Una strategia per risolvere Wordle con una percentuale di successo del 99% è stata messa a punto da un gruppo di ricercatori della Binghamton University, nello Stato di New York. Il metodo non si basa sull’intuito o sulla fortuna, ma su un principio matematico preciso: la teoria dell’informazione di Shannon. E i risultati parlano chiaro, superando di gran lunga gli approcci più tradizionali.

Per chi non lo conoscesse, Wordle è il gioco di parole del New York Times che da cinque anni tiene incollati milioni di persone ogni giorno. Le regole sono semplici: sei tentativi per indovinare una parola segreta di cinque lettere. Dopo ogni tentativo, il gioco restituisce indizi colorati. Grigio significa che la lettera non è presente. Giallo indica che la lettera c’è, ma nella posizione sbagliata. Verde conferma sia la lettera che la posizione. Da qui in poi, è tutta questione di strategia.

Quello che il team guidato dal professor Congyu “Peter” Wu ha fatto è stato ribaltare la logica con cui la maggior parte dei giocatori affronta Wordle. Invece di puntare subito alla parola che sembra più probabile, il metodo cerca il tentativo che fornisce la maggiore quantità di informazione, eliminando il numero più alto possibile di alternative. In pratica, ogni parola inserita non mira necessariamente a essere la risposta giusta, ma a ridurre drasticamente l’incertezza.

L’entropia di Shannon applicata a un gioco da milioni di utenti

Il concetto chiave è quello di entropia di Shannon, una misura matematica dell’incertezza. Applicata a Wordle, permette di calcolare quale tentativo, tra tutti quelli possibili, taglierà via più opzioni in un colpo solo. Il risultato è un percorso di gioco dove il guadagno informativo è massimo a ogni passaggio.

Donald Stephens, dottorando alla Binghamton University, ha spiegato bene il punto: un tentativo non deve per forza essere la risposta più probabile, deve essere quello più informativo. Questo spostamento di prospettiva fa tutta la differenza. Nei test condotti al computer, la strategia basata sulla teoria dell’informazione ha risolto il 99% dei puzzle di Wordle, contro circa il 90% dell’approccio convenzionale che punta sulle lettere più frequenti come A, E, R.

Per usare questa strategia nella pratica, un giocatore dovrebbe affidarsi a un programma esterno. Dopo ogni tentativo, si inseriscono i colori ottenuti e il software suggerisce la parola successiva che massimizza il guadagno informativo. Può sembrare un approccio quasi casuale, perché le parole suggerite non sempre sono quelle che verrebbero in mente. Ma è proprio questa la forza del metodo.

Da un compito universitario a una pubblicazione scientifica

La cosa curiosa è che tutto è nato come un semplice esercizio di classe. Il professor Wu aveva chiesto agli studenti di applicare la teoria dell’informazione a un problema concreto. Quello che era partito come un compito accademico si è trasformato in uno studio scientifico pubblicato sul Northeast Journal of Complex Systems nel giugno 2026.

Il coautore Talal Aladaileh ha sottolineato come i corsi della School of Systems Science and Industrial Engineering non si limitino a insegnare concetti, ma spingano ad applicarli in modi che lasciano il segno. Wu ha aggiunto che il valore del progetto sta nell’aver trasformato una misura statica come l’entropia di Shannon in una soluzione dinamica capace di migliorare le prestazioni in un compito reale. Una dimostrazione elegante di come la matematica, quando usata con intelligenza, possa rendere chiunque un giocatore di Wordle quasi imbattibile.

L'articolo Wordle: la strategia matematica che lo risolve nel 99% dei casi proviene da Tecnoapple.

L’intelligenza artificiale ha appena dimostrato di saper risolvere un problema matematico complesso. Il risultato è corretto, verificato, solido. Eppure, invece di festeggiare, una parte significativa della comunità scientifica si è fermata a riflettere. Perché quel risultato, per quanto giusto, mette in discussione alcune delle regole fondamentali su cui la matematica si regge da secoli: la possibilità di verificare le dimostrazioni, l’attribuzione delle idee e l’accessibilità della ricerca.

