La corsa verso i superconduttori a temperatura ambiente potrebbe aver trovato una marcia in più, grazie a un metodo che combina intelligenza artificiale e fisica quantistica. Un team internazionale guidato dalla professoressa Päivi Törmä dell’Università di Aalto ha dimostrato che il machine learning può setacciare un numero quasi infinito di combinazioni chimiche per individuare i candidati più promettenti, riducendo drasticamente i tempi di scoperta. E non si tratta solo di teoria: due nuovi superconduttori sono già stati identificati, sintetizzati e verificati sperimentalmente.

I superconduttori, materiali capaci di condurre elettricità senza alcuna resistenza, esistono già e vengono utilizzati in tecnologie che vanno dai computer quantistici ai treni a levitazione magnetica, passando per i reattori a fusione e i sistemi di neuroimaging medico. Il problema è che funzionano solo a temperature bassissime, vicine allo zero assoluto, e richiedono sistemi di raffreddamento costosi e complessi. Trovarne uno che funzioni a temperatura ambiente cambierebbe radicalmente il panorama energetico globale. Basterebbe pensare a cosa significherebbe sostituire i conduttori tradizionali nei data center e nei computer: il consumo energetico crollerebbe e l’impronta termica del settore ICT si ridurrebbe in modo impressionante.

Come funziona il nuovo approccio basato sull’IA

Il consorzio SuperC, fondato nel 2023 dalla professoressa Törmä insieme a un gruppo internazionale di fisici, è la prima collaborazione globale coordinata dedicata specificamente alla scoperta di nuovi superconduttori. L’obiettivo dichiarato è ambizioso: trovare un superconduttore a temperatura ambiente entro il 2033.

Nel lavoro più recente, pubblicato su Physical Review Research, il team ha identificato due nuovi materiali superconduttori: YRu3B2 e LuRu3B2. Le loro proprietà derivano da elettroni che formano bande piatte all’interno di un reticolo kagome, una struttura geometrica ispirata ai tradizionali motivi giapponesi di intreccio dei cestini. Il processo è stato strutturato in fasi: prima il machine learning ha scremato enormi quantità di combinazioni elementari possibili, poi un algoritmo specializzato ha selezionato i candidati migliori, che sono stati analizzati con calcoli quantistici dettagliati. Una volta confermate le previsioni teoriche, i colleghi della Rice University, guidati dalla professoressa Emilia Morosan, hanno sintetizzato i materiali e verificato che fossero effettivamente superconduttori.

Perché questa scoperta conta davvero

Per capire la portata di questo risultato, serve un po’ di contesto. In decenni di ricerca, la comunità scientifica ha identificato oltre 7.000 superconduttori, ma quasi tutti per puro caso. Il processo di valutazione teorica è talmente pesante dal punto di vista computazionale che, di fatto, solo una ventina di questi materiali sono stati previsti prima di essere scoperti. E anche quando un materiale sembra promettente sulla carta, potrebbe rivelarsi impossibile da sintetizzare o da produrre su larga scala.

L’approccio del team SuperC cambia le regole del gioco. Invece di sottoporre ogni singola combinazione a calcoli quantistici complessi, si usa l’intelligenza artificiale come filtro iniziale, concentrando le risorse computazionali solo sui candidati con le probabilità più alte. Secondo Törmä, questo metodo potrebbe permettere di analizzare miliardi di materiali, portando la ricerca dei superconduttori a temperatura ambiente a un livello completamente nuovo. Non è ancora la soluzione definitiva, ma rappresenta un passo critico nella direzione giusta. E in un campo dove ogni piccolo progresso richiede anni di lavoro, avere uno strumento capace di moltiplicare le possibilità fa tutta la differenza del mondo.

L'articolo IA e superconduttori: due nuovi materiali scoperti grazie al machine learning proviene da Tecnoapple.

Quella strana luminescenza di raggi gamma che avvolge il cuore della Via Lattea continua a far discutere astrofisici di mezzo mondo. E ora, grazie a una nuova analisi potenziata dal machine learning, la possibilità che si tratti di un segnale legato alla materia oscura torna prepotentemente in gioco. Un team di ricercatori dell’Università di Vienna e del Lawrence Berkeley National Laboratory ha rimesso in discussione le conclusioni di molti studi precedenti, e il risultato è stato pubblicato su Physical Review Letters alla fine di giugno 2026.

