NEMAD: il database AI di 67.573 materiali magnetici e cosa sappiamo sui 25 candidati sopra 500 K

Qui abbiamo fatto una cosa semplice e rara: siamo partiti dalla fonte tecnica e abbiamo ricostruito da lì tutto il resto. Il perno è un paper peer reviewed su Nature Communications. Abbiamo poi verificato che numeri e metriche coincidano anche nella scheda bibliografica su PubMed e nella versione integrale su PubMed Central. Per l’aggancio all’attualità del 19/02/2026 abbiamo controllato la comunicazione istituzionale dell’Università del New Hampshire, ripresa anche da ScienceDaily e distribuita via EurekAlert.

La regola che abbiamo seguito è pratica: ogni valore che usiamo per ragionare deve essere rintracciabile, ripetibile e leggibile senza affidarsi a interpretazioni. Il resto è analisi: cosa significa davvero quella metrica, come si traduce in scelte sperimentali e dove, invece, è facile fraintendere.

Sommario dei contenuti

• Che cos’è NEMAD, in concreto
• Come nasce: letteratura, estrazione e standardizzazione
• Le 15 feature: cosa c’è dentro un record
• Le metriche ML: cosa significano per chi misura
• Qualità dei dati e tasso di errore
• Duplicati e variabilità dei valori
• Copertura e distribuzione delle temperature
• I 25 candidati sopra 500 K: come interpretarli
• Filtro terre rare sulla short list
• Target numerici per magneti permanenti
• Limiti e bias: dove leggere con prudenza
• Replicare pipeline e audit dei record
• Accesso e replicabilità: dove consultare NEMAD e rifare lo screening
• Feature engineering: come la composizione diventa input
• Screening esterno: perché il consenso riduce i falsi positivi
• Short list completa: 25 ferromagneti e 13 antiferromagneti
• FAQ

Che cos’è NEMAD, in concreto

NEMAD viene presentato come un database di materiali magnetici costruito estraendo automaticamente dati sperimentali dalla letteratura. La parola che fa la differenza è “sperimentali”. Gran parte della ricerca in materiali vive su misure che esistono davvero ma sono sparse: risultati in testo, tabelle con più composti, unità non uniformi, note sperimentali che cambiano l’interpretazione di un valore.

Il database viene descritto con 67.573 record e ogni record è “un materiale” definito da tre pilastri: composizione chimica, dettagli strutturali e proprietà magnetiche. Questa definizione conta perché impedisce il trucco involontario dei dataset che conosciamo: tanta quantità su pochi campi. Qui l’ambizione è più ampia: includere anche struttura e parametri magnetici utili a chi studia prestazioni, non solo temperature.

Come nasce: letteratura, estrazione e standardizzazione

La parte più sottovalutata, quando si parla di AI in scienza, è l’ingegneria del flusso. Il workflow descritto nel paper gestisce articoli con formati diversi e li porta a un testo strutturato prima dell’estrazione dei campi. Questo passaggio è ciò che ti evita la “magia” e ti consegna un dataset lavorabile.

La nostra lettura è questa: il valore pratico non sta nel fatto che un LLM legga, sta nel fatto che l’output diventi coerente. Coerente significa che una Curie in Kelvin non si mescola con una magnetizzazione in A m^-1, che un DOI resta un gancio di verifica e che un record non confonde due composti presenti nella stessa tabella.

Le 15 feature: cosa c’è dentro un record

Qui arriviamo alla parte che fa lavorare davvero il database. NEMAD viene descritto con 15 campi per entry. In pratica ti dice non solo “quanto resta magnetico un materiale” ma anche come è fatto e da dove viene l’informazione.

Le metriche ML: cosa significano per chi misura

Gli autori riportano un risultato che oggi fa notizia perché è usabile: accuratezza 90% nella classificazione tra ferromagnetico, antiferromagnetico e non magnetico. Poi arrivano le regressioni. La migliore predizione di Curie viene riportata con R^2 0,87 e MAE 56 K. Per Néel si parla di R^2 0,83 e MAE 38 K.

Traduzione operativa. Un MAE di 56 K significa che, in media, l’errore assoluto sta nell’ordine di 56 gradi Kelvin, quindi decine di gradi Celsius come scala. Questo non uccide il progetto, lo definisce. Con quell’errore tu non compri un materiale “sicuro”, tu compri una priorità. Il valore è nella separazione: cosa ha probabilità di stare in alto e cosa quasi certamente no.