Partiamo da un fatto che potrebbe sembrare banale ma non lo è affatto. Nella matematica tradizionale, ogni dimostrazione segue un percorso logico che chiunque, con le competenze adeguate, può ripercorrere passo dopo passo. È il principio fondante della disciplina. Se qualcuno propone un teorema, la comunità scientifica lo esamina, lo smonta, lo rimonta e solo allora lo accetta. Questo processo, noto come peer review, garantisce trasparenza e affidabilità. Ma cosa succede quando la dimostrazione viene prodotta da un sistema di intelligenza artificiale che opera attraverso miliardi di parametri opachi? Nessuno riesce davvero a seguire il ragionamento, ammesso che si possa chiamare così.

Il nodo della trasparenza e della paternità intellettuale

C’è poi la questione della paternità intellettuale. La matematica, come ogni scienza, si fonda sulla capacità di riconoscere chi ha avuto un’intuizione, chi ha aperto una strada nuova. Quando un’intelligenza artificiale produce un risultato, a chi va il merito? Agli sviluppatori del modello? All’azienda che lo ha addestrato? Ai matematici i cui lavori sono stati usati come dati di addestramento? La risposta non è semplice e nessuno, al momento, ne ha una davvero convincente.

E poi c’è un aspetto ancora più delicato. La ricerca matematica è sempre stata, almeno in linea di principio, aperta a tutti. Un ragazzo brillante con un quaderno e una penna poteva, teoricamente, contribuire al progresso della disciplina. Ma se per ottenere risultati serve accesso a modelli di intelligenza artificiale che costano milioni di dollari in potenza di calcolo, quella democraticità rischia di sparire. La ricerca aperta diventa un privilegio per pochi, per chi ha le risorse economiche e tecnologiche necessarie.

Un risultato giusto non basta più

Il punto centrale della questione è proprio questo: nella scienza, avere ragione non è mai stato sufficiente. Bisogna anche dimostrare come ci si è arrivati, permettere ad altri di replicare il percorso, rendere il sapere condivisibile. L’intelligenza artificiale sta sfidando queste norme non perché sbagli, ma paradossalmente perché funziona. Funziona talmente bene da rendere obsoleti certi passaggi che la comunità scientifica considerava irrinunciabili.

Non si tratta di fermare il progresso o di rifiutare strumenti potenti. Si tratta di capire come integrarli senza perdere ciò che rende la matematica qualcosa di più di un semplice insieme di risposte corrette. Perché un risultato senza un percorso verificabile, senza un autore riconoscibile e senza la possibilità per tutti di contribuire, rischia di essere giusto ma profondamente vuoto.

L'articolo AI e matematica: il risultato è giusto, ma il problema è enorme proviene da Tecnoapple.

La teoria del colore di Schrödinger, formulata negli anni Venti del secolo scorso, ha finalmente trovato il suo tassello mancante. Un gruppo di ricercatori del Los Alamos National Laboratory, guidato dalla scienziata Roxana Bujack, è riuscito a risolvere un problema matematico che restava aperto da cento anni, dimostrando che le qualità percepite nei colori non sono costruzioni culturali o apprese, ma proprietà intrinseche della geometria dello spazio cromatico. Una scoperta che potrebbe cambiare il modo in cui vengono sviluppate le tecnologie legate alla riproduzione del colore.

Per capire cosa rende così importante questo risultato, bisogna fare un passo indietro. La visione umana dei colori si basa su tre tipi di cellule coniche nella retina, sensibili al rosso, al blu e al verde. Questo rende lo spazio cromatico tridimensionale, e permette di organizzare e confrontare i colori in modo matematico. Già nell’Ottocento, il matematico Bernhard Riemann aveva intuito che gli spazi percettivi del colore non fossero piatti, ma curvi. Schrödinger partì da quella intuizione per costruire un modello che descrivesse tonalità, saturazione e luminosità all’interno di una geometria riemanniana. Il problema, però, è che quel modello conteneva una lacuna fondamentale.

Il problema dell’asse neutro e la svolta geometrica

Il nodo critico riguardava il cosiddetto asse neutro, ovvero la linea dei grigi che va dal nero al bianco. Le definizioni di Schrödinger dipendevano dalla posizione di un colore rispetto a questo asse, ma lui non aveva mai definito formalmente l’asse stesso. Sembra un dettaglio, eppure rendeva l’intera costruzione matematica incompleta. Il team di Los Alamos ha trovato il modo di definire l’asse neutro utilizzando esclusivamente la geometria della metrica del colore, senza appoggiarsi a strutture esterne.