Il fenomeno in questione si chiama Galactic Center Excess (GCE): un alone diffuso e quasi sferico di raggi gamma che si estende per migliaia di anni luce attorno al centro galattico. Da oltre un decennio, la comunità scientifica si divide tra chi lo attribuisce a una popolazione nascosta di pulsar millisecondo, cioè stelle di neutroni che ruotano a velocità impressionanti emettendo radiazioni ad alta energia, e chi invece lo considera un possibile indizio della materia oscura che si autoannichila. Il problema è che nessuno è mai riuscito a mettere la parola fine al dibattito. Il centro della Via Lattea è una regione talmente affollata e luminosa nel cielo gamma che interpretare qualsiasi segnale diventa un esercizio quasi impossibile.

Cosa cambia con il nuovo approccio basato sull’intelligenza artificiale

Ed è proprio qui che entra in scena il lavoro del gruppo guidato da Florian List. Il team ha sviluppato un sistema di machine learning addestrato su oltre un milione di osservazioni simulate di raggi gamma. La vera novità, però, sta in un dettaglio che sembra banale ma non lo è affatto: per la prima volta, l’analisi ha valutato contemporaneamente sia la distribuzione spaziale del segnale sia l’energia dei singoli fotoni. Gli studi precedenti, in sostanza, guardavano solo dove arrivava il segnale, non come era fatto dal punto di vista energetico.

E i risultati cambiano parecchio. Le analisi passate suggerivano che il bagliore provenisse da sorgenti puntiformi relativamente luminose ma non ancora risolte individualmente. Con il nuovo metodo, invece, emerge che queste ipotetiche sorgenti dovrebbero essere così deboli da risultare praticamente indistinguibili dall’emissione che ci si aspetterebbe dalla materia oscura che si annichila. Come ha spiegato Nick Rodd, coautore dello studio, a quel livello di debolezza la distinzione tra le due spiegazioni diventa quasi irrilevante.

Il nodo delle pulsar e il futuro della ricerca

C’è poi la questione dei numeri. Se davvero le pulsar millisecondo fossero responsabili del Galactic Center Excess, secondo questa analisi ne servirebbero almeno 35.000 stipate nel centro della Via Lattea. Una cifra enorme, molto superiore alle poche centinaia o poche migliaia ipotizzate da altri studi. E questo rende la spiegazione basata sulle pulsar decisamente meno convincente di quanto sembrasse fino a poco tempo fa.

Nessuno sta gridando alla scoperta definitiva, va detto chiaramente. Lo stesso List ha sottolineato che il loro lavoro non dimostra che la materia oscura sia responsabile del segnale. Però indebolisce in modo significativo uno degli argomenti più forti che erano stati usati per escluderla. E in un campo dove ogni piccolo spostamento dell’ago della bilancia conta, questo è già un risultato notevole. La fonte del bagliore gamma al centro della Via Lattea resta per ora sconosciuta, ma la partita della materia oscura è tutt’altro che chiusa.

L'articolo Via Lattea, il bagliore gamma al centro potrebbe essere materia oscura proviene da Tecnoapple.

Un esame del sangue sperimentale sviluppato grazie all’intelligenza artificiale potrebbe presto permettere ai medici di diagnosticare forme di demenza che si sovrappongono tra loro, rendendo finalmente possibile distinguere condizioni che oggi vengono spesso confuse o identificate troppo tardi. È il risultato di una ricerca che ha fatto lavorare insieme neuroscienziati e ingegneri informatici, con l’obiettivo di trasformare un processo diagnostico lungo e costoso in qualcosa di molto più accessibile.

Perché le demenze sovrapposte sono così difficili da riconoscere

Chi si occupa di neurologia lo sa bene: in molti pazienti non c’è una sola forma di demenza, ma due o più patologie che coesistono. L’Alzheimer, per esempio, può presentarsi insieme alla demenza vascolare o alla demenza a corpi di Lewy. Quando succede, i sintomi si mescolano e la diagnosi diventa un vero rompicapo. Fino a oggi, l’unico modo davvero affidabile per confermare queste sovrapposizioni era l’analisi post mortem del tessuto cerebrale, il che ovviamente non aiuta il paziente in vita. Le tecniche di imaging e i biomarcatori tradizionali offrono indicazioni utili, certo, ma faticano a cogliere la complessità di queste situazioni miste.

Ed è proprio qui che entra in gioco l’intelligenza artificiale. I ricercatori hanno addestrato algoritmi di machine learning su un’enorme quantità di dati provenienti da campioni di sangue, insegnando al sistema a riconoscere combinazioni di biomarcatori che l’occhio umano, da solo, non riesce a interpretare con la stessa precisione. Il risultato è un test capace di individuare pattern sottili, quei segnali che indicano la presenza contemporanea di più forme di demenza nello stesso paziente.

