Una scoperta che potrebbe cambiare radicalmente il modo in cui funzionano i chip per l’intelligenza artificiale arriva dai laboratori dell’Università della Pennsylvania. Un gruppo di ricercatori ha creato una particella ibrida, fatta di luce e materia, capace di eseguire operazioni di calcolo con una velocità e un’efficienza energetica che gli attuali componenti elettronici si sognano. E no, non è fantascienza: lo studio è stato pubblicato su Physical Review Letters il 18 maggio 2026.

Per capire quanto sia rilevante questa notizia, bisogna fare un passo indietro. Da quando esiste il computer moderno, tutto funziona grazie agli elettroni. Dalla nascita di ENIAC negli anni ’40 fino agli smartphone che portiamo in tasca, il principio è rimasto lo stesso: flussi di cariche elettriche che trasportano e processano informazioni. Il problema è che gli elettroni, muovendosi nei materiali, generano calore, incontrano resistenza e sprecano energia. Finché i compiti erano relativamente gestibili, la cosa reggeva. Ma con l’esplosione dell’intelligenza artificiale e delle sue richieste computazionali enormi, quei limiti stanno diventando un muro sempre più alto.

Fotoni ed elettroni insieme: nasce l’eccitone polaritone

Il team guidato dal fisico Bo Zhen ha puntato sui fotoni, le particelle che compongono la luce. I fotoni sono fantastici per trasportare dati: non hanno carica, non hanno massa a riposo, viaggiano a velocità imbattibili e dissipano pochissima energia. C’è però un difetto non da poco. Proprio perché sono così “neutri”, i fotoni interagiscono malissimo con l’ambiente circostante. E questo li rende inadatti alle operazioni di commutazione logica, quelle che permettono a un computer di prendere decisioni.

La soluzione trovata dai ricercatori è elegante: creare una quasiparticella chiamata eccitone polaritone. Si forma quando i fotoni vengono accoppiati in modo molto forte con gli elettroni all’interno di un semiconduttore ultrasottile, spesso quanto un singolo atomo. Il risultato è una particella che eredita il meglio di entrambi i mondi. La velocità della luce, combinata con la capacità della materia di interagire e “fare cose” a livello computazionale.

Verso chip fotonici per l’intelligenza artificiale

Già oggi esistono chip fotonici sperimentali che usano la luce per accelerare certi calcoli dell’intelligenza artificiale. Il collo di bottiglia, però, sta nelle cosiddette funzioni di attivazione non lineari, quei passaggi in cui il sistema deve in pratica “decidere” qualcosa. In quei momenti, i segnali luminosi vengono riconvertiti in segnali elettronici, e tutta l’efficienza guadagnata va a farsi benedire. Si perde tempo, si consuma più energia.

Con gli eccitoni polaritoni, il gruppo della Pennsylvania ha dimostrato di poter effettuare commutazioni interamente ottiche usando appena circa 4 quadrilionesimi di joule. Per dare un’idea: è una quantità di energia ridicolmente piccola, molto inferiore a quella necessaria per accendere anche solo per un istante un minuscolo LED.

Se questa tecnologia riuscirà a essere scalata su larga scala, le implicazioni sarebbero notevoli. Si potrebbero realizzare chip fotonici capaci di processare informazioni provenienti direttamente da sensori e fotocamere senza continue conversioni tra luce ed elettricità. E soprattutto, si potrebbe abbattere il consumo energetico mostruoso dei grandi sistemi di intelligenza artificiale, che oggi rappresenta una delle sfide più urgenti del settore tecnologico. I ricercatori ipotizzano persino applicazioni nel campo del calcolo quantistico di base, aprendo scenari che fino a poco tempo fa sembravano lontanissimi.

Lo studio porta la firma anche di Zhi Wang e Bumho Kim, ed è stato finanziato dall’Office of Naval Research statunitense e dalla Sloan Foundation. Ora resta la parte più difficile: trasformare un esperimento di laboratorio in qualcosa che possa finire dentro ai dispositivi reali.

L'articolo Eccitone polaritone: la particella che potrebbe rivoluzionare i chip IA proviene da Tecnoapple.

Un gruppo di ricercatori della University of Pennsylvania ha messo a punto un nuovo metodo basato sull’intelligenza artificiale per affrontare uno dei rompicapi matematici che da decenni tiene svegli gli scienziati di mezzo mondo: le equazioni differenziali parziali inverse. Sembra roba da mal di testa, e in effetti lo è. Ma la novità è che questa volta qualcuno ha trovato una scorciatoia elegante, senza limitarsi a buttare più potenza di calcolo sul problema.

Il cuore dell’idea sta nei cosiddetti mollifier layers, strati di elaborazione ispirati a un concetto matematico degli anni Quaranta. La loro funzione? Smussare i dati rumorosi prima di analizzarli, rendendo i calcoli più stabili e molto meno esosi in termini di risorse computazionali. Una differenza enorme rispetto ai metodi tradizionali, che tendevano ad amplificare le imperfezioni a ogni passaggio, un po’ come zoomare su una linea frastagliata e ritrovarsi con un risultato sempre meno affidabile.

Perché queste equazioni contano davvero

Le equazioni differenziali parziali sono lo scheletro della modellazione scientifica. Servono a descrivere come cambiano i sistemi nel tempo e nello spazio: dal meteo alla diffusione del calore, fino all’organizzazione del DNA nelle cellule. Le versioni inverse di queste equazioni fanno qualcosa di ancora più ambizioso. Partono dai dati osservabili e risalgono alle cause nascoste. Come guardare le increspature in uno stagno e capire dove è caduto il sasso.