Per riuscirci, i ricercatori hanno dovuto abbandonare il modello riemanniano tradizionale e spostarsi in uno spazio non riemanniano. Un salto concettuale notevole, che ha permesso anche di correggere altri problemi del vecchio framework. Fra questi, l’effetto Bezold e Brücke, quel fenomeno per cui cambiando l’intensità luminosa un colore sembra cambiare anche di tonalità. Invece di affidarsi a linee rette semplificate, il team ha utilizzato il percorso più breve nel loro modello geometrico, ottenendo risultati molto più fedeli alla percezione cromatica reale.

Perché questa scoperta conta davvero

I risultati sono stati presentati alla conferenza Eurographics on Visualization e si inseriscono in un progetto più ampio del Los Alamos sulla percezione del colore, che nel 2022 aveva già prodotto un articolo di grande impatto pubblicato sui Proceedings of the National Academy of Sciences. Un modello più preciso della percezione del colore ha ricadute concrete in molti ambiti: dalla fotografia al video, dalla visualizzazione scientifica alle tecnologie di riproduzione cromatica. Chi lavora con i dati visivi sa bene quanto sia importante che i colori rappresentino fedelmente le informazioni sottostanti. Un errore nella resa cromatica può portare a interpretazioni sbagliate, soprattutto in settori delicati come la sicurezza nazionale o la ricerca medica.

Quello che il team di Bujack ha costruito è, in sostanza, una base solida per la futura modellazione del colore in spazi non riemanniani. Dopo cento anni, la teoria del colore di Schrödinger non è più un edificio con le fondamenta scoperte. E questo, per chi studia come gli esseri umani vedono il mondo, fa tutta la differenza.

L'articolo Schrödinger e il colore: risolto dopo 100 anni il mistero matematico proviene da Tecnoapple.

Il fisico Richard Feynman era famoso per trasformare qualsiasi situazione quotidiana in un rompicapo scientifico. E a quanto pare, persino la scelta di cosa mangiare a pranzo non faceva eccezione. Quella che potrebbe sembrare una banale indecisione davanti al menù, nelle mani di Feynman diventò un vero e proprio problema matematico, appuntato nei suoi celebri taccuini. Ora, dopo anni, un gruppo di ricercatori è riuscito a decifrare quegli appunti. E la scoperta è tanto affascinante quanto sorprendente: le persone, senza saperlo, arrivano da sole a una soluzione molto simile a quella che il fisico aveva formalizzato con rigore scientifico.

Il cosiddetto problema del pranzo di Feynman riguarda essenzialmente il processo decisionale che si attiva quando ci si trova davanti a più opzioni e bisogna sceglierne una, senza poter tornare indietro. Pensateci: quante volte capita di scorrere un menù, valutare le alternative, scartarne alcune e poi fermarsi su qualcosa che sembra “abbastanza buono”? Ecco, Feynman aveva intuito che dietro questo meccanismo apparentemente casuale si nascondesse una logica precisa, quasi un algoritmo naturale che il cervello umano esegue in automatico.

Gli appunti ritrovati e la conferma scientifica

I ricercatori che hanno analizzato i suoi appunti hanno trovato una formulazione che ricorda da vicino il classico problema della segretaria, uno dei quesiti più studiati nella teoria delle decisioni. La regola, semplificando molto, suggerisce di esplorare circa il 37% delle opzioni disponibili senza scegliere nulla, per poi selezionare la prima alternativa che supera tutte quelle viste fino a quel momento. È una strategia matematicamente ottimale, e il fatto che Feynman la applicasse alla scelta del pranzo la dice lunga sulla sua capacità di vedere la scienza ovunque.

Ma la parte davvero interessante della ricerca sta altrove. Gli studiosi hanno scoperto che le persone comuni, senza alcuna formazione specifica in teoria delle decisioni, tendono a seguire spontaneamente un approccio molto simile. Non con la precisione chirurgica di una formula, certo, ma con un’approssimazione che funziona sorprendentemente bene nella pratica. Il cervello, in sostanza, ha sviluppato nel tempo delle scorciatoie cognitive che ricalcano soluzioni matematiche elaborate.

