Negli ultimi anni, l’intelligenza artificiale ha profondamente trasformato il modo di condurre la ricerca scientifica, dando origine al paradigma dell’AI for Science. In tale contesto, l’AI non si limita più all’analisi dei dati, ma assume un ruolo attivo nella simulazione di sistemi complessi e nella progettazione sperimentale. I tradizionali approcci basati su cicli iterativi di tipo trial-and-error, caratterizzati da elevati costi computazionali e sperimentali, possono essere superati grazie all’integrazione sinergica tra machine learning, simulazioni numeriche e dati sperimentali. Questo consente di sviluppare workflow adattivi ed efficienti, capaci di esplorare spazi di parametri complessi riducendo il numero di esperimenti necessari, con importanti ricadute anche in ambito industriale.