesso di definire l’impronta geologica dei depositi rocciosi e di sviluppare un modello di esplorazione predittiva per identificare depositi di REE in varie carbonatiti, che – si augurano i ricercatori – potrebbe contribuire in modo significativo alla sostenibilità delle risorse minerarie ed energetiche strategiche dell’Africa orientale.

Approfondire la conoscenza dei materiali e separare le terre rare da altri elementi

L’adozione di tecniche d’intelligenza artificiale per le terre rare è utile anche a migliorare le modalità di esplorazione dei materiali. A questo proposito, di recente un team di ricercatori dell’Ames Laboratory e della Texas A&M University ha sviluppato un modello di machine learning per valutare la stabilità dei composti delle terre rare.

Gli scienziati hanno utilizzato il database aggiornato delle terre rare dell’Ames Laboratory – che da circa 70 anni svolge studi pionieristici sulla ricerca delle terre rare – e la teoria funzionale della densità (DFT Density-functional theory, metodo meccanico-quantistico utilizzato per studiare le proprietà termodinamiche ed elettroniche di molti sistemi corporei), in modo da costruire le basi per l’addestramento del modello ML.

Come ha spiegato uno dei responsabili della ricerca, Ames Prashant Singh, «il machine learning è molto importante nel caso dello studio di nuove composizioni, in cui i materiali conosciuti sono posti in maniera disordinata. A quel punto il numero di composizioni diventa notevole e non è possibile studiare tutte le possibili combinazioni su base teorica o mediante esperimenti».

Nel caso del metodo messo a punto dai ricercatori, l’analisi dei materiali si basa sul cosiddetto “ciclo di feedback”, in cui il modello AI viene aggiornato utilizzando un database DFT basato su specifiche informazioni ottenute in tempo reale dagli esperimenti. Questo processo garantisce il passaggio delle informazioni, riducendo la possibilità di commettere errori.

Un’altra fase delicata legata alle terre rare riguarda la loro separazione. Costituendo la maggior parte degli elementi delle terre rare, i lantanidi devono essere separati per realizzare appieno il loro potenziale come materiali critici in molte importanti tecnologie.

La scoperta di nuovi leganti per migliorare la separazione delle terre rare mediante estrazione con solvente – il processo più pratico di separazione delle terre rare – è ancora in gran parte basata su tentativi ed errori, un approccio che determina una bassa rese e inefficienze.

Per migliorare la situazione occorre applicare un modello predittivo che permetta uno screening ad alto rendimento (HTS) dei leganti, al fine di identificare quelli più adatti a ottenere migliori prestazioni di separazione. Ed è qui che entra in gioco l’intelligenza artificiale per le terre rare: sotto forma di reti neurali profonde utilizzate per prevedere coefficienti di distribuzione accurati per l’estrazione con solvente, aprendo così la strada a uno screening ad alto rendimento di leganti per la separazione delle terre rare.