Perché questo problema ci riguarda tutti

Quello che rende il problema del pranzo così interessante non è solo la sua eleganza teorica. È il fatto che parla di qualcosa che facciamo continuamente: prendere decisioni con informazioni incomplete, sotto pressione e senza la possibilità di ricominciare da capo. Che si tratti di scegliere un ristorante, un appartamento o persino un partner, il meccanismo è sempre quello. Feynman, con la sua solita genialità un po’ giocosa, aveva colto un principio universale nascosto dentro un gesto banale.

E forse è proprio questo il lascito più bello di questa storia. Non serve essere un premio Nobel per fare scelte ragionevolmente buone. Il nostro cervello, a modo suo, è già un piccolo matematico inconsapevole.

L'articolo Feynman e il problema del pranzo: la scoperta che nessuno si aspettava proviene da Tecnoapple.

La crittografia post-quantistica di Apple è finita sotto i riflettori dopo la pubblicazione di nuovi dettagli tecnici che raccontano come l’azienda di Cupertino stia verificando la solidità del proprio codice. Non con i classici test software, ma con qualcosa di molto più radicale: prove matematiche formali. Il 22 maggio sono stati resi pubblici sia la ricerca sia il codice sorgente che documentano questo approccio, e vale la pena capire cosa sta succedendo davvero.

Il punto di partenza è semplice da spiegare, anche se le implicazioni sono enormi. I computer quantistici del futuro, quando diventeranno abbastanza potenti, saranno in grado di scardinare buona parte dei sistemi di crittografia a chiave pubblica che oggi proteggono praticamente tutto: messaggi, transazioni bancarie, dati sanitari. Non è fantascienza, è una questione di tempo. E le grandi aziende tecnologiche lo sanno bene, tanto che la corsa per sostituire i vecchi metodi di cifratura è già partita da un pezzo.

Perché i test tradizionali non bastano più

Quello che rende interessante la mossa di Apple è la consapevolezza che i normali processi di testing del software, per quanto accurati, non offrono garanzie sufficienti quando parliamo di sistemi crittografici distribuiti su oltre 2,5 miliardi di dispositivi attivi. Stiamo parlando di iPhone, iPad, Mac e tutte le altre piattaforme dell’ecosistema. Un singolo difetto sfuggito ai controlli potrebbe esporre una quantità impressionante di utenti.

Il lavoro si concentra su corecrypto, la libreria crittografica di basso livello che Apple utilizza trasversalmente su tutti i propri dispositivi. Invece di limitarsi a verificare che il codice funzioni correttamente in scenari simulati, il team ha scelto di dimostrare matematicamente che determinate porzioni del codice rispettano le proprietà di sicurezza richieste. È un cambio di paradigma notevole, perché una prova formale non lascia margini di dubbio nel modo in cui lo fa un test empirico.

Una corsa contro il tempo per l’intero settore

Apple non è sola in questa partita. L’intero settore tecnologico sta accelerando sulla crittografia post-quantistica, cercando di arrivare preparato prima che gli attacchi quantistici diventino concretamente praticabili. Google, Microsoft e altre realtà stanno esplorando strade simili, ma la scelta di Apple di rendere pubblico il codice sorgente e la metodologia di verifica aggiunge un elemento di trasparenza che non passa inosservato.

Il messaggio che arriva da Cupertino è piuttosto chiaro: proteggere i dati degli utenti nel lungo periodo richiede qualcosa di più della semplice buona ingegneria del software. Servono fondamenta matematiche solide, costruite oggi, per resistere alle minacce di domani. E questa pubblicazione dimostra che il passaggio alla crittografia post-quantistica non è solo una questione di algoritmi nuovi, ma anche di come si verifica che funzionino davvero, senza falle nascoste che un giorno potrebbero tornare a mordere.

L'articolo Apple alza il livello: prove matematiche per la crittografia post-quantistica proviene da Tecnoapple.

Un gruppo di scienziati ha scoperto qualcosa di sorprendente dentro le foglie della Pilea peperomioides, comunemente nota come pianta del denaro cinese: un pattern geometrico naturale che fino ad oggi veniva associato quasi esclusivamente alla pianificazione urbana, all’informatica e alla progettazione di reti. Si tratta del cosiddetto diagramma di Voronoi, una struttura matematica elegante che questa pianta riproduce spontaneamente, senza ovviamente “calcolare” nulla.

La cosa è affascinante e un po’ destabilizzante, a dirla tutta. Perché quando si pensa a modelli geometrici complessi, si pensa a software, algoritmi, fogli di calcolo. Non a una piantina da appartamento che sta lì sul davanzale, bella tranquilla, a fare fotosintesi.