Un altro dettaglio importante riportato è l’uso di feature generate dalla composizione chimica. In termini pratici significa copertura elevata e meno campi mancanti, quindi più materiali restano addestrabili e confrontabili. Se lavori su database reali, sai che questo è un vantaggio concreto.

I 25 candidati sopra 500 K: come interpretarli senza farsi male

La frase “25 candidati sopra 500 K” è quella che fa girare la notizia. Noi la mettiamo su binari. 500 K corrispondono a circa 227 °C. È una soglia severa e ha senso perché molte applicazioni industriali soffrono il decadimento magnetico con la temperatura.

Questo però non basta per parlare di magneti permanenti “pronti”. Curie alta è un prerequisito. Poi arrivano filtri più duri: coercività, anisotropia, stabilità delle fasi, processabilità e costo. Il database contiene campi utili anche per questo, però la qualità finale la decide la misura su campione e la replicabilità.

Qui sta il punto che ci interessa come redazione: NEMAD non vende certezze, vende accelerazione. Trasforma un problema da milioni di combinazioni a un set di ipotesi che vale la pena mettere su banco.

Per chi vuole i nomi uno per uno, la tabella completa con sistemi cristallini e stime XGBoost è nella card short list completa che trovi più sotto.

Limiti e bias: dove leggere con prudenza

Ogni database costruito da letteratura porta un’impronta. Nel caso descritto, la letteratura di partenza è selezionata e questo crea un bias naturale su classi di materiali più pubblicate, più misurate o più “di moda” in certe stagioni scientifiche. Non è un difetto, è un dato di fatto da governare.

Il secondo punto è metodologico. Un LLM è forte nel trasformare testo in struttura, poi resta vulnerabile a ambiguità, unità, contesto sperimentale e tabelle dense. Il record con DOI aiuta a difendersi perché riporta il lettore alla sorgente, quindi la verifica resta possibile.

Prima di usare un database estratto da PDF noi ci facciamo sempre una domanda: quanto sbaglia davvero. Qui c’è un numero dichiarato. Gli autori hanno preso un campione casuale di 5.015 record e hanno confrontato campo per campo l’output estratto con il contenuto del paper originale usando un valutatore automatico (Gemini 2.5). Risultato: accuratezza mediana 94% sui campi estratti.

Questo non significa che ogni singolo record sia “giusto al 94%”. Significa che, guardando i campi uno per uno, la mediana dell’accuratezza è 0,94. In pratica NEMAD è ottimo per triage e per costruire set di training, poi quando un valore diventa decisionale noi risaliamo al DOI.

Dove l’errore è più probabile

• Tabelle e figure: i numeri in tabella possono “slittare” di riga o colonna durante l’estrazione.
• Unità e conversioni: Oe, kA/m, emu, A m^-1, μB possono comparire in forme diverse o in notazioni miste.
• PDF scansionati: quando serve OCR aumentano i refusi (punti decimali, segni meno, simboli).
• Contesto sperimentale: lo stesso materiale può cambiare proprietà con microstruttura, trattamenti, purezza.

Checklist di verifica in 60 secondi

• Apriamo il DOI del record e cerchiamo il valore in testo o tabella.
• Controlliamo unità e condizioni di misura riportate.
• Se nel record compaiono più proprietà, verifichiamo che si riferiscano allo stesso campione.
• Annotiamo fonte e pagina: se torna tutto, allora il dato è “buono per lavorarci”.

Nota: la stima dell’accuratezza è fatta su un campione e con un valutatore automatico. Se stiamo prendendo decisioni ad alto impatto conviene validare anche a mano un micro campione del proprio subset.

NEMAD aggrega letteratura. Tradotto: la stessa formula può comparire più volte, anche con temperature diverse. Non è un bug automatico. È spesso variabilità reale tra campioni, sintesi, fasi, metodi di misura, oppure differenze di come un paper riporta i risultati.

Nel dataset usato per addestrare i modelli di regressione gli autori partono da 24.500 record con temperatura di Curie e 9.500 con temperatura di Néel. Quando più articoli riportano temperature per la stessa composizione, raggruppano per formula chimica e usano la media delle temperature di transizione. Dopo il raggruppamento restano 15.577 composti ferromagnetici unici e 7.893 antiferromagnetici unici.

