Capire come l’universo produce gli elementi più pesanti che conosciamo è una delle sfide più affascinanti dell’astrofisica moderna. E adesso, grazie a un nuovo modello di intelligenza artificiale sviluppato da un team internazionale al centro di ricerca GSI/FAIR in Germania, simulare le reazioni nucleari che avvengono durante le fusioni di stelle di neutroni è diventato enormemente più veloce e accessibile. Lo studio, pubblicato sulla rivista Physical Review D nel luglio 2026, potrebbe cambiare il modo in cui gli scienziati collegano le osservazioni dello spazio profondo con gli esperimenti condotti nei laboratori terrestri.

Il punto è questo: molti degli elementi pesanti presenti in natura, dall’oro al platino fino all’uranio, vengono forgiati durante eventi cosmici di violenza inimmaginabile. Esplosioni di supernova e fusioni di stelle di neutroni generano l’energia necessaria per un processo chiamato cattura rapida di neutroni, noto anche come processo r. Durante questa fase, i nuclei atomici assorbono neutroni liberi a una velocità folle, alcuni dei quali si trasformano poi in protoni, permettendo ai nuclei di crescere fino a formare atomi sempre più pesanti. Simulare tutto questo, però, richiede una potenza di calcolo enorme. E qui entra in gioco il nuovo strumento.

Come funziona RHINE, il sistema basato sul deep learning

Il modello si chiama RHINE, acronimo che sta per “r-process heating implementation in hydrodynamic simulations with neural networks”. In pratica, utilizza una rete neurale di deep learning per stimare quanta energia viene rilasciata durante le reazioni nucleari del processo r, mentre le simulazioni idrodinamiche sono in corso. Questa energia, chiamata riscaldamento, influenza sia la velocità della materia espulsa durante le esplosioni stellari, sia la luce prodotta subito dopo. Nel caso delle fusioni di stelle di neutroni, quella luce si osserva come una kilonova.

Il trucco sta nell’addestramento: prima il modello viene allenato su un vasto archivio di calcoli di riferimento che includono reti complete di reazioni nucleari. Una volta pronto, riesce a stimare i tassi di riscaldamento con una precisione notevole, usando solo una frazione della potenza computazionale che servirebbe normalmente. Come ha spiegato il dottor Zewei Xiong, uno degli sviluppatori principali, i confronti dettagliati con i dati di riferimento hanno mostrato un grado di accordo altissimo, confermando che il risparmio di tempo di calcolo è davvero significativo.

Uno strumento aperto per il futuro della ricerca

La cosa interessante è che RHINE non resta chiuso in un laboratorio. Il codice sorgente è stato reso pubblicamente disponibile, così altri ricercatori possono utilizzarlo e migliorarlo. E le prospettive sono concrete: simulazioni più dettagliate delle fusioni di stelle di neutroni potrebbero presto essere messe a confronto con le osservazioni astronomiche reali e con gli esperimenti che verranno condotti nella futura struttura di ricerca FAIR. Il progetto ha ricevuto finanziamenti anche dal Consiglio Europeo della Ricerca, a conferma della rilevanza scientifica del lavoro svolto. Resta da vedere quanto velocemente la comunità scientifica adotterà questo approccio, ma le premesse fanno pensare che il modello di intelligenza artificiale applicato all’astrofisica nucleare abbia davvero trovato la sua strada.

L'articolo IA svela come nascono gli elementi pesanti dalle stelle di neutroni proviene da Tecnoapple.

Una nuova mappa corporea basata sull’intelligenza artificiale ha rivelato qualcosa che nessuno si aspettava: l’obesità non si limita a stravolgere il metabolismo, ma attacca silenziosamente anche i nervi facciali. A scoprirlo è stato un team di ricercatori dell’Helmholtz Munich, dell’Università Ludwig Maximilians di Monaco e di diversi istituti partner, grazie a una piattaforma chiamata MouseMapper. Lo studio, pubblicato sulla rivista Nature il 23 maggio 2026, cambia parecchio la prospettiva su come questa condizione agisce sull’intero organismo.