Come funziona il diagramma di Voronoi nelle foglie

Per capire la portata di questa scoperta, vale la pena spiegare rapidamente cosa sia un diagramma di Voronoi. In parole semplici, è un modo per dividere uno spazio in regioni, dove ogni punto all’interno di una regione è più vicino a un determinato “centro” rispetto a qualsiasi altro. Nella vita quotidiana, questo schema viene usato per ottimizzare la distribuzione di servizi, progettare reti di telecomunicazione o analizzare la crescita cellulare.

Quello che i ricercatori hanno fatto è stato mappare con estrema precisione i pori microscopici e le venature ad anello presenti nelle foglie della pianta del denaro cinese. E il risultato è stato chiaro: la disposizione di questi elementi segue esattamente la logica spaziale di un diagramma di Voronoi. La pianta organizza i propri tessuti usando lo stesso tipo di distribuzione ottimale che gli esseri umani impiegano per risolvere problemi complessi di distanza e copertura.

Il punto più interessante, però, è che la Pilea peperomioides riesce in tutto questo senza alcun meccanismo di misurazione consapevole. Non ha un cervello, non ha sensori digitali. Eppure produce una struttura che noi riusciamo a replicare solo con strumenti computazionali avanzati.

Perché questa scoperta conta davvero

Al di là della curiosità botanica, questo studio apre prospettive enormi. La scoperta suggerisce che i pattern geometrici naturali potrebbero essere molto più diffusi di quanto si pensasse, non solo nelle piante ma in moltissimi sistemi biologici. E questo ha implicazioni concrete: dalla biomimetica, cioè la disciplina che si ispira alla natura per progettare tecnologie, fino alla scienza dei materiali e alla medicina rigenerativa.

Se una semplice pianta del denaro cinese è capace di auto organizzarsi seguendo principi matematici così sofisticati, allora forse la natura ha ancora parecchio da insegnarci in termini di efficienza strutturale. Quello che sembra un foglio verde qualunque, in realtà, è un piccolo capolavoro di ottimizzazione spaziale. E la cosa bella è che basta guardarla con gli strumenti giusti per accorgersene.

L'articolo Pianta del denaro cinese: il segreto matematico nascosto nelle foglie proviene da Tecnoapple.

La complessità musicale sta diminuendo. Non è un’opinione da bar, ma il risultato di un’analisi matematica che ha studiato decenni di produzioni discografiche, mettendo sotto la lente melodie e armonie per capire come si è trasformato il modo di fare musica. E il verdetto è piuttosto chiaro: le canzoni di oggi sono strutturalmente più semplici rispetto a quelle del passato.

A dirlo sono ricercatori che hanno applicato modelli statistici a migliaia di brani, misurando parametri come la varietà degli accordi, la ricchezza melodica e la densità armonica. Il quadro che ne emerge racconta una evoluzione musicale che non va necessariamente nella direzione che ci si aspetterebbe. Meno note, meno cambi di tonalità, meno sorprese armoniche. Il tutto, però, compensato da altri elementi che rendono comunque un pezzo efficace e, spesso, irresistibile.

Meno accordi, più creatività: il paradosso della semplicità

Qui viene la parte interessante. Perché se da un lato la complessità armonica cala, dall’altro i musicisti hanno trovato strade alternative per rendere i brani coinvolgenti. Il timbro, la produzione sonora, il ritmo, gli effetti elettronici: sono tutti strumenti che oggi giocano un ruolo molto più centrale rispetto a trent’anni fa. In pratica, la tavolozza si è spostata. Non è che la creatività sia sparita, si è semplicemente trasferita altrove.

Pensandoci bene, ha senso. Con l’avvento della produzione digitale e dei software di composizione, creare texture sonore elaborate è diventato accessibile. E questo ha reso meno necessario affidarsi a progressioni armoniche articolate per catturare l’attenzione di chi ascolta. La melodia resta importante, certo, ma non deve più fare tutto il lavoro da sola.

Cosa significa davvero per chi ascolta musica

Viene spontaneo chiedersi: la musica sta peggiorando? La risposta, probabilmente, è no. O almeno, non in modo così netto. L’analisi matematica fotografa un cambiamento, non emette un giudizio di valore. Brani con strutture più essenziali possono essere altrettanto potenti dal punto di vista emotivo. Basta pensare a quanto certi pezzi minimal riescano a entrare in testa e restarci per giorni.