Cosa implica questa scelta

• Riduce rumore: la media attenua outlier e refusi, quindi aiuta i modelli.
• Nasconde dispersione: se un composto ha Tc molto variabile tra paper, la media lo “normalizza”.
• Fasi diverse stessa formula: una composizione può esistere in più strutture e non è detto che abbiano la stessa Tc.
• Decisione pratica: per discovery va bene una stima centrale, per ingegnerizzazione serve anche capire lo spread.

Come lo usiamo noi: la media è un buon punto di partenza, poi quando un candidato entra in laboratorio vale la regola del DOI: si torna al paper e si controllano condizioni e campione.

Due cose sono vere nello stesso momento: NEMAD è grande e non è uniforme. Le temperature di transizione sono il dato più ricorrente perché tantissimi lavori riportano Tc o TN, mentre proprietà hard-magnet come coercività e remanenza compaiono solo quando vengono misurate e pubblicate.

Curie: come si distribuiscono i composti

Nel set ferromagnetico usato nel lavoro, 47% dei composti ha Tc sotto 300 K e 22% supera 600 K. Quello che resta cade tra 300 K e 600 K. Questa “coda alta” è il motivo per cui ha senso uno screening mirato ai valori più elevati, anche se resta una minoranza.

FM, AFM e “entrambi”: una copertura utile da sapere

Nel database riportato nel paper la ripartizione è circa 68% ferromagnetici, circa 30% antiferromagnetici e circa 2% con entrambe le transizioni (in base ai record disponibili). In un colpo d’occhio ci dice dove è più probabile trovare Tc elevate, ma anche quanto materiale AFM esiste per chi lavora su spintronica e fenomeni correlati.

Regola rapida: un campo mancante in NEMAD va letto come “non riportato” e non come “zero”. Questo dettaglio da solo evita un sacco di interpretazioni sbagliate.

Qui c’è un passaggio che spesso viene saltato, poi ci si stupisce se un modello “indovina” senza capire. La scelta tecnica è questa: rappresentare ogni materiale con un vettore di 84 dimensioni, una per ciascun elemento chimico presente nel database, usando le proporzioni atomiche. È una firma compatta che cattura sostituzioni e famiglie chimiche senza bisogno di coordinate atomiche complete.

Da quel vettore, gli autori derivano indicatori che hanno senso fisico: medie pesate di numero atomico, peso atomico, elettronegatività e momento magnetico. Aggiungono anche misure di “complessità composizionale” come la norma L2 e l’entropia di composizione, utili quando passi da composti quasi binari a formule più affollate.

C’è un dettaglio che vale oro se fai screening: calcolano anche la frazione totale di elementi tipicamente associati a Curie elevate come Fe, Co e Ni e separano la quota di terre rare. Infine, quando la struttura è disponibile, il sistema cristallino entra come one hot encoding. Questo ci dice una cosa pratica: il modello non “vede” la microstruttura, però vede abbastanza chimica più una traccia strutturale da costruire ranking sensati.

Qui mettiamo sul tavolo la tabella che mancava per chi vuole restare autosufficiente. Riportiamo la short list dei composti evidenziati nello studio, distinguendo ferromagneti e antiferromagneti. Per restare leggibili senza gonfiare la pagina, mostriamo la stima XGBoost della temperatura di transizione come media ± deviazione standard su dieci addestramenti con semi diversi.

Ferromagneti selezionati

Antiferromagneti selezionati

Nota di lettura: lo studio segnala che nella regione di Curie molto alta i modelli tendono a sottostimare sul dataset originale e questo viene interpretato come bisogno di più dati ad alta temperatura. In pratica, qui la cifra più utile è l’ordine di grandezza e la coerenza tra modelli più che il singolo Kelvin.

Per diversi lettori la domanda è molto concreta: quanti candidati richiedono elementi delle terre rare. Qui usiamo una definizione standard che include scandio, ittrio e lantanidi.

Il resto della short list, per costruzione, non contiene terre rare secondo questa definizione. Attenzione però: RE free non significa automaticamente “economico” o “facile”, perché diversi candidati includono elementi costosi o critici (per esempio Pt e Rh).

Come lo usiamo noi: il filtro RE è un criterio di industrializzazione, non un criterio di fisica. Va applicato dopo aver capito cosa stiamo cercando e perché.

Per chi vuole chiudere la pagina senza dubbi, qui separiamo ciò che è consolidato dai dati da ciò che è una nostra lettura tecnica. È il modo più pulito per non confondere performance ML con prestazione magnetica reale.