Cosa potrebbe significare per i pazienti e per la medicina

Se le prossime fasi di validazione clinica confermeranno questi risultati, le implicazioni saranno enormi. Un semplice prelievo di sangue potrebbe sostituire procedure invasive e costose, rendendo lo screening per la demenza molto più rapido e diffuso. Questo non vuol dire solo diagnosi più precoci. Significa anche terapie più mirate, perché sapere esattamente quale combinazione di patologie colpisce un paziente permette di calibrare meglio il trattamento.

C’è poi un aspetto che vale la pena sottolineare: un esame del sangue è qualcosa che qualsiasi ambulatorio può gestire. Non servono macchinari da milioni di euro né centri ultraspecializzati. In un contesto come quello italiano, dove le liste d’attesa per le visite neurologiche sono spesso lunghissime, uno strumento del genere potrebbe fare una differenza concreta nella vita di migliaia di persone.

Naturalmente siamo ancora nella fase sperimentale, e saranno necessari studi più ampi prima che questo esame del sangue arrivi nella pratica clinica quotidiana. Ma il fatto che l’intelligenza artificiale stia aprendo strade che fino a pochi anni fa sembravano impensabili è qualcosa che merita attenzione. Non come promessa futuristica, ma come possibilità reale e sempre più vicina.

L'articolo IA e analisi del sangue: il test che potrebbe rivoluzionare la diagnosi delle demenze proviene da Tecnoapple.

Gli strumenti di verifica del codice e l’intelligenza artificiale stanno cambiando il modo in cui si affrontano i problemi matematici più complessi. A raccontarlo è il giornalista Kevin Hartnett, che ha dedicato un approfondimento al tema esplorando come queste tecnologie stiano diventando alleate dei matematici, non sostitute.

E qui vale la pena fermarsi un momento, perché la questione è meno scontata di quanto sembri. Non si parla di calcolatrici potenti o software che risolvono equazioni al posto degli esseri umani. Si parla di qualcosa di molto più sottile: strumenti capaci di verificare la correttezza logica di dimostrazioni estremamente elaborate, quelle che normalmente richiederebbero mesi di revisione da parte di altri esperti. Il lavoro di Hartnett mette in luce proprio questo passaggio, cioè il momento in cui la tecnologia smette di essere un semplice supporto e diventa un vero interlocutore nel processo di scoperta.

Come funzionano gli strumenti di verifica del codice

I cosiddetti proof assistants, ovvero gli assistenti di dimostrazione, esistono da tempo nel mondo accademico. Ma negli ultimi anni hanno fatto un salto di qualità enorme. Programmi come Lean, Coq o Isabelle permettono di tradurre una dimostrazione matematica in un linguaggio formale che il computer può analizzare riga per riga. Se c’è un errore logico, anche minuscolo, il sistema lo individua.

Ora, con l’arrivo dell’intelligenza artificiale generativa, questi strumenti stanno evolvendo ulteriormente. I modelli di machine learning vengono addestrati per suggerire passaggi dimostrativi, proporre strategie alternative o colmare lacune nelle prove. Non è fantascienza. È già realtà in diversi dipartimenti di matematica tra i più prestigiosi al mondo.

Hartnett racconta come alcuni ricercatori abbiano utilizzato questi sistemi per affrontare problemi matematici aperti da decenni, ottenendo risultati verificabili e riproducibili. La combinazione tra intuizione umana e rigore computazionale sembra funzionare davvero, almeno nei casi documentati finora.

Una collaborazione, non una sostituzione

C’è un punto che emerge con chiarezza dal racconto di Hartnett: nessuno sta parlando di rimpiazzare i matematici. La creatività matematica resta un territorio profondamente umano. Quello che cambia è la velocità con cui le idee possono essere testate, verificate, scartate o confermate. È un po’ come avere un collega instancabile che controlla ogni singolo passaggio senza mai distrarsi.

Certo, restano domande aperte. Fino a che punto ci si può fidare di una dimostrazione che nessun essere umano ha letto per intero? E cosa succede quando l’intelligenza artificiale suggerisce un passaggio corretto ma incomprensibile per chi lo legge? Sono questioni che la comunità scientifica sta affrontando con serietà, senza entusiasmi ingenui ma anche senza chiusure preconcette.

Il lavoro giornalistico di Kevin Hartnett ha il merito di rendere accessibile un argomento che rischia facilmente di restare confinato tra specialisti. E la sensazione, leggendo tra le righe, è che questa sia solo la fase iniziale di qualcosa di molto più grande.

L'articolo IA e matematica: gli strumenti che stanno cambiando tutto proviene da Tecnoapple.