MouseMapper è, in sostanza, un sistema di deep learning capace di scansionare il corpo intero di un topo con un livello di dettaglio cellulare mai raggiunto prima. Non si concentra su un singolo organo o tessuto: analizza tutto contemporaneamente. Riesce a identificare e segmentare 31 organi e tipi di tessuto, mappando reti nervose e cellule immunitarie lungo tutto il corpo. Per ottenere questi risultati, i ricercatori hanno reso i topi letteralmente trasparenti attraverso tecniche di pulizia tissutale, preservando marcatori fluorescenti che illuminano nervi e cellule del sistema immunitario. Poi, con la microscopia a foglio di luce, hanno catturato immagini tridimensionali enormi, con decine di milioni di strutture cellulari. A quel punto è entrata in gioco l’intelligenza artificiale, che ha analizzato automaticamente tutta quella mole di dati senza che i ricercatori dovessero decidere in anticipo dove guardare.

Obesità e nervo trigemino: la scoperta inattesa

Il colpo di scena è arrivato quando il team ha sottoposto alcuni topi a una dieta ricca di grassi, inducendo obesità e problemi metabolici simili a quelli umani. MouseMapper ha individuato alterazioni diffuse nell’organizzazione delle cellule immunitarie e nelle strutture nervose. Ma la sorpresa più grande ha riguardato il nervo trigemino, quel grande nervo facciale responsabile della sensibilità del viso e di alcune funzioni motorie. Nei topi obesi, i rami sensoriali di questo nervo risultavano drasticamente ridotti, con meno terminazioni nervose e segnali evidenti di compromissione funzionale. I test comportamentali lo hanno confermato: i topi obesi reagivano molto meno agli stimoli sensoriali rispetto a quelli magri.

I ricercatori hanno poi analizzato il ganglio trigeminale, dove risiedono i corpi cellulari dei neuroni sensoriali facciali. Attraverso la proteomica spaziale hanno identificato cambiamenti molecolari legati a infiammazione e rimodellamento nervoso. E qui la faccenda si fa ancora più interessante: le stesse firme molecolari sono state trovate anche nel tessuto trigeminale di persone affette da obesità. Questo suggerisce che il danno ai nervi facciali non sia un fenomeno limitato ai modelli animali, ma qualcosa che potrebbe verificarsi anche negli esseri umani.

Uno strumento che potrebbe cambiare le regole del gioco

Il professor Ali Ertürk, direttore dell’Istituto per l’Intelligenza Biologica presso Helmholtz Munich, ha spiegato che la visione a lungo termine è quella di costruire veri e propri gemelli digitali dei topi, atlanti cellulari interrogabili e simulabili al computer. L’obiettivo? Individuare i cambiamenti più precoci causati da una malattia, progettare interventi preventivi e accelerare la scoperta di nuovi trattamenti, riducendo al tempo stesso il numero di esperimenti fisici necessari.

MouseMapper non si ferma all’obesità. Il team è convinto che questo strumento possa diventare fondamentale per studiare malattie complesse che colpiscono più sistemi organici simultaneamente: dal diabete al cancro, dalle patologie neurodegenerative ai disturbi autoimmuni. I dataset completi sono stati resi disponibili online per la comunità scientifica internazionale, così che chiunque possa esplorare i cambiamenti legati all’obesità nei vari organi e tessuti. Una mossa che, nel mondo della ricerca, vale quasi quanto la scoperta stessa.

L'articolo Obesità, l’IA svela danni nascosti sui nervi facciali: la scoperta proviene da Tecnoapple.

Le correnti oceaniche nascondono dinamiche che per decenni sono rimaste invisibili agli strumenti di osservazione tradizionali. Ora, grazie a una nuova tecnica basata sull’intelligenza artificiale, un gruppo di ricercatori è riuscito a trasformare le immagini termiche dei comuni satelliti meteorologici in mappe dettagliatissime dei movimenti dell’oceano. Il metodo si chiama GOFLOW (Geostationary Ocean Flow) ed è stato sviluppato da scienziati della Scripps Institution of Oceanography, presso l’Università della California a San Diego, insieme a colleghi della UCLA, dell’Università di Tel Aviv e dell’Università del Rhode Island. I risultati sono stati pubblicati su Nature Geoscience nell’aprile 2026.