Il problema è che risolvere queste equazioni inverse è sempre stato un incubo computazionale. I sistemi di intelligenza artificiale tradizionali usano un processo chiamato differenziazione automatica ricorsiva, che però diventa instabile con dati complessi o imprecisi. Il team della Penn ha capito che non serviva un computer più potente, serviva una matematica migliore. E qui entrano in gioco i mollifier layers, che agiscono come un filtro intelligente prima che il sistema inizi a calcolare le variazioni nei dati.

I risultati pubblicati su Transactions on Machine Learning Research parlano chiaro: riduzione significativa del rumore e un crollo dei costi computazionali. Non è un miglioramento incrementale, è un cambio di paradigma nell’approccio al problema.

Dal DNA al meteo: applicazioni che vanno ben oltre il laboratorio

Una delle applicazioni più promettenti riguarda la cromatina, la struttura in cui il DNA si avvolge all’interno del nucleo cellulare. Questi domini misurano appena 100 nanometri, eppure determinano quali geni vengono attivati o spenti. Comprendere le reazioni epigenetiche che governano questo processo potrebbe aprire la strada a nuove terapie contro il cancro e le malattie legate all’invecchiamento.

Se fosse possibile tracciare come cambiano nel tempo i tassi di queste reazioni, si potrebbe non solo osservare la cromatina, ma anche prevedere le sue trasformazioni. E potenzialmente reindirizzare le cellule verso stati desiderati, alterando quei tassi. Un’idea che suona quasi fantascientifica, ma che ora ha una base matematica solida.

Le applicazioni dei mollifier layers, però, non si fermano alla genetica. La ricerca sui materiali, la fluidodinamica, qualsiasi campo che coinvolga equazioni complesse e dati imperfetti potrebbe beneficiare di questo approccio. L’obiettivo dichiarato dal team è tanto semplice da enunciare quanto difficile da realizzare: passare dall’osservazione dei fenomeni alla comprensione quantitativa delle regole che li generano. Perché quando si conoscono le regole di un sistema, si ha anche la possibilità di cambiarlo.

L'articolo IA risolve uno dei problemi matematici più ostici della scienza proviene da Tecnoapple.

Una scoperta che ridimensiona parecchie aspettative sui computer quantistici arriva da un gruppo di ricercatori internazionali. Lo studio, pubblicato su Nature Physics nell’aprile 2026, dimostra qualcosa di piuttosto controintuitivo: nei circuiti quantistici affetti da rumore, la stragrande maggioranza delle operazioni eseguite finisce per non contare nulla. Solo gli ultimi passaggi influenzano davvero il risultato finale. Detto in modo ancora più diretto, i computer quantistici rumorosi “dimenticano” quasi tutto il lavoro svolto in precedenza.

La ricerca è stata guidata da Armando Angrisani e Yihui Quek dell’EPFL di Losanna, insieme a colleghi della Libera Università di Berlino e dell’Università di Copenaghen. Il punto di partenza è semplice: ogni operazione in un circuito quantistico subisce l’effetto del rumore, quelle piccole perturbazioni che nei sistemi quantistici si accumulano passo dopo passo. Pensate a una lunga fila di tessere del domino, dove ciascun pezzo deve colpire il successivo con precisione assoluta. Se le tessere traballano un po’, a un certo punto la catena perde coerenza e solo le ultime battute determinano cosa succede alla fine.

Circuiti profondi che si comportano come circuiti superficiali

Quello che il team ha dimostrato matematicamente è che, nella maggior parte dei circuiti quantistici realistici, aumentare la profondità del circuito (cioè aggiungere più passaggi in sequenza) non porta vantaggi proporzionali. Le operazioni iniziali perdono progressivamente il loro impatto man mano che il rumore si accumula. Il risultato netto è che un circuito profondo e rumoroso si comporta in modo molto simile a uno superficiale. Aggiungere complessità, insomma, non equivale automaticamente ad aggiungere potenza di calcolo.

Questo ha implicazioni enormi per chi lavora con i computer quantistici attuali. Quando si calcola una proprietà come l’energia di un sistema o lo stato di un qubit, il risultato dipende quasi esclusivamente dalle ultime operazioni. Le prime? Sbiadite, cancellate dal rumore. Sparite dalla memoria del sistema, per così dire.

C’è anche un risvolto che riguarda l’addestramento di questi circuiti. Lo studio spiega perché i circuiti quantistici rumorosi riescono comunque a essere “ottimizzati” per certi compiti: le modifiche ai parametri funzionano, ma soprattutto perché agiscono sugli strati finali, quelli che ancora influenzano l’output. Non è un segnale di robustezza del sistema, quanto piuttosto una conseguenza del fatto che il rumore ha già semplificato drasticamente la complessità effettiva.

Cosa significa tutto questo per il futuro della tecnologia quantistica

Lo studio offre una lezione di realismo. Semplicemente rendere i circuiti più profondi non basterà a raggiungere prestazioni superiori nei computer quantistici di oggi, specialmente per le misurazioni locali più comuni. Il vero progresso passa da un’altra strada: ridurre il rumore in modo significativo oppure progettare architetture di circuiti capaci di funzionare efficacemente nonostante le perturbazioni.

C’è poi un equivoco da sfatare. Il fatto che i circuiti rumorosi sembrino “addestrabili” potrebbe generare un ottimismo fuori luogo. La trainabilità apparente è in parte un effetto collaterale della semplificazione indotta dal rumore stesso. Trattare il rumore come una semplice sfocatura porta a sovrastimare le reali capacità del calcolo quantistico attuale.

Questa ricerca non chiude nessuna porta, ma ridefinisce con chiarezza dove si trovano i limiti concreti. E sapere esattamente dove stanno i problemi è, come sempre, il primo passo per risolverli davvero.

L'articolo Computer quantistici rumorosi dimenticano quasi tutto: conta solo il finale proviene da Tecnoapple.