Nel nostro gruppo di ricerca studiamo e modelliamo materiali quantistici utilizzando metodologie da primi principi, basate sulla soluzione numerica accurata dell’equazione di Schrödinger a molti corpi. Questi materiali mostrano una complessa interazione tra gradi di libertà elettronici, di spin, orbitali e del reticolo cristallino, dando origine a fenomeni emergenti come isolanti di Mott, transizioni di Lifshitz, polaroni, fasi magnetiche non collineari, stati multiferroici e fasi con proprietà topologiche, non spiegabili con approcci semiclassici.
Alla base della nostra ricerca vi è l’integrazione di tecniche computazionali avanzate (DFT, DFT + U, funzionali ibridi, GW, Bethe-Salpeter, dinamiche molecolari ab initio, Monte Carlo quantistico, gruppo di rinormalizzazione funzionale) con strumenti di machine learning, intelligenza artificiale e data science. Questi approcci, propri della materials informatics, permettono di accelerare la scoperta e l’analisi di nuove fasi della materia, identificando pattern nei dati complessi e costruendo modelli predittivi delle proprietà elettroniche e strutturali. L'uso sinergico di fisica teorica e AI consente di esplorare lo spazio delle fasi dei materiali in modo efficiente, offrendo nuove prospettive per la progettazione di materiali quantistici con proprietà su misura.