Il punto di partenza è tanto semplice quanto geniale. I satelliti geostazionari come il GOES East, normalmente utilizzati per le previsioni del tempo, catturano immagini termiche della superficie oceanica ogni cinque minuti. In queste immagini si vedono le nuvole, certo, ma anche i movimenti di masse d’acqua calda e fredda. Luc Lenain, il ricercatore che ha guidato il progetto, si è accorto che correnti importanti come la Corrente del Golfo erano già visibili in quei pattern di temperatura. Mancava solo il modo di tradurre quei cambiamenti visivi in dati concreti sulle correnti sottostanti. Ed è qui che entra in gioco il deep learning.

Come funziona GOFLOW e perché cambia le regole del gioco

Il team ha addestrato una rete neurale a riconoscere come i pattern termici sulla superficie del mare si deformano, si allungano e si spostano sotto l’effetto delle correnti. L’addestramento è avvenuto utilizzando simulazioni computerizzate molto dettagliate della circolazione oceanica, in cui a ogni configurazione termica corrispondeva una velocità dell’acqua nota. Una volta pronto, il modello è stato applicato a sequenze reali di immagini satellitari, riuscendo a ricostruire le correnti con una risoluzione che i metodi precedenti non potevano nemmeno avvicinare.

E i risultati reggono il confronto con la realtà. Quando i ricercatori hanno testato GOFLOW contro misurazioni dirette raccolte da navi nella regione della Corrente del Golfo durante il 2023, la corrispondenza è stata notevole. Ma la differenza vera sta nel livello di dettaglio: dove i satelliti altimetrici tradizionali restituiscono medie spalmante su aree enormi e con tempi di rivisita di circa dieci giorni, GOFLOW riesce a catturare strutture piccole e veloci come vortici e strati di confine, quelle che si formano e spariscono nel giro di poche ore.

Questa capacità ha un’importanza enorme per la comprensione del mixing verticale, cioè quel processo per cui le acque superficiali scendono in profondità e viceversa. Il mixing verticale porta nutrienti dal fondale verso la superficie, alimentando gli ecosistemi marini, e allo stesso tempo trascina anidride carbonica verso il basso, dove può rimanere immagazzinata a lungo termine. Fino a oggi, le dinamiche a piccola scala che guidano questo processo erano osservabili quasi esclusivamente nelle simulazioni. Con GOFLOW, per la prima volta, si possono studiare con dati reali.

Nessun nuovo satellite necessario: il futuro è già in orbita

L’aspetto forse più elegante di tutta la faccenda è che GOFLOW non richiede il lancio di nuovi strumenti nello spazio. Funziona con dati che i satelliti meteorologici già raccolgono quotidianamente. Questo lo rende economicamente sostenibile e potenzialmente integrabile nei sistemi di previsione meteorologica e nei modelli climatici esistenti. Le applicazioni pratiche sono molteplici: dal miglioramento delle operazioni di ricerca e soccorso in mare al tracciamento delle maree nere, fino a una comprensione più profonda delle interazioni tra oceano e atmosfera.

Resta un limite da affrontare: la copertura nuvolosa. Le nuvole bloccano le immagini termiche su cui si basa il sistema, creando buchi nei dati. Il team sta già lavorando per integrare fonti satellitari aggiuntive e colmare queste lacune. L’obiettivo dichiarato è espandere GOFLOW su scala globale. E in un gesto che vale la pena sottolineare, i ricercatori hanno reso pubblicamente disponibili sia i dati prodotti sia il codice del modello, aprendo la strada ad altri scienziati che vorranno costruire su questa base.

L'articolo GOFLOW: l’IA svela correnti oceaniche mai osservate prima proviene da Tecnoapple.