Quello che emerge con chiarezza è che la musica contemporanea punta su un tipo diverso di complessità. Meno visibile sulla carta, meno misurabile con i numeri, ma presente nel modo in cui un brano viene costruito, stratificato e mixato. I musicisti oggi hanno a disposizione strumenti che i colleghi di qualche decennio fa non potevano nemmeno immaginare, e li usano per creare qualcosa di grande anche partendo da una base armonica ridotta all’osso.

La semplicità melodica, insomma, non è pigrizia. È una scelta, consapevole o meno, che riflette come cambia il gusto del pubblico e come si evolvono gli strumenti a disposizione di chi compone. La matematica lo conferma, ma il bello della musica resta sempre quella parte che i numeri non riescono a catturare del tutto.

L'articolo La musica sta diventando più semplice: lo conferma la matematica 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.

C’è qualcosa di affascinante nel momento in cui una certezza matematica, data per solida da oltre un secolo, viene smontata pezzo per pezzo. Ed è esattamente quello che è successo con la regola di Bonnet, un principio cardine della geometria differenziale che risale al 1867 e che per generazioni ha guidato il modo in cui si pensa alla forma delle superfici. Un gruppo di matematici della Technical University of Munich, insieme a colleghi della Technical University di Berlino e della North Carolina State University, ha dimostrato che quella regola non funziona sempre. E lo ha fatto costruendo due superfici a forma di ciambella che, pur condividendo le stesse misure locali, risultano globalmente diverse.

Il principio formulato dal matematico francese Pierre Ossian Bonnet diceva, in sostanza, una cosa piuttosto intuitiva: se di una superficie compatta si conoscono due proprietà fondamentali punto per punto, la metrica (cioè come si misurano le distanze lungo la superficie) e la curvatura media (quanto la superficie si piega nello spazio), allora la forma complessiva è determinata in modo univoco. Per le superfici non compatte, quelle che si estendono all’infinito o hanno dei bordi, si sapeva già che la regola di Bonnet poteva non valere. Ma per le superfici chiuse, come sfere o tori? Lì sembrava tutto a posto. O almeno, così si credeva.

L’esempio concreto che nessuno era mai riuscito a trovare

Il punto è che alcuni ricercatori, nel corso dei decenni, avevano teorizzato che anche per le superfici a forma di toro (la ciambella matematica, per capirci) potessero esistere coppie di forme diverse ma con identiche proprietà locali. Il problema era che nessuno ci era mai riuscito davvero, nessuno aveva mai messo sul tavolo un esempio concreto e verificabile. Restava un sospetto, una congettura appesa nel vuoto.

Il nuovo studio, pubblicato su Publications Mathématiques de l’IHÉS, colma esattamente quel vuoto. Il team ha costruito due tori compatti che condividono gli stessi valori di metrica e curvatura media in ogni punto, eppure le loro strutture globali sono differenti. Tim Hoffmann, professore di topologia applicata alla TUM, ha commentato la scoperta spiegando che dopo molti anni di ricerca si è riusciti per la prima volta a trovare un caso concreto in cui, anche per superfici chiuse simili a ciambelle, i dati di misurazione locale non determinano necessariamente un’unica forma globale.

Perché questa scoperta cambia le carte in tavola

Quello che rende questo risultato davvero significativo non è solo il fatto di aver smentito un principio storico. È l’implicazione più profonda: anche disponendo di informazioni locali complete su una superficie, non è detto che si possa risalire con certezza alla sua forma globale. Questo ridefinisce in modo sostanziale la comprensione del rapporto tra misurazioni locali e struttura complessiva nella geometria delle superfici.

Per chi non mastica matematica tutti i giorni, il concetto si può tradurre così: è come avere due oggetti che, toccandoli in ogni singolo punto, sembrano identici, stessa consistenza, stessa curvatura, stessa distanza tra i punti. Eppure, guardandoli nella loro interezza, hanno forme diverse. Una cosa che fino a ieri la regola di Bonnet diceva essere impossibile per superfici chiuse. E che oggi, grazie a due eleganti ciambelle matematiche, sappiamo invece essere reale.

L'articolo Due ciambelle matematiche distruggono una regola geometrica di 150 anni 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.