Fatti verificati

• NEMAD viene descritto con 67.573 record e 15 campi che includono composizione più struttura e proprietà magnetiche.
• Nel database la distribuzione dichiarata è 68% ferromagneti, 30% antiferromagneti e circa 2% con entrambe le etichette.
• Lo screening esterno basato su consenso produce 602 ferromagneti e 237 antiferromagneti su cui vengono applicate le regressioni.
• La tabella della short list include 25 composti ferromagnetici e 13 antiferromagnetici con stime riportate come media ± deviazione standard.

Deduzioni utili

• La short list va trattata come agenda sperimentale: una Curie alta da sola non garantisce un magnete permanente competitivo perché mancano anisotropia, microstruttura e stabilità in esercizio.
• Molti candidati ferromagnetici sono dominati da metalli di transizione e questo suggerisce una ricerca di sistemi a basso contenuto di terre rare, anche se la lista non è esclusivamente rare earth free.
• Il filtro di consenso è la scelta che più abbassa il rumore per chi sintetizza: meno tempo perso su falsi positivi, più energia su verifiche mirate.
• Nei materiali ad altissima Curie ha più valore la coerenza tra modelli che il singolo numero, quindi conviene usare la tabella come ranking e non come specifica.

Se devi scegliere cosa misurare domani mattina

Questo è l’uso più concreto di NEMAD. Non partire dall’hype, parti da un protocollo. I modelli ti consegnano candidati e stime, poi serve una sequenza di controlli che trasformi la previsione in risultato.

Un percorso di lavoro che regge

• Step 1: seleziona per soglia (Curie o Néel) e fai subito un controllo sulla composizione, pensando già a costo e disponibilità degli elementi.
• Step 2: vai al DOI e verifica condizioni sperimentali, purezza del campione e presenza di più fasi.
• Step 3: controlla struttura e simmetria, perché anisotropia e stabilità microstrutturale passano da lì.
• Step 4: pianifica misure magnetiche con un obiettivo chiaro: distinguere transizione, coercività e perdita con temperatura.
• Step 5: se il materiale regge, solo allora ha senso parlare di processo e scalabilità.

Alcuni termini sembrano familiari, poi ti tradiscono quando devi decidere cosa misurare. Li fissiamo qui in modo operativo.

• Temperatura di Curie (T_C): soglia sopra la quale un ferromagnete perde l’ordine magnetico spontaneo.
• Temperatura di Néel (T_N): soglia analoga per gli antiferromagneti, con ordine magnetico opposto tra sottoreticoli.
• Curie Weiss (θ): parametro legato al comportamento della suscettività, utile per leggere interazioni e competizione.
• Coercività: misura della resistenza alla smagnetizzazione, centrale per magneti permanenti.
• Remanenza: magnetismo residuo a campo esterno nullo dopo magnetizzazione.
• Br: notazione comune per la remanenza. È il valore “residuo” del campo nel magnete dopo aver rimosso il campo esterno.
• Hcj: coercività intrinseca. È più informativa della coercività “B” quando ragioniamo su stabilità del magnete contro smagnetizzazione.
• BHmax: prodotto energetico massimo. È una metrica pratica per confrontare famiglie e gradi di magneti permanenti.
• MGOe: unità tradizionale usata in schede materiali per BHmax (spesso riportata accanto a kJ/m³).

Registro degli aggiornamenti sostanziali: trasparenza su modifiche, correzioni e integrazioni informative.

• Giovedì 19 febbraio 2026 alle ore 10:10: Pubblicazione: ricostruzione tecnica di NEMAD, numeri chiave e implicazioni concrete per la ricerca di materiali magnetici ad alta temperatura.
• Giovedì 19 febbraio 2026 alle ore 10:27: Aggiunta la tabella delle 15 feature del database e una guida pratica per leggere Curie, Néel e Curie Weiss senza fraintendimenti.
• Giovedì 19 febbraio 2026 alle ore 10:43: Rafforzata la sezione “Dal candidato al magnete” con criteri sperimentali e rischi tipici dei falsi positivi nella selezione AI.
• Giovedì 19 febbraio 2026 alle ore 10:52: Inserite le card di approfondimento su accesso ai dati, feature engineering, screening esterno e tabella completa della short list (25 FM e 13 AFM) con nota sugli asterischi.
• Giovedì 19 febbraio 2026 alle ore 10:59: Aggiornate FAQ e timeline per chi usa NEMAD in R&D e vuole capire cosa cambia davvero dopo l’identificazione dei 25 candidati sopra